CN113407610B - 信息抽取方法、装置、电子设备和可读存储介质 - Google Patents

信息抽取方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN113407610B
CN113407610B CN202110733719.6A CN202110733719A CN113407610B CN 113407610 B CN113407610 B CN 113407610B CN 202110733719 A CN202110733719 A CN 202110733719A CN 113407610 B CN113407610 B CN 113407610B
Authority
CN
China
Prior art keywords
character
extracted
text
sample
semantic feature
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.)
Active
Application number
CN202110733719.6A
Other languages
English (en)
Other versions
CN113407610A (zh
Inventor
刘涵
胡腾
陈永锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110733719.6A priority Critical patent/CN113407610B/zh
Publication of CN113407610A publication Critical patent/CN113407610A/zh
Priority to US17/577,531 priority patent/US20230005283A1/en
Priority to JP2022037612A priority patent/JP2023007376A/ja
Application granted granted Critical
Publication of CN113407610B publication Critical patent/CN113407610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/53—Processing of non-Latin text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种信息抽取方法、装置、电子设备和可读存储介质，涉及自然语言处理技术领域。其中，信息抽取方法包括：获取待抽取文本；获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；根据每个字符的预测标签，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果。本公开能够简化信息抽取的步骤，降低信息抽取的成本，提升信息抽取的灵活性与准确性。

Description

信息抽取方法、装置、电子设备和可读存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及自然语言处理技术领域。提供了一种信息抽取方法、装置、电子设备和可读存储介质。
背景技术
在日常处理文档的工作中普遍存在抽取信息的需求，比如在处理合同时，需要知道文档中的“甲方”、“乙方”、“合同金额”等信息；在处理法律判决书时，需要知道文档中的“被告人”、“起诉人”、“涉嫌罪名”等信息。
现有技术通常使用信息抽取模型来抽取信息，但信息抽取模型仅对与其训练领域相关的语料抽取效果较好，而对训练领域之外的语料，由于缺乏相应的训练数据，无法进行准确地抽取。若要提升信息抽取模型在不同领域下的抽取能力，最直观的做法是获取大量的标注数据进行训练，而大量的标注数据需要大量的人力成本，难以获取。
发明内容
根据本公开的第一方面，提供了一种信息抽取方法，包括：获取待抽取文本；获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；根据每个字符的预测标签，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果。
根据本公开的第二方面，提供了一种信息抽取装置，包括：第一获取单元，用于获取待抽取文本；第二获取单元，用于获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；处理单元，用于根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；抽取单元，用于根据每个字符的预测标签，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第四方面，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，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出，通过所获取的样本集，对待抽取文本中每个字符的预测标签进行确定，进而抽取待抽取文本中满足预设要求的字符作为待抽取文本的抽取结果，无需进行信息抽取模型的训练，简化了信息抽取的步骤，降低了信息抽取的成本，且不会限制待抽取文本所属的领域，能够从待抽取文本中抽取与任意字段名所对应的信息，极大地提升了信息抽取的灵活性与准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是用来实现本公开实施例的信息抽取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示，本实施例的信息抽取方法，具体可以包括如下步骤：
S101、获取待抽取文本；
S102、获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；
S103、根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；
S104、根据每个字符的预测标签，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果。
本实施例的信息抽取方法，通过所获取的样本集，对待抽取文本中每个字符的预测标签进行确定，进而抽取待抽取文本中满足预设要求的字符作为待抽取文本的抽取结果，无需进行信息抽取模型的训练，简化了信息抽取的步骤，降低了信息抽取的成本，且不会限制待抽取文本所属的领域，能够从待抽取文本中抽取与任意字段名所对应的信息，极大地提升了信息抽取的灵活性与准确性。
本实施例执行S101获取的待抽取文本由多个字符构成，待抽取文本所属的领域可以为任意领域。
本实施例在执行S101获取了待抽取文本之后，还可以进一步获取待抽取字段名，该待抽取字段名包含至少一个字符的文本，从待抽取文本中抽取得到的抽取结果即为待抽取文本中与待抽取字段名对应的字段值。
举例来说，若待抽取文本为“甲方：张三”，待抽取字段名为“甲方”，则本实施例需要从待抽取文本中抽取的是与“甲方”对应的字段值“张三”。
本实施例在执行S101获取待抽取文本之后，执行S102获取样本集，所获取的样本集中包含多个样本文本与多个样本文本中每个样本字符的标签。
本实施例在执行S102获取样本集时，可以获取预先构建的样本集，也可以获取实时构建的样本集。优选地，为了提升信息抽取的效率，本实施例执行S102获取的样本集是预先构建的样本集。
可以理解的是，本实施例执行S102所获取的样本集中，包含少量的样本文本，例如包含在预设数量以内的多个样本文本，该预设数量可以为一个较小的数值，例如本实施例获取的样本集中仅包含5个样本文本。
本实施例执行S102获取的样本集中，不同样本字符的标签与待抽取字段名相对应，样本字符的标签用于表示该样本字符是否为字段值的开始、是否为字段值的中间或者是否为非字段值。
本实施例执行S102获取的样本集中，每个样本字符的标签可以为B、I与O中的一种；其中，标签为B的样本字符表示该样本字符是一个字段值的开始，标签为I的样本字符表示该样本字符是一个字段值的中间，标签为O的样本字符表示该样本字符为非字段值。
举例来说，若本实施例中的样本集包含的一个样本文本为“甲方：李四”，若本实施例中的待抽取字段名为“甲方”，则该样本文本中每个样本字符的标签可以分别为“O，O，O，B，I”。
本实施例在执行S102获取样本集之后，执行S103根据待抽取文本中每个字符的语义特征向量与样本集中每个样本字符的语义特征向量，确定待抽取文本中每个字符的预测标签。
具体地，本实施例在执行S103根据待抽取文本中每个字符的语义特征向量与样本集中每个样本字符的语义特征向量，确定待抽取文本中每个字符的预测标签时，可以采用的可选实现方式为：针对待抽取文本中的每个字符，根据该字符的语义特征向量与样本集中每个样本字符的语义特征向量，计算该字符与样本集中每个样本字符之间的相似度；将与该字符具有最高相似度的样本字符的标签，作为该字符的预测标签。
也就是说，本实施例通过语义特征向量来计算待抽取文本中的字符与样本集中的样本字符之间的相似度，从而将与待抽取文本中的字符具有最高相似度的样本字符的标签，作为待抽取文本中字符的预测标签，提升了所确定的预测标签的准确性。
可选地，本实施例在执行S103计算字符与样本字符之间的相似度时，可以采用以下计算公式：
在公式中：表示第i个字符与第j个样本字符之间的相似度；Si表示第i个字符的语义特征向量；T表示转置；Vj表示第j个样本字符的语义特征向量。
本实施例在执行S103时，可以直接根据待抽取文本本身或者样本文本本身来分别生成待抽取文本中每个字符的语义特征向量或者样本文本中每个样本字符的语义特征向量。
为了提升所生成的待抽取文本中每个字符的语义特征向量的准确性，本实施例在执行S103生成待抽取文本中每个字符的语义特征向量时，可以采用的可选实现方式为：获取待抽取字段名；将待抽取文本与待抽取字段名进行拼接之后，得到拼接结果中每个字符的词向量(token embedding)、句对向量(segment embedding)与位置向量(positionembedding)，例如将拼接结果输入ERNIE模型，得到由ERNIE模型针对每个字符输出的三种向量；根据每个字符的词向量、句对向量与位置向量，生成待抽取文本中每个字符的语义特征向量，例如将每个字符的词向量、句对向量与位置向量进行相加之后输入ERNIE模型，将ERNIE模型的输出结果作为每个字符的语义特征向量。
为了提升所生成的样本文本中每个样本字符的语义特征向量的准确性，本实施例在执行S103生成样本集中每个样本字符的语义特征向量时，可以采用的可选实现方式为：获取待抽取字段名；针对样本集中的每个样本文本，将该样本文本与待抽取字段名进行拼接之后，得到拼接结果中每个样本字符的词向量、句对向量与位置向量；根据每个样本字符的词向量、句对向量与位置向量，生成该样本文本中每个样本字符的语义特征向量。其中，本实施例在得到样本文本中每个样本字符的三种向量与语义特征向量时的方法，与得到待抽取文本中每个字符的三种向量与语义特征向量时的方法类似。
其中，本实施例在执行S103将待抽取文本与待抽取字段名进行拼接，或者将样本文本与待抽取字段名进行拼接时，可以按照预设的拼接规则进行拼接。优选地，本实施例的拼接规则为“[CLS]待抽取字段名[SEP]待抽取文本或者样本文本[SEP]”，其中的[CLS]与[SEP]为特殊字符。
举例来说，若本实施例中的待抽取字段名为“甲方”，样本文本为“甲方：李四”，待抽取文本为“甲方：张三”，则所获取的拼接结果可以为“[CLS]甲方[SEP]甲方：李四[SEP]”与“[CLS]甲方[SEP]甲方：李四[SEP]”。
本实施例在执行S103确定待抽取文本中每个字符的预测标签之后，执行S104根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符，作为待抽取文本的抽取结果。其中，本实施例中的预设要求可以为预设标签要求与预设标签序列要求中的一种，与待抽取字段名相对应。
本实施例在执行S104根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符作为待抽取文本的抽取结果时，可以按照字符的顺序，依次确定待抽取文本中满足预设标签要求的字符，进而提取所确定的字符来组成抽取结果。
另外，本实施例在执行S104根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符作为待抽取文本的抽取结果时，可以采用的可选实现方式为：根据每个字符的预测标签，生成待抽取文本的预测标签序列；确定所生成的预测标签序列中满足预设标签序列要求的标签序列；从待抽取文本中提取与所确定的标签序列对应的多个字符，作为抽取结果。
举例来说，若本实施例中的待抽取字段名为“甲方”，待抽取文本为“甲方：张三”，所生成的预测标签序列为“OOOBI”，与待抽取字段名“甲方”对应的标签序列要求为“BI”，则从待抽取文本中提取与所确定的标签序列“BI”对应的“张三”作为抽取结果。
也就是说，本实施例通过生成预测标签序列的方式，能够快速地确定待抽取文本中与待抽取字段名所对应的字段值，进而抽取所确定的字段值来作为抽取结果，进一步提升了信息抽取的效率。
图2是根据本公开第二实施例的示意图。如图3所示，本实施例示出了信息抽取的流程图：在获取待抽取文本、待抽取字段名与样本集之后，根据待抽取字段名来进行特征提取，分别得到待抽取文本中每个字符的语义特征向量与样本集中每个样本字符的语义特征向量；根据所得到的语义特征向量进行相似度计算，从而确定待抽取文本中每个字符的预测标签；根据每个字符的预测标签进行输出解码，进而将解码结果作为待抽取文本的抽取结果。
图3是根据本公开第三实施例的示意图。如图3所示，本实施例的信息抽取装置300，可以包括：
第一获取单元301、用于获取待抽取文本；
第二获取单元302、用于获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；
处理单元303、用于根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；
抽取单元304、用于根据每个字符的预测标签，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果。
第一获取单元301获取的待抽取文本由多个字符构成，待抽取文本所属的领域可以为任意领域。
第一获取单元301在获取了待抽取文本之后，还可以进一步获取待抽取字段名，该待抽取字段名包含至少一个字符的文本，从待抽取文本中抽取得到的抽取结果即为待抽取文本中与待抽取字段名对应的字段值。
本实施例在由第一获取单元301获取待抽取文本之后，由第二获取单元302获取样本集，所获取的样本集中包含多个样本文本与多个样本文本中每个样本字符的标签。
第二获取单元302在获取样本集时，可以获取预先构建的样本集，也可以获取实时构建的样本集。优选地，为了提升信息抽取的效率，第二获取单元302获取的样本集是预先构建的样本集。
第二获取单元302所获取的样本集中，包含少量的样本文本，例如包含在预设数量以内的多个样本文本，该预设数量可以为一个较小的数值，例如第二获取单元302获取的样本集中仅包含5个样本文本。
第二获取单元302获取的样本集中，不同样本字符的标签与待抽取字段名相对应，样本字符的标签用于表示该样本字符是否为字段值的开始、是否为字段值的中间或者是否为非字段值。
第二获取单元302获取的样本集中，每个样本字符的标签可以为B、I与O中的一种；其中，标签为B的样本字符表示该样本字符是一个字段值的开始，标签为I的样本字符表示该样本字符是一个字段值的中间，标签为O的样本字符表示该样本字符为非字段值。
本实施例在由第二获取单元302获取样本集之后，由处理单元303根据待抽取文本中每个字符的语义特征向量与样本集中每个样本字符的语义特征向量，确定待抽取文本中每个字符的预测标签。
具体地，处理单元303在根据待抽取文本中每个字符的语义特征向量与样本集中每个样本字符的语义特征向量，确定待抽取文本中每个字符的预测标签时，可以采用的可选实现方式为：针对待抽取文本中的每个字符，根据该字符的语义特征向量与样本集中每个样本字符的语义特征向量，计算该字符与样本集中每个样本字符之间的相似度；将与该字符具有最高相似度的样本字符的标签，作为该字符的预测标签。
也就是说，本实施例通过语义特征向量来计算待抽取文本中的字符与样本集中的样本字符之间的相似度，从而将与待抽取文本中的字符具有最高相似度的样本字符的标签，作为待抽取文本中字符的预测标签，提升了所确定的预测标签的准确性。
处理单元303可以直接根据待抽取文本本身或者样本文本本身来分别生成待抽取文本中每个字符的语义特征向量或者样本文本中每个样本字符的语义特征向量。
为了提升所生成的待抽取文本中每个字符的语义特征向量的准确性，处理单元303在生成待抽取文本中每个字符的语义特征向量时，可以采用的可选实现方式为：获取待抽取字段名；将待抽取文本与待抽取字段名进行拼接之后，得到拼接结果中每个字符的词向量、句对向量与位置向量；根据每个字符的词向量、句对向量与位置向量，生成待抽取文本中每个字符的语义特征向量。
为了提升所生成的样本文本中每个样本字符的语义特征向量的准确性，处理单元303在生成样本集中每个样本字符的语义特征向量时，可以采用的可选实现方式为：获取待抽取字段名；针对样本集中的每个样本文本，将该样本文本与待抽取字段名进行拼接之后，得到拼接结果中每个样本字符的词向量、句对向量与位置向量；根据每个样本字符的词向量、句对向量与位置向量，生成该样本文本中每个样本字符的语义特征向量。其中，处理单元303在得到样本文本中每个样本字符的三种向量与语义特征向量时的方法，与得到待抽取文本中每个字符的三种向量与语义特征向量时的方法类似。
其中，处理单元303在将待抽取文本与待抽取字段名进行拼接，或者将样本文本与待抽取字段名进行拼接时，可以按照预设的拼接规则进行拼接。优选地，处理单元303中的拼接规则为“[CLS]待抽取字段名[SEP]待抽取文本或者样本文本[SEP]”，其中的[CLS]与[SEP]为特殊字符。
本实施例在由处理单元303确定待抽取文本中每个字符的预测标签之后，由抽取单元304根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符，作为待抽取文本的抽取结果。其中，抽取单元304中的预设要求可以为预设标签要求与预设标签序列要求中的一种，与待抽取字段名相对应。
抽取单元304在根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符作为待抽取文本的抽取结果时，可以按照字符的顺序，依次确定待抽取文本中满足预设标签要求的字符，进而提取所确定的字符来组成抽取结果。
另外，抽取单元304在根据每个字符的预测标签，从待抽取文本中抽取满足预设要求的字符作为待抽取文本的抽取结果时，可以采用的可选实现方式为：根据每个字符的预测标签，生成待抽取文本的预测标签序列；确定所生成的预测标签序列中满足预设标签序列要求的标签序列；从待抽取文本中提取与所确定的标签序列对应的多个字符，作为抽取结果。
也就是说，本实施例通过生成预测标签序列的方式，能够快速地确定待抽取文本中与待抽取字段名所对应的字段值，进而抽取所确定的字段值来作为抽取结果，进一步提升了信息抽取的效率。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图4所示，是根据本公开实施例的信息抽取方法的电子设备的框图。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/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如信息抽取方法。例如，在一些实施例中，信息抽取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。
在一些实施例中，计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的信息抽取方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息抽取方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)和互联网。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种信息抽取方法，包括：
获取待抽取文本；
获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；
根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；
根据每个字符的预测标签与待抽取字段名，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果，所述预设要求为与所述待抽取字段名对应的预设标签序列要求；
所述根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签包括：
针对所述待抽取文本中的每个字符，根据该字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，计算该字符与所述样本集中每个样本字符之间的相似度；
将与该字符具有最高相似度的样本字符的标签，作为该字符的预测标签。
2.根据权利要求1所述的方法，其中，所述获取样本集包括：获取预先构建的样本集。
3.根据权利要求1所述的方法，其中，生成所述待抽取文本中每个字符的语义特征向量包括：
获取待抽取字段名；
将所述待抽取文本与所述待抽取字段名进行拼接之后，得到拼接结果中每个字符的词向量、句对向量与位置向量；
根据每个字符的词向量、句对向量与位置向量，生成所述待抽取文本中每个字符的语义特征向量。
4.根据权利要求1所述的方法，其中，生成所述样本集中每个样本字符的语义特征向量包括：
获取待抽取字段名；
针对所述样本集中的每个样本文本，将该样本文本与所述待抽取字段名进行拼接之后，得到拼接结果中每个样本字符的词向量、句对向量与位置向量；
根据每个样本字符的词向量、句对向量与位置向量，生成该样本文本中每个样本字符的语义特征向量。
5.根据权利要求1所述的方法，其中，所述根据每个字符的预测标签与待抽取字段名，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果包括：
根据每个字符的预测标签，生成所述待抽取文本的预测标签序列；
根据所述待抽取字段名获取预设标签序列要求，确定所述预测标签序列中满足所述预设标签序列要求的标签序列；
从所述待抽取文本中提取与所确定的标签序列对应的多个字符，作为所述待抽取文本的抽取结果。
6.一种信息抽取装置，包括：
第一获取单元，用于获取待抽取文本；
第二获取单元，用于获取样本集，所述样本集中包含多个样本文本与多个样本文本中每个样本字符的标签；
处理单元，用于根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签；
抽取单元，用于根据每个字符的预测标签与待抽取字段名，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果，所述预设要求为与所述待抽取字段名对应的预设标签序列要求；
所述处理单元在根据所述待抽取文本中每个字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，确定所述待抽取文本中每个字符的预测标签时，具体执行：
针对所述待抽取文本中的每个字符，根据该字符的语义特征向量与所述样本集中每个样本字符的语义特征向量，计算该字符与所述样本集中每个样本字符之间的相似度；
将与该字符具有最高相似度的样本字符的标签，作为该字符的预测标签。
7.根据权利要求6所述的装置，其中，所述第二获取单元在获取样本集时，具体执行：获取预先构建的样本集。
8.根据权利要求6所述的装置，其中，所述处理单元在生成所述待抽取文本中每个字符的语义特征向量时，具体执行：
获取待抽取字段名；
将所述待抽取文本与所述待抽取字段名进行拼接之后，得到拼接结果中每个字符的词向量、句对向量与位置向量；
根据每个字符的词向量、句对向量与位置向量，生成所述待抽取文本中每个字符的语义特征向量。
9.根据权利要求6所述的装置，其中，所述处理单元在生成所述样本集中每个样本字符的语义特征向量时，具体执行：
获取待抽取字段名；
针对所述样本集中的每个样本文本，将该样本文本与所述待抽取字段名进行拼接之后，得到拼接结果中每个样本字符的词向量、句对向量与位置向量；
根据每个样本字符的词向量、句对向量与位置向量，生成该样本文本中每个样本字符的语义特征向量。
10.根据权利要求6所述的装置，其中，所述抽取单元在根据每个字符的预测标签与待抽取字段名，从所述待抽取文本中抽取满足预设要求的字符，作为所述待抽取文本的抽取结果时，具体执行：
根据每个字符的预测标签，生成所述待抽取文本的预测标签序列；
根据所述待抽取字段名获取预设标签序列要求，确定所述预测标签序列中满足所述预设标签序列要求的标签序列；
从所述待抽取文本中提取与所确定的标签序列对应的多个字符，作为所述待抽取文本的抽取结果。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202110733719.6A 2021-06-30 2021-06-30 信息抽取方法、装置、电子设备和可读存储介质 Active CN113407610B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110733719.6A CN113407610B (zh) 2021-06-30 2021-06-30 信息抽取方法、装置、电子设备和可读存储介质
US17/577,531 US20230005283A1 (en) 2021-06-30 2022-01-18 Information extraction method and apparatus, electronic device and readable storage medium
JP2022037612A JP2023007376A (ja) 2021-06-30 2022-03-10 情報抽出方法、装置、電子デバイス及び可読記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110733719.6A CN113407610B (zh) 2021-06-30 2021-06-30 信息抽取方法、装置、电子设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN113407610A CN113407610A (zh) 2021-09-17
CN113407610B true CN113407610B (zh) 2023-10-24

Family

ID=77680489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110733719.6A Active CN113407610B (zh) 2021-06-30 2021-06-30 信息抽取方法、装置、电子设备和可读存储介质

Country Status (3)

Country Link
US (1) US20230005283A1 (zh)
JP (1) JP2023007376A (zh)
CN (1) CN113407610B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114490998B (zh) * 2021-12-28 2022-11-08 北京百度网讯科技有限公司 文本信息的抽取方法、装置、电子设备和存储介质
CN116561764A (zh) * 2023-05-11 2023-08-08 上海麓霏信息技术服务有限公司 计算机信息数据交互处理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003242167A (ja) * 2002-02-19 2003-08-29 Nippon Telegr & Teleph Corp <Ntt> 構造化文書の変換ルール作成方法および装置と変換ルール作成プログラムおよび該プログラムを記録したコンピュータ読取り可能な記録媒体
CN109947917A (zh) * 2019-03-07 2019-06-28 北京九狐时代智能科技有限公司 语句相似度确定方法、装置、电子设备及可读存储介质
CN110598213A (zh) * 2019-09-06 2019-12-20 腾讯科技（深圳）有限公司 一种关键词提取方法、装置、设备及存储介质
CN112100438A (zh) * 2020-09-21 2020-12-18 腾讯科技（深圳）有限公司 一种标签抽取方法、设备及计算机可读存储介质
CN112164391A (zh) * 2020-10-16 2021-01-01 腾讯科技（深圳）有限公司 语句处理方法、装置、电子设备及存储介质
CN112560479A (zh) * 2020-12-24 2021-03-26 北京百度网讯科技有限公司 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
CN112711666A (zh) * 2021-03-26 2021-04-27 武汉优品楚鼎科技有限公司 期货标签抽取方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5742506B2 (ja) * 2011-06-27 2015-07-01 日本電気株式会社 文書類似度算出装置
US10388270B2 (en) * 2014-11-05 2019-08-20 At&T Intellectual Property I, L.P. System and method for text normalization using atomic tokens
JP6665050B2 (ja) * 2016-07-21 2020-03-13 日本電信電話株式会社 項目値抽出モデル学習装置、項目値抽出装置、方法、及びプログラム
CN109145299B (zh) * 2018-08-16 2022-06-21 北京金山安全软件有限公司 一种文本相似度确定方法、装置、设备及存储介质
CN109145219B (zh) * 2018-09-10 2020-12-25 百度在线网络技术（北京）有限公司 基于互联网文本挖掘的兴趣点有效性判断方法和装置
CN111259671B (zh) * 2020-01-15 2023-10-31 北京百度网讯科技有限公司 文本实体的语义描述处理方法、装置及设备
CN111967268B (zh) * 2020-06-30 2024-03-19 北京百度网讯科技有限公司 文本中的事件抽取方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003242167A (ja) * 2002-02-19 2003-08-29 Nippon Telegr & Teleph Corp <Ntt> 構造化文書の変換ルール作成方法および装置と変換ルール作成プログラムおよび該プログラムを記録したコンピュータ読取り可能な記録媒体
CN109947917A (zh) * 2019-03-07 2019-06-28 北京九狐时代智能科技有限公司 语句相似度确定方法、装置、电子设备及可读存储介质
CN110598213A (zh) * 2019-09-06 2019-12-20 腾讯科技（深圳）有限公司 一种关键词提取方法、装置、设备及存储介质
CN112100438A (zh) * 2020-09-21 2020-12-18 腾讯科技（深圳）有限公司 一种标签抽取方法、设备及计算机可读存储介质
CN112164391A (zh) * 2020-10-16 2021-01-01 腾讯科技（深圳）有限公司 语句处理方法、装置、电子设备及存储介质
CN112560479A (zh) * 2020-12-24 2021-03-26 北京百度网讯科技有限公司 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
CN112711666A (zh) * 2021-03-26 2021-04-27 武汉优品楚鼎科技有限公司 期货标签抽取方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于标签传播和主动学习的人物社会关系抽取;刘锦文;许静;张利萍;芮伟康;;《计算机工程》(第02期);240-246 *
基于词项聚类的文本语义标签抽取研究;李雄;丁治明;苏醒;郭黎敏;;《计算机科学》(第S2期);427-431+448 *

Also Published As

Publication number Publication date
JP2023007376A (ja) 2023-01-18
US20230005283A1 (en) 2023-01-05
CN113407610A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN112579727B (zh) 文档内容的提取方法、装置、电子设备及存储介质
JP2023529939A (ja) マルチモーダルｐｏｉ特徴の抽出方法及び装置
CN113407610B (zh) 信息抽取方法、装置、电子设备和可读存储介质
CN114841274B (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN113836314B (zh) 知识图谱构建方法、装置、设备以及存储介质
CN113836925A (zh) 预训练语言模型的训练方法、装置、电子设备及存储介质
CN112506359A (zh) 输入法中候选长句的提供方法、装置及电子设备
CN113806522A (zh) 摘要生成方法、装置、设备以及存储介质
CN113408280A (zh) 负例构造方法、装置、设备和存储介质
CN113204616B (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN116049370A (zh) 信息查询方法和信息生成模型的训练方法、装置
CN113807091B (zh) 词语挖掘方法、装置、电子设备和可读存储介质
CN115510860A (zh) 一种文本情感分析方法、装置、电子设备及存储介质
CN113051926B (zh) 文本抽取方法、设备和存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114549904A (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN112560437A (zh) 文本通顺度的确定方法、目标模型的训练方法及装置
CN116069914B (zh) 训练数据的生成方法、模型训练方法以及装置
CN115965018B (zh) 信息生成模型的训练方法、信息生成方法和装置
CN114896993B (zh) 翻译模型的生成方法、装置、电子设备及存储介质
CN113032540B (zh) 人机交互方法、装置、设备和存储介质
CN114491040B (zh) 信息挖掘方法及装置
CN112507712B (zh) 建立槽位识别模型与槽位识别的方法、装置
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN114282546A (zh) 文本纠错方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant