CN112182141A - 一种关键信息抽取方法、装置、设备和可读存储介质 - Google Patents
一种关键信息抽取方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN112182141A CN112182141A CN202011025712.0A CN202011025712A CN112182141A CN 112182141 A CN112182141 A CN 112182141A CN 202011025712 A CN202011025712 A CN 202011025712A CN 112182141 A CN112182141 A CN 112182141A
- Authority
- CN
- China
- Prior art keywords
- key information
- text
- result
- extraction
- regular matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种关键信息抽取方法、装置、设备和可读存储介质。该关键信息抽取方法包括:对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。本发明实施例实现了针对于不同类型的目标文本的特点,为其定制不同关键信息抽取方式,有效的提高了目标文本关键信息抽取的效率。
Description
技术领域
本发明涉及文档处理技术领域,尤其涉及一种关键信息抽取方法、装置、设备和可读存储介质。
背景技术
在现今信息大爆炸的时代,文本的信息量也在显著增加,主要体现在文本的内容广、字数多。一些系统性报告如研究报告、公司年报和分析报告,一篇报告动辄数十万字到数百万字。准确、迅速地从这些文章获取关键信息,把握文章的主题,对于节省阅读人员的精力,降低信息处理时间具有重要意义。
目前,文章的关键信息大多通过人工阅读文本,总结记录得到。此方法的准确率高,能够面向复杂文本得到较为优质的关键信息,但人工成本极高,亟需一种能够准确、快速地从文章中自动抽取关键信息的方法。
发明内容
本发明实施例提供一种关键信息抽取方法、装置、设备和可读存储介质,以实现准确、快速地从文章中自动抽取关键信息的目的。
第一方面,本发明实施例提供了一种关键信息抽取方法,所述方法包括:
对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
可选的,所述根据所述正则匹配结果,确定关键信息的抽取方式,包括:
建立所述正则匹配结果与所述关键信息的抽取方式的关联关系;
若所述正则匹配成功,则确定关键信息的抽取方式第一抽取方式;
若所述正则匹配不成功,则确定关键信息的抽取方式为第二抽取方式。
可选的,所述对目标文本进行内容解析,得到解析结果,包括:
将所述目标文本的格式变换为预设格式,得到格式变换结果;
从所述格式变换结果中选取目标格式的文件作为所述解析结果。
可选的,所述以所述抽取方式抽取关键信息包括:
若所述抽取方式确定为第一抽取方式,则确定关键信息区块,并从所述关键信息区块中抽取关键信息。
可选的,所述将所述文本内容与设定字段进行正则匹配并得到正则匹配结果,包括:
将所述文本标题与目录字段进行正则匹配;
将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,并得到正则匹配结果。
可选的,在所述对目标文本进行内容解析,得到解析结果之前,还包括:
接收输入文本,并检查所述输入文本的格式;
若所述输入文本的格式满足设定要求,则将所述输入文本划分为目标文本。
可选的,所述以所述抽取方式抽取关键信息包括:
若所述抽取方式确定为第二抽取方式,将所述目标文本输入到语言分析模型中;
通过所述语言分析模型抽取所述目标文本的关键信息。
可选的,所述通过所述语言分析模型抽取所述目标文本的关键信息,包括:
对所述目标文本进行分词处理,得到分词结果;
将所述分词结果输入到所述语言分析模型,以供所述语言分析模型对所述分词结果建立词向量矩阵;
根据所述词向量矩阵,得到所述分词结果中的词语对于所述目标文本的贡献度;
根据所述词语的贡献度确定关键信息,并抽取所述关键信息。
可选的,在将所述目标文本输入到语言分析模型中之前,还包括:
统计所述目标文本的字符数;
根据所述目标文本的字符数确定语言分析模型版本,其中所述语言分析模型版本包括:完整版语言分析模型和精简版语言分析模型。
可选的,所述完整版语言分析模型是以对整个目标文档的分词结果为数据集训练得到的;所述精简版语言分析模型以对目标文档中预选段落的分词结果为数据集训练得到的。
可选的,所述根据所述词语的贡献度确定关键信息,并抽取所述关键信息,包括:
根据所述词语的贡献度,对所述词语进行排序;
抽取排名在设定范围内的所述词语作为关键词语;和/或,
将所述词语进行线性组合得到语句,并根据所述词语的贡献度,计算所述语句的贡献度;
对所述语句进行排序,抽取排名在设定范围内的所述语句作为关键语句。
第二方面,本发明实施例还提供了一种关键信息抽取装置,所述装置包括:
解析模块,用于对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
正则匹配模块,用于将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
关键信息抽取模块,用于根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
第三方面,本发明实施例还提供了一种电子设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的一种关键信息抽取方法。
第四方面,本发明实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行任一实施例所述的一种关键信息抽取方法。
本发明实施例中通过对目标文本进行内容解析,得到解析结果,并将解析结果中的文本内容与设定字段进行正则匹配并得到正则匹配结果,根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息,从而实现了针对于不同类型的目标文本的特点,为其定制不同关键信息抽取方式,有效的提高了目标文本关键信息抽取的效率。
附图说明
图1是本发明实施例一中的一种关键信息抽取方法的流程图;
图2是本发明实施例二中的一种关键信息抽取方法的流程图;
图3是本发明实施例三中的一种关键信息抽取方法的流程图;
图4是本发明实施例四中的一种关键信息抽取装置的结构示意图;
图5为本发明实施例中的关键信息抽取方法适用的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的一种关键信息抽取方法的流程图,本实施例可适用从文章中抽取关键信息的情况。该方法可以由关键信息抽取装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中。如图1所示,该方法具体包括:
S110、对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容。
其中,目标文本是指满足关键信息抽取条件的待处理文本,这里关键信息抽取条件可以是对于文本的格式或者文本的地址是否有效等方面的要求。其中,文本内容即为不包括文本格式信息的纯文本。对目标文本进行内容解析主要为了将目标文本的纯文本内容与文本格式相分离,分别得到目标文本的纯文本与文本格式文件。
在本实施例中,可选的,在所述对目标文本进行内容解析,得到解析结果之前,还包括:接收输入文本,并检查所述输入文本的格式;若所述输入文本的格式满足设定要求,则将所述输入文本划分为目标文本。
其中,检查输入文本的格式主要检查输入文本的格式能否解析出纯文本文件的格式。若所述输入文本的格式满足设定要求,则说明该输入文本可以解析出纯文本文件,电子设备将此类格式的输入文本划分为目标文本。可选的,设定的格式要求可以是docx格式、doc格式或者未加密的pdf格式。在这里不作限定,具体依据实际情况确定。若所述输入文本的格式不满足设定要求,则说明该输入文本不可以解析出纯文本文件,此类格式的输入文件,将不会作为抽取关键信息的目标文件。可选的,除了对输入文件的格式进行检查以外,当电子设备接收的为输入文件的存储地址信息时,对该输入文件的地址进行检查,判断该输入文件是否存在。
S120、将所述文本内容与设定字段进行正则匹配并得到正则匹配结果。
其中,设定字段是可以表征关键信息所在位置的字段。一般而言,一篇符合格式规格的应用型文章,如学术论文或研究报告中通常以特定的字段标识整篇文章的关键信息。示例性的,一篇学术论文通常以关键字和摘要等字段作为阐述文章关键信息的标识。可选的,设定字段的数量为至少一个,设定字段的内容可以是“摘要”或者“关键字”等文字,在这里不作限定,具体依据实际情况确定。
这里,正则匹配是一种字符串匹配的方法,用于检查文本中是否含有设定字段。电子设备将解析结果中文本内容与设定字段进行正则匹配并得到正则匹配结果,得到的匹配结果可以是匹配到至少一个设定字段,即正则匹配成功;或者未匹配到任一设定字段,即正则匹配失败。
S130、根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
其中,关键信息是指能够准确反映目标文本的主要内容的关键词语或者关键句子。
在本实施例中,可选的,建立所述正则匹配结果与所述关键信息的抽取方式的关联关系;若所述正则匹配成功,则确定关键信息的抽取方式第一抽取方式;若所述正则匹配不成功,则确定关键信息的抽取方式为第二抽取方式。
针对于不同的正则匹配结果,选取对应的关键信息抽取方式。当正则匹配结果为正则匹配成功时,表明目标文本是一篇符合特定书写格式规范的文章,针对于此类文章关键信息位置相对明确的特点,电子设备选取相对简单,快速的第一关键信息抽取方式从该目标文档中抽取关键信息。相反,当正则匹配结果为正则匹配失败时,表明目标文本是一篇无明显关键信息标识的文章,针对于此类文章关键信息位置不确定的特点,电子设备选取第二关键信息抽取方式从该目标文档中抽取关键信息。值得注意的是,这里第一关键信息抽取方式不同于第二种关键信息抽取方式。
正则匹配的目的即为查询目标文本中是否存在关键信息标识,针对于关键信息标识明显的文本,可以通过快速定位关键信息的位置,选择相对快速直接的抽取方式从目标文本中抽取关键信息;对于无明显关键信息标识的书写类型文本,需要对整个文本进行处理,从整个文本中抽取关键信息。
本发明实施例中通过对目标文本进行内容解析,得到解析结果,并将解析结果中的文本内容与设定字段进行正则匹配并得到正则匹配结果,根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息,从而实现了针对于不同类型的目标文本的特点,为其定制不同关键信息抽取方式,有效的提高了目标文本关键信息抽取的效率。
实施例二
图2是本发明实施例二中的关键信息抽取方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。具体优化为:所述对目标文本进行内容解析,得到解析结果,包括:将所述目标文本的格式变换为预设格式,得到格式变换结果;从所述格式变换结果中选取目标格式的文件作为所述解析结果。
可选的,所述将所述文本内容与设定字段进行正则匹配并得到正则匹配结果,包括:将所述文本标题与目录字段进行正则匹配;将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,并得到正则匹配结果。
如图2所示,所述方法包括:
S210、将所述目标文本的格式变换为预设格式,得到格式变换结果。
电子设备将所述目标文本的格式变换为预设格式,得到的格式变换结果种既包含有目标文本对应的不带有字体类型、字体大小和空格间距等排版格式的纯文本。
S220、从所述格式变换结果中选取目标格式的文件作为所述解析结果。其中,所述解析结果中包括:文本内容。
其中,目标格式的文件中包括目标文档对应的纯文本内容,该文件即为对目标文本进行解析最终所要的到的解析结果。在一具体应用场景中,将当目标文本的格式为docx格式的文本时,将所述目标文本的格式变换为预设格式即为将目标文本的扩展名由docx变换为ZIP格式的文件。ZIP格式的文件即为格式变换结果。接下来,对ZIP格式的文件进行解压,可以看到解压出来的文件夹中有Word这样一个文件夹,它包含了Word文档的大部分内容。选择其中的XML(可扩展于标记语言)再通过解析XML数据即可获得纯文本格式文本。之所以优选采用方法的原因是,先转化为XML数据的方式,可以保证原始数据的完整性,不会丢失部分原始数据或数据格式,此外,由于XML解析不会受限于第三方解析质量的原因,XML数据转化为纯文本格式数据可按项目需求定义,从而不易丢失文本及字体类型、字体大小和空格间距等排版格式类型信息。
S230、将所述文本标题与目录字段进行正则匹配。
对于一篇较为正规的研究报告,撰写人一般会在文章开头的某些段落,设立“摘要”或者“关键字”字段作为关键信息标识用于标志文章的关键信息位置,方便读者阅读。但是不可避免的,在文章的正文内容,也有很大可能性包括“摘要”或者“关键字”等字段,仅就“摘要”字段或者“关键字”字段,并不能准确地定位到文章关键信息所在位置。为了获得更加准确的关键信息位置,可选的,在将文本内容设定字段进行正则匹配之前,将所述文本标题与目录字段进行正则匹配,以划定对所述正文文本与摘要字段和关键字字段进行正则匹配的范围。
S240、将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,并得到正则匹配结果。
其中,目录字段是指具有标题字体的目录字段。选择位于目录字段之前的正文文本与“摘要”和“关键字”字段进行正则匹配,可以有效降低其它位置的文本中重复出现的“摘要”和“关键字”字段,对关键信息标识识别过程的干扰,从而提高关键信息抽取的准确度。
如果在所述目录字段之前的所述正文文本中,包含有摘要或关键字任一字段,则得到正则匹配成功的结果;相反,如果在所述目录字段之前的所述正文文本中,不包括有摘要或关键字任一字段,则得到正则匹配失败的结果。
S250、根据所述正则匹配结果,确定关键信息的抽取方式,若所述抽取方式确定为第一抽取方式,则确定关键信息区块,并从所述关键信息区块中抽取关键信息。
若所述抽取方式确定为第一抽取方式,则表明正则匹配成功,在所述目录字段之前的所述正文文本中,包含有摘要或关键字任一字段。此时,电子设备根据摘要字段或关键字字段所在位置,确定关键信息区块。可选的,关键信息区块即为摘要字段或关键字字段所标识的段落,从目标文本中抽取该段落,即可完成目标文本的抽取过程。
S260、根据所述正则匹配结果,确定关键信息的抽取方式,若所述抽取方式确定为第二抽取方式,将所述目标文本输入到语言分析模型中。
若所述抽取方式确定为第二抽取方式,则表明正则匹配失败,在所述目录字段之前的所述正文文本中,不包含有摘要或关键字任一字段,该目标文本中不具有明显的关键信息标识。此时,可以利用自然语言处理的方式抽取目标文档中的关键信息。可选的,将所述目标文本输入到语言分析模型中。示例性的,语言分析模型可以是TF-IDF模型、TextRank模型、BERT模型或者Word2Vec词向量模型。
值得注意的是,步骤S250与步骤S260并无逻辑上的先后顺序,是两个并列的步骤,为了简洁的展示本发明实施例的步骤,在本发明实施例对应的流程图中,顺序地画出。
S270、通过所述语言分析模型抽取所述目标文本的关键信息。
首先对目标文本进行预处理,在本实施例中,可选的,对所述目标文本进行分词处理,得到分词结果。
因为,词是最小的能够独立活动的有意义的语言成分。汉语是以字为基本书写单位,词语之间没有明显的区分标记,因此进行中文自然语言处理通常是先将汉语文本中的字符串切分成合理的词语序列,然后再在此基础上进行其它分析处理。对目标文本进行分词可以达到切断上下文耦合,降低词序对关键信息抽取的影响。可选的,使用jieba对于文章进行了词语级别的分词操作。其中,jieba是目前一种Python中文分词组件。
在本实施例中,可选的,将所述分词结果输入到所述语言分析模型,以供所述语言分析模型对所述分词结果建立词向量矩阵;根据所述词向量矩阵,得到所述分词结果中的词语对于所述目标文本的贡献度;根据所述词语的贡献度确定关键信息,并抽取所述关键信息。
示例性的,语言分析模型为Word2Vec模型时,词语对于所述目标文本的贡献度,即为对于由Word2Vec模型所述分词结果建立的词向量,通过K-Means算法对其进行聚类,选择聚类中心作为文章的一个主要关键词语,计算各词向量与聚类中心的距离得到的相似度。
在本实施例中,可选的,根据所述词语的贡献度,对所述词语进行排序;抽取排名在设定范围内的所述词语作为关键词语;和/或,将所述词语进行线性组合得到语句,并根据所述词语的贡献度,计算所述语句的贡献度;对所述语句进行排序,抽取排名在设定范围内的所述语句作为关键语句。
可选的,根据所述词语的贡献度,对所述词语按照贡献度从大到小的顺序进行排序,选取贡献度排名在前几名或十几名的词作为关键词语,在这里不作限定,具体依据实际情况确定。语句是由词语组成的,在词语的贡献度的贡献度确定以后,语句的贡献度即可根据词语的贡献度得到。同样,可以根据所述语句的贡献度,对所述语句按照贡献度从大到小的顺序进行排序,选取贡献度排名在前几名或十几名的语句作为关键语句。
本发明实施例通过在将所述文本内容与设定字段进行匹配时,首先将文本标题与目录字段进行正则匹配,再将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,划定确定关键信息标识的范围,从而在划定的范围内文本内容与设定字段正则匹配成功时,确定关键信息区块再从该关键信息区块中抽取关键信息,有效提高关键信息抽取的准确度。此外,本发明实施例还提供了一种通过语言分析模型抽取关键信息的方式,可适用于在文本内容与设定字段正则匹配失败时,针对不同的情况选取特定的抽取方式有效地提高了关键信息抽取的效率。
实施例三
图3是本发明实施例三中的关键信息抽取方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。具体优化为:在将所述目标文本输入到语言分析模型中之前,还包括:统计所述目标文本的字符数;根据所述目标文本的字符数确定语言分析模型版本,其中所述语言分析模型版本包括:完整版语言分析模型和精简版语言分析模型。
S310、对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
S320、将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
S330、统计所述目标文本的字符数;
目标文件中场包含有表格以及图像等非文字信息,这类信息的存在基于文字抽取关键信息时并不能提供有效信息,反而会影响电子设备对于目标文本大小的判断。通过统计目标文本的字符数,可以准确地得到目标文本的大小。
S340、根据所述目标文本的字符数确定语言分析模型版本,其中所述语言分析模型版本包括:完整版语言分析模型和精简版语言分析模型。
当目标的文本的字符数较多,即目标文本篇幅很长时,这种情况将整篇目标文本的分词结果输入到语言分析模型中,通过与语言分析模型抽取关键信息将会产生巨大的时间开销。为了节约时间成本,选择关键信息出现概率较大的段落的分词结果输入到语言分析模型中,对这部分中的词语的贡献进行排名。此时,选取的语言模型则是精简版的语言分析模型;相应的,当目标的文本的字符数适中时,则将整个目标文档的分词结果输入到语言分析模型中,对整个文档的词语的贡献进行排名,从中选出关键词语。
其中,根据目标文本的字符数确定语言分析模型版本可以判断目标文本的字符数是否大于设定阈值,如果大于或者等于设定阈值,则可以推断目标的文本的字符数较多;相应的,如果小于设定阈值则可以推断目标的文本的字符数适中。示例性的,设定阈值可以是9万,在这里不作限定,具体依据实际情况确定。
在本实施例中,可选的,所述完整版语言分析模型是以对整个目标文档的分词结果为数据集训练得到的;所述精简版语言分析模型以对目标文档中预选段落的分词结果为数据集训练得到的。
其中,预选段落为关键信息出现概率较大的段落。示例性的,考虑到目前目标文本的关键信息多包含于目录、文章开头和结尾的几段,预选段落可以是目录、文章开头和结尾的几段。使用两种数据集对语言分析模型训练,使得训练得到的语言分析模型,在处理特定字符数范围内的目标文本时,可以更加准确的确定文本的词向量,从而提高关键信息抽取的效率。
S350、将所述目标文本输入到语言分析模型中;
S360、通过所述语言分析模型抽取所述目标文本的关键信息。
本发明实施例利用不同的数据集训练语言分析模型,形成了完整版与精简版的语言分析模型,并根据目标文本的字符数确定关键信息抽取时使用语言分析模型版本,从而可以大大节省处理的文字数量,有效的降低了训练语言分析模型的时间成本,提高了关键信息抽取的效率。
实施例四
图4是本发明实施例六中的一种关键信息抽取装置的结构示意图,本实施例可适用从文章中抽取关键信息的情况。该方法可以由关键信息抽取装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中。如图4所示,该装置400可以包括:解析模块410、正则匹配模块420和关键信息抽取模块430。
解析模块410,用于对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
正则匹配模块420,用于将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
关键信息抽取模块430,用于根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
本发明实施例中通过对目标文本进行内容解析,得到解析结果,并将解析结果中的文本内容与设定字段进行正则匹配并得到正则匹配结果,根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息,从而实现了针对于不同类型的目标文本的特点,为其定制不同关键信息抽取方式,有效的提高了目标文本关键信息抽取的效率。
可选的,关键信息抽取模块430,包括:关联关系建立子模块,用于建立所述正则匹配结果与所述关键信息的抽取方式的关联关系;抽取方式确定第一子模块,用于若所述正则匹配成功,则确定关键信息的抽取方式第一抽取方式;抽取方式确定第二子模块,若所述正则匹配不成功,则确定关键信息的抽取方式为第二抽取方式。
可选的,解析模块410,包括:格式变化子模块,用于将所述目标文本的格式变换为预设格式,得到格式变换结果;目标格式文件选取子模块,用于从所述格式变换结果中选取目标格式的文件作为所述解析结果。
可选的,关键信息抽取模块430包括:第一关键信息抽取子模块,用于若所述抽取方式确定为第一抽取方式,则确定关键信息区块,并从所述关键信息区块中抽取关键信息。
可选的,正则匹配模块420包括:第一正则匹配子模块,用于将所述文本标题与目录字段进行正则匹配;第二正则匹配子模块,用于将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,并得到正则匹配结果。
可选的,所述装置400,还包括:文本格式检查模块,用于在所述对目标文本进行内容解析,得到解析结果之前,接收输入文本,并检查所述输入文本的格式;目标文本划分模块,用于若所述输入文本的格式满足设定要求,则将所述输入文本划分为目标文本。
可选的,关键信息抽取模块430,包括:目标文本输入子模块,用于若所述抽取方式确定为第二抽取方式,将所述目标文本输入到语言分析模型中;第二关键信息抽取子模块,用于通过所述语言分析模型抽取所述目标文本的关键信息。
可选的,第二关键信息抽取子模块包括:分词单元,用于对所述目标文本进行分词处理,得到分词结果;分词结果输入单元,用于将所述分词结果输入到所述语言分析模型,以供所述语言分析模型对所述分词结果建立词向量矩阵;贡献度分析单元,用于根据所述词向量矩阵,得到所述分词结果中的词语对于所述目标文本的贡献度;关键信息抽取单元,用于根据所述词语的贡献度确定关键信息,并抽取所述关键信息。
可选的,所述装置400,还包括:字符数统计模块,用于在将所述目标文本输入到语言分析模型中之前,统计所述目标文本的字符数;语言分析模型版本确定模块,用于根据所述目标文本的字符数确定语言分析模型版本,其中所述语言分析模型版本包括:完整版语言模型和精简版语言模型。所述完整版语言分析模型是以对整个目标文档的分词结果为数据集训练得到的;所述精简版语言分析模型以对目标文档中预选段落的分词结果为数据集训练得到的。
可选的,关键信息抽取单元包括:词语排序子单元,用于根据所述词语的贡献度,对所述词语进行排序;关键词语抽取子单元,用于抽取排名在设定范围内的所述词语作为关键词语;和/或,语句贡献度计算子单元,用于将所述词语进行线性组合得到语句,并根据所述词语的贡献度,计算所述语句的贡献度;关键语句抽取单元,用于对所述语句进行排序,抽取排名在设定范围内的所述语句作为关键语句。
本发明实施例所提供的一种关键信息抽取装置可执行本发明任意实施例所提供的一种关键信息抽取方法,具备执行一种关键信息抽取方法相应的功能模块和有益效果。
实施例五
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
图5为实现本发明实施例中的关键信息抽取方法适用的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器510、存储器520,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为设备阵列、一组刀片式设备、或者多处理器系统)。图5中以一个处理器510为例。
存储器520即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的一种关键信息抽取方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的一种关键信息抽取方法。
存储器520作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的一种关键信息抽取方法对应的程序指令/模块(例如,附图4所示的包括解析模块410、正则匹配模块420和关键信息抽取模块430)。处理器510通过运行存储在存储器520中的非瞬时软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例中的一种关键信息抽取方法。
存储器520可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储实现一种关键信息抽取方法的电子设备的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器520可选包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至执行一种关键信息抽取方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行一种关键信息抽取方法的电子设备还可以包括:输入装置530和输出装置540。处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置530可接收输入的数字或字符信息,以及产生与执行一种关键信息抽取方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球和操纵杆等输入装置。输出装置540可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (14)
1.一种关键信息抽取方法,其特征在于,所述方法包括:
对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
2.根据权利要求1所述的方法,其特征在于,所述根据所述正则匹配结果,确定关键信息的抽取方式,包括:
建立所述正则匹配结果与所述关键信息的抽取方式的关联关系;
若所述正则匹配成功,则确定关键信息的抽取方式第一抽取方式;
若所述正则匹配不成功,则确定关键信息的抽取方式为第二抽取方式。
3.根据权利要求1所述的方法,其特征在于,所述对目标文本进行内容解析,得到解析结果,包括:
将所述目标文本的格式变换为预设格式,得到格式变换结果;
从所述格式变换结果中选取目标格式的文件作为所述解析结果。
4.根据权利要求1所述的方法,其特征在于,所述以所述抽取方式抽取关键信息包括:
若所述抽取方式确定为第一抽取方式,则确定关键信息区块,并从所述关键信息区块中抽取关键信息。
5.根据权利要求1所述的方法,其特征在于,所述将所述文本内容与设定字段进行正则匹配并得到正则匹配结果,包括:
将所述文本标题与目录字段进行正则匹配;
将位于所述目录字段之前的所述正文文本与摘要字段和关键字字段进行正则匹配,并得到正则匹配结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,在所述对目标文本进行内容解析,得到解析结果之前,还包括:
接收输入文本,并检查所述输入文本的格式;
若所述输入文本的格式满足设定要求,则将所述输入文本划分为目标文本。
7.根据权利要求1所述的方法,其特征在于,所述以所述抽取方式抽取关键信息包括:
若所述抽取方式确定为第二抽取方式,将所述目标文本输入到语言分析模型中;
通过所述语言分析模型抽取所述目标文本的关键信息。
8.根据权利要求7所述的方法,其特征在于,所述通过所述语言分析模型抽取所述目标文本的关键信息,包括:
对所述目标文本进行分词处理,得到分词结果;
将所述分词结果输入到所述语言分析模型,以供所述语言分析模型对所述分词结果建立词向量矩阵;
根据所述词向量矩阵,得到所述分词结果中的词语对于所述目标文本的贡献度;
根据所述词语的贡献度确定关键信息,并抽取所述关键信息。
9.根据权利要求7所述的方法,其特征在于,在所述将所述目标文本输入到语言分析模型中之前,还包括:
统计所述目标文本的字符数;
根据所述目标文本的字符数确定语言分析模型版本,其中所述语言分析模型版本包括:完整版语言分析模型和精简版语言分析模型。
10.根据权利要求9所述的方法,其特征在于,所述完整版语言分析模型是以对整个目标文档的分词结果为数据集训练得到的;所述精简版语言分析模型以对目标文档中预选段落的分词结果为数据集训练得到的。
11.根据权利要求8所述方法,其特征在于,所述根据所述词语的贡献度确定关键信息,并抽取所述关键信息,包括:
根据所述词语的贡献度,对所述词语进行排序;
抽取排名在设定范围内的所述词语作为关键词语;和/或,
将所述词语进行线性组合得到语句,并根据所述词语的贡献度,计算所述语句的贡献度;
对所述语句进行排序,抽取排名在设定范围内的所述语句作为关键语句。
12.一种关键信息抽取装置,其特征在于,所述装置包括:
解析模块,用于对目标文本进行内容解析,得到解析结果;其中,所述解析结果中包括:文本内容;
正则匹配模块,用于将所述文本内容与设定字段进行正则匹配并得到正则匹配结果;
关键信息抽取模块,用于根据所述正则匹配结果,确定关键信息的抽取方式,并以所述抽取方式抽取关键信息;其中,所述抽取方式包括至少两种抽取方式。
13.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一所述的一种关键信息抽取方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行要求1-11中任一所述的一种关键信息抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025712.0A CN112182141A (zh) | 2020-09-25 | 2020-09-25 | 一种关键信息抽取方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025712.0A CN112182141A (zh) | 2020-09-25 | 2020-09-25 | 一种关键信息抽取方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182141A true CN112182141A (zh) | 2021-01-05 |
Family
ID=73943976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011025712.0A Pending CN112182141A (zh) | 2020-09-25 | 2020-09-25 | 一种关键信息抽取方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182141A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926320A (zh) * | 2021-03-24 | 2021-06-08 | 山东亿云信息技术有限公司 | 一种基于主题词优化的文本关键内容智能抽取方法及系统 |
CN114861677A (zh) * | 2022-05-30 | 2022-08-05 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备以及存储介质 |
CN115546814A (zh) * | 2022-10-08 | 2022-12-30 | 招商局通商融资租赁有限公司 | 关键合同字段抽取方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078167A1 (en) * | 2009-09-28 | 2011-03-31 | Neelakantan Sundaresan | System and method for topic extraction and opinion mining |
CN109960790A (zh) * | 2017-12-25 | 2019-07-02 | 北京国双科技有限公司 | 摘要生成方法及装置 |
CN110705251A (zh) * | 2019-10-14 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的文本分析方法及装置 |
CN111062834A (zh) * | 2019-12-11 | 2020-04-24 | 深圳前海环融联易信息科技服务有限公司 | 纠纷案件实体识别方法、装置、计算机设备及存储介质 |
CN111177326A (zh) * | 2020-04-10 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于精标注文本的关键信息抽取方法、装置及存储介质 |
-
2020
- 2020-09-25 CN CN202011025712.0A patent/CN112182141A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078167A1 (en) * | 2009-09-28 | 2011-03-31 | Neelakantan Sundaresan | System and method for topic extraction and opinion mining |
CN109960790A (zh) * | 2017-12-25 | 2019-07-02 | 北京国双科技有限公司 | 摘要生成方法及装置 |
CN110705251A (zh) * | 2019-10-14 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的文本分析方法及装置 |
CN111062834A (zh) * | 2019-12-11 | 2020-04-24 | 深圳前海环融联易信息科技服务有限公司 | 纠纷案件实体识别方法、装置、计算机设备及存储介质 |
CN111177326A (zh) * | 2020-04-10 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于精标注文本的关键信息抽取方法、装置及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926320A (zh) * | 2021-03-24 | 2021-06-08 | 山东亿云信息技术有限公司 | 一种基于主题词优化的文本关键内容智能抽取方法及系统 |
CN112926320B (zh) * | 2021-03-24 | 2022-12-27 | 山东亿云信息技术有限公司 | 一种基于主题词优化的文本关键内容智能抽取方法及系统 |
CN114861677A (zh) * | 2022-05-30 | 2022-08-05 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备以及存储介质 |
CN115546814A (zh) * | 2022-10-08 | 2022-12-30 | 招商局通商融资租赁有限公司 | 关键合同字段抽取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102557681B1 (ko) | 시계열 지식그래프 생성 방법, 장치, 기기 및 매체 | |
US20210406476A1 (en) | Method, electronic device, and storage medium for extracting event from text | |
US11521603B2 (en) | Automatically generating conference minutes | |
CN112182141A (zh) | 一种关键信息抽取方法、装置、设备和可读存储介质 | |
CN110580308B (zh) | 信息审核方法及装置、电子设备、存储介质 | |
CN111709247A (zh) | 数据集处理方法、装置、电子设备和存储介质 | |
CN111611468B (zh) | 页面交互方法、装置和电子设备 | |
US20240220812A1 (en) | Method for training machine translation model, and electronic device | |
US11907671B2 (en) | Role labeling method, electronic device and storage medium | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN112541359B (zh) | 文档内容识别方法、装置、电子设备及介质 | |
CN107203504B (zh) | 字符串替换方法和装置 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN112380847B (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN111708800A (zh) | 查询方法、装置及电子设备 | |
US20210216710A1 (en) | Method and apparatus for performing word segmentation on text, device, and medium | |
CN111241302B (zh) | 职位信息图谱生成方法、装置、设备和介质 | |
EP4141697A1 (en) | Method and apparatus of processing triple data, method and apparatus of training triple data processing model, device, and medium | |
CN113657088A (zh) | 接口文档解析方法、装置、电子设备以及存储介质 | |
CN113408660A (zh) | 图书聚类方法、装置、设备和存储介质 | |
CN116152831A (zh) | 用于表意字符分析的方法和系统 | |
EP3822818A1 (en) | Method, apparatus, device and storage medium for intelligent response | |
CN111310481B (zh) | 语音翻译方法、装置、计算机设备和存储介质 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN115146070A (zh) | 键值生成方法、知识图谱生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |