CN113407890B - 信息提取方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种信息提取方法、装置、电子设备和介质，涉及计算机技术领域，尤其涉及数据挖掘技术、云计算及云服务技术领域。具体实现方案为：确定目标站点待提取的目标文献属性；根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到。本公开实现了减少信息提取所需的人力成本，以及提高了信息提取效率的效果。

Description

信息提取方法、装置、电子设备和介质

技术领域

本公开涉及计算机技术领域，尤其涉及数据挖掘技术、云计算及云服务技术领域，特别涉及一种信息提取方法、装置、电子设备和介质。

背景技术

随着网络技术的发展，互联网中存在着大量的网页信息，如何从大量的网页信息中，取得有用的信息，成为网页信息获取的关键问题。

目前对于网页信息的提取，通常是基于人工设置信息提取模板的方式实现的。

发明内容

本公开提供了一种用于提取目标站点中包括的文献信息的方法、装置、电子设备和介质。

根据本公开的一方面，提供了一种信息提取方法，包括：

确定目标站点待提取的目标文献属性；

根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到。

根据本公开的另一方面，提供了一种信息提取装置，包括：

目标文献属性确定模块，用于确定目标站点待提取的目标文献属性；

信息提取模块，用于根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到。

根据本公开的另一方面，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本公开中任一项所述的方法。

根据本公开的另一方面，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本公开中任一项所述的方法。

根据本公开的另一方面，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根据本公开中任一项所述的方法。

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是根据本公开实施例公开的一种信息提取方法的流程图；

图2是根据本公开实施例公开的一种信息提取方法的流程图；

图3是根据本公开实施例公开的一种信息提取方法的流程图；

图4是根据本公开实施例公开的一种信息提取装置的结构示意图；

图5是用来实现本公开实施例公开的信息提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结构的描述。

学术搜索引擎是一种根据用户输入的关键词为用户提供相关学术类信息的搜索引擎，通常情况下学术搜索引擎的构建是通过从海量学术类站点中提取文献各属性的属性值，形成统一格式的结构化数据，进而根据这些结构化数据建立学术搜索引擎，以支撑学术的复杂高级检索。其中，学术类站点是指数据源不固定、包含多种语言类型、包含不同数据内容以及包含不同文献类型的非结构化的文献类站点，这类站点中的文献属性出现的位置不固定，且文献属性值不可预期。

随着学术界的不断发展，学术类站点在数量快速增大的同时，也为解析统一的结构化数据带来困难。主要体现在：1、站点量级大，整体站点量级能够达到五万以上。2、不同学术类站点结构不固定，甚至同一站点内的网页结构也存在不定期的升级更新。3、不同学术类站点的语言类型存在差异。4、统一结构化数据中涉及的文献属性较多，能达到五十种以上的文献属性。

目前对于学术类站点的文献信息提取，通常做法为：人为的针对不同的学术类站点进行文献属性解析的规则配置，建立文献属性到xpath路径的json化配置，而且需要在站点的网页发生变化时及时进行规则的变更，以此确保站点解析的召回率和准确率。

但是这种方法的缺点在于当站点数量剧增时，相应会使得人力成本也会剧增，同样还会导致信息提取效率的降低。针对上述缺点，业界还会使用通用解析规则的方式进行信息提取，即预先通过人工标注和数据训练配置一套通用的解析规则去适配海量学术类站点，然而这种方法虽然节省了一些人力成本，但是其整体的信息提取准确率难以保障，导致没有大范围的普及。

因此如何高效的提取学术类站点中的文献信息，成为了一个亟需解决的问题。

图1是根据本公开实施例公开的一种信息提取方法的流程图，本实施例可以适用于提取目标站点中包括的文献信息的情况。本实施例方法可以由本公开实施例公开的信息提取装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。

如图1所示，本实施例公开的信息提取方法可以包括：

S101、确定目标站点待提取的目标文献属性。

其中，目标站点指的是包含有文献信息的站点，其可以是学术类的专业站点，例如专利搜索网站、论文数据库、电子图书馆和电子学术杂志网站等；还可以是包含有文献信息的综合性站点，例如综合性信息检索网站等，本实施例并不对目标站点的具体形式进行任何限定。目标文献属性指的是目标站点中待提取文献信息所属的文献属性，例如目标文献属性可以是摘要、作者、机构和期刊等等。

在一种实施方式中，根据用户发送的信息提取指令中包含的站点标识，从候选站点中确定与该站点标识匹配的目标站点，其中站点标识可以是站点的特有信息，例如站点的URL(统一资源定位器，Uniform Resource Locator)地址、站点的IP(Internet ProtocolAddress，互联网协议地址)地址或站点的TCP(Transmission Control Protocol，传输控制协议)信息等；还可以是人为分配的标识信息，例如命名或编号等，本实施例并不对站点标识的具体形式进行限定，凡是能够起到身份区别作用的标识信息均在本实施例的保护范围中。确定目标站点后，根据信息提取指令中包含的文献属性标识，从目标站点对应的候选文献属性中确定与该文献属性标识匹配的目标文献属性，其中，可以直接将文献属性名称作为文献属性标识，还可以将人为设定的编号作为文献属性标识等。目标文献属性的数量可以为一个，也可以为多个，上限为目标站点的候选文献属性的数量，此时即将所有候选文献属性均作为目标文献属性，具体的目标文献属性的数量根据用户的实际需求确定。

在另一种实施方式中，根据用户发送的信息提取指令中包含的站点标识，从候选站点中确定与该站点标识匹配的目标站点，并直接将目标站点对应的所有候选文献属性作为目标文献属性，以提高信息提取的多样性，且减少了中间步骤，提高了信息提取效率。

通过确定目标站点待提取的目标文献属性，为后续对目标站点进行信息提取奠定了数据基础。

可选的，目标文献属性包括摘要、作者、机构、年份、期刊、刊号、关键词或文献标识中的至少一种。

其中，摘要指的是文献的内容提要；作者即撰写文献的人员名称；机构是指作者所属的单位名称；年份是指文献发布的年份；期刊是指发布文献的刊物名称；刊号是指文献发布时的出版物编号；关键词是指根据文献内容提取出来的关键词；文献标识即文献doi，是一种数字对象唯一标识，用于区分不同的文献。

通过将摘要、作者、机构、年份、期刊、刊号、关键词或文献标识中的至少一种设置为目标文献属性，扩展了目标文献属性的多样性，满足了用户对于不同目标文献属性的文献信息的提取需求，改善了用户体验。

S102、根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到。

其中，位置信息表示文献属性在目标站点页面源码中的位置，即html位置，在本实施例中，目标站点中不同文献属性对应不同的位置信息，即根据任一文献属性的位置信息就可以在目标站点中提取该文献属性对应的文献信息。例如，目标文献属性“摘要”在目标站点中的目标位置信息为A，则在位置A中就可以提取“摘要”对应的摘要信息；又例如，目标文献属性“作者”在目标站点中的目标位置信息为B，则在位置B中就可以提取“作者”对应的作者信息。

在一种实施方式中，从预设数量的权威学术类大站中获取预设数量的候选文献，其中权威学术类大站和候选文献分别对应的预设数量可根据实际业务需求设定，可以理解的是，两个预设数量越大会使得候选文献种类越丰富，进一步使得最终的信息提取准确度越高。得到候选文献后，基于预设的解析方法，例如人工配置解析的方法对候选文献进行解析，确定候选文献包括的各文献属性的属性值，并对解析得到的各文献属性的属性值进行格式处理，形成统一的结构化数据，以便后续调取使用。

基于爬虫技术对目标站点的页面标题进行爬取，获取目标站点包括的页面标题，可选的，页面标题可以是目标站点各页面中Meta标签下或者Head标签下的title字段。将获取的目标站点的页面标题，与预先得到的候选文献属性中的文献标题进行匹配，根据匹配结果确定匹配成功的目标页面标题以及目标文献标题。进而根据目标文献标题从对应的候选文献中确定目标文献属性所对应的目标属性值，例如假设目标文献标题为AABBCC，目标文献属性为“年份”，则将文献标题“AABBCC”所对应的候选文献的“年份”信息，作为目标属性值。

将获取的目标属性值，在目标页面标题关联的页面源码中进行字符匹配，确定与目标属性值匹配的源码字段，并将该源码字段对应的位置信息，作为目标文献属性在目标站点中的目标位置信息。例如，假设目标文献属性为“作者”，对应的目标属性值为“张三”，则将“张三”在目标页面标题关联的页面源码中进行字符匹配，若匹配到页面源码中“张三”的位置信息为A，则将位置A作为目标文献属性“作者”在目标站点中的目标位置信息。

当目标站点中的文献数据进行更新后，可以直接根据目标文献属性在目标站点中的目标位置信息，提取目标文献属性对应的文献信息。例如，假设目标文献属性“作者”在目标站点中的目标位置信息为A，则直接从目标站点页面源码的位置A处提取目标文献属性“作者”对应的作者信息；又例如，假设目标文献属性“摘要”在目标站点中的目标位置信息为B，则直接从目标站点页面源码的位置B处提取目标文献属性“摘要”对应的摘要信息。

本公开通过确定目标站点待提取的目标文献属性，并根据目标文献属性在目标站点中的目标位置信息，对目标站点进行信息提取；其中，目标位置信息根据目标站点的页面标题和候选文献的文献标题得到，由于根据目标站点的页面标题和候选文献的文献标题，就可以确定目标文献属性的目标位置信息，因此无需人工对目标站点进行解析规则配置，从而实现了减少信息提取所需的人力成本，以及提高了信息提取效率的效果。

图2是根据本公开实施例公开的一种信息提取方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。

如图2所示，本实施例公开的信息提取方法可以包括：

S201、确定目标站点待提取的目标文献属性。

S202、获取所述目标站点包括的候选页面标题，并将候选文献的文献标题与所述候选页面标题进行匹配，并根据匹配结果确定目标文献标题。

在一种实施方式中，爬取目标站点中包括的候选页面标题，并将候选文献的文献标题与候选页面标题进行匹配，从而确定相互匹配的目标页面标题以及目标文献标题。

可选的，S202中“将候选文献的文献标题与所述候选页面标题进行匹配”，包括以下A和B两种情况：

A、在候选文献的文献标题为中文标题的情况下，基于模糊匹配算法将所述文献标题与所述候选页面标题进行匹配。

其中，模糊匹配算法是一种实现文本之间进行模糊匹配的匹配算法，例如K-medoids聚类法、Levenshtein编辑距离法或字符相似度法等等。

在一种实施方式中，在候选文献的文献标题为中文标题的情况下，将中文标题以及候选页面标题均进行分词处理，并基于模糊匹配算法将分词后的文献标题与页面标题进行匹配。

B、在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将所述文献标题与所述候选页面标题进行匹配。

其中，字符匹配算法是一种文本间进行字符完全匹配的匹配算法，即只有包含的字符相同的两个文本才能够匹配成功。

在一种实施方式中，在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将英文标题与候选页面标题进行匹配。

由于在不同的站点中，同一篇文献的中文标题可能存在不同的中文表述形式，因此通过在候选文献的文献标题为中文标题的情况下，基于模糊匹配算法将文献标题与候选页面标题进行匹配，可以减少中文标题不规范导致匹配成功率较低的问题；而由于通常情况下，不同站点中的英文标题行文较为规范，因此通过在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将文献标题与候选页面标题进行匹配，可以提高匹配的速度以及效率。

S203、从候选文献中确定所述目标文献标题对应的目标文献，并根据所述目标文献中所述目标文献属性的目标属性值，确定所述目标文献属性在所述目标站点中的目标位置信息。

在一种实施方式中，根据匹配结果确定相互匹配的目标页面标题以及目标文献标题，并从候选文献中确定目标文献标题对应的目标文献，以及目标文献中目标文献属性的目标属性值，并将目标属性值在目标页面标题关联的页面源码中进行字符匹配，确定与目标属性值匹配的源码字段，并将该源码字段对应的位置信息，作为目标文献属性在目标站点中的目标位置信息。

S204、根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取。

在一种实施方式中，对目标站点进行信息提取后，还可以对提取信息进行清洗以及格式的统一转换输出，生成结构化数据，以便后续对提取信息的复用，例如构建学术搜索引擎等。并且，还可以一定周期的对提取信息进行抽样，并对抽样信息进行评估，以保证信息提取的可靠性和准确性，当提取信息出现准确性和可靠性较低时，可以及时进行信息提取的修正。

由于通常情况下，站点中的文献标题会处于页面标题中，因此本公开通过获取目标站点包括的候选页面标题，并将候选文献的文献标题与候选页面标题进行匹配，并根据匹配结果确定目标文献标题，进而从候选文献中确定目标文献标题对应的目标文献，并根据目标文献中目标文献属性的目标属性值，确定目标文献属性在目标站点中的目标位置信息，从而将候选页面标题与候选文献的文献标题作为了锚点，确定与目标页面标题匹配的目标文献标题，为后续确定并根据目标文献属性的目标属性值，确定目标位置信息起到了铺垫作用，保证方法的顺利进行。

图3是根据本公开实施例公开的一种信息提取方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。

如图3所示，本实施例公开的信息提取方法可以包括：

S301、确定目标站点待提取的目标文献属性。

S302、获取所述目标站点包括的候选页面标题，并将候选文献的文献标题与所述候选页面标题进行匹配，并根据匹配结果确定目标文献标题。

S303、获取与所述目标文献标题匹配的至少一个目标页面标题，并确定各所述目标页面标题分别关联的页面源码。

其中，站点中的各页面标题分别对应有页面正文内容，也即各页面标题分别关联有特定的页面源码，即页面html。

在一种实施方式中，根据S302中的匹配结果，能够确定目标文献标题以及与目标文献标题匹配的至少一个目标页面标题，进而根据预先确定的页面标题与页面源码的关联关系，确定各目标页面标题分别关联的页面源码。

S304、从候选文献中确定所述目标文献标题对应的目标文献，并将所述目标文献中所述目标文献属性的目标属性值，在各所述页面源码中进行匹配，确定与所述目标属性值匹配的至少一个源码字段。

示例性的，假设目标文献标题为“AABBCC”，目标文献属性为“年份”，则将文献标题为“AABBCC”的文献作为目标文献，假设目标文献中“年份”的年份信息为“2008”，则将“2008”作为匹配字符，在各目标页面标题分别关联的页面源码种进行字符匹配，若任一页面源码中有“2008”的源码字段，则将该“2008”的源码字段作为匹配成功的源码字段。

S305、根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，作为所述目标位置信息。

其中，各源码字段在其所属页面中都对应有唯一的页面节点，即根据任一源码字段可以确定其对应的唯一页面节点。

在一种实施方式中，根据源码字段与页面节点之间的关联关系，确定与目标属性值匹配的至少一个源码字段，在各所属的页面中分别对应的当前页面节点。例如，若源码字段“2008”在其所属的页面中对应的页面节点为页面节点A，则将页面节点A作为源码字段“2008”对应的当前页面节点。

进而从确定的各当前页面节点中，确定目标文献属性在目标站点中的至少一个目标页面节点，作为目标文献属性在目标站点中的目标位置信息。

可选的，S305包括：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量至少为两个，则根据所述当前页面节点以及所述当前页面节点的至少一级父节点，确定该源码字段对应的组合页面节点；若所述组合页面节点在该源码字段所属页面中的数量为一个，则将所述组合页面节点作为所述目标页面节点。

其中，站点中的各页面可以重复调用某个页面节点，从而使得某一页面中可能出现多个相同节点的情况。

在一种实施方式中，确定任一源码字段对应的当前页面节点，在该源码字段所属页面中的数量，若数量至少为两个，即当前页面节点在该页面中不唯一，则将当前页面节点以及其父节点，作为组合页面节点，并确定组合页面节点在该源码字段所属页面中的数量。若组合页面节点的数量至少为两个，则再继续将当前页面节点、其父节点和父节点的父节点作为组合页面节点，并继续确定组合页面节点在该源码字段所属页面中的数量，直至出现组合页面节点在页面中的数量为一时停止，并把此时的组合页面节点作为目标页面节点，并作为目标位置信息。

示例性的，假设任一源码字段对应的当前页面节点为节点1，节点1的父节点为节点2，节点2的父节点为节点3，当前页面节点所属的页面为页面N，则确定节点1在页面N中的数量，若数量至少为两个，则确定“节点1+节点2”在页面N中的数量，若数量至少为两个，则确定“节点1+节点2+节点3”的数量，若数量为一个，则将“节点1+节点2+节点3”的组合页面节点作为目标节点，并作为目标位置信息。

通过若任一所述源码字段对应的所述当前页面节点，在该源码字段页面中的数量至少为两个，则根据所述当前页面节点以及所述当前页面节点的至少一级父节点，确定该源码字段对应的组合页面节点，若所述组合页面节点在该源码字段页面中的数量为一个，则将所述组合页面节点作为所述目标页面节点，保证了各目标页面节点在源码字段所属页面中的唯一性，即保证得到的目标位置信息在源码字段所属页面中的唯一性，避免后续根据目标位置信息提取出多种不同信息的问题。

可选的，S305包括：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量为一个，则将该源码字段对应的所述当前页面节点作为所述目标页面节点。

在一种实施方式中，确定任一源码字段对应的当前页面节点，在该源码字段所属页面中的数量，若数量为一个，则直接将该当前页面节点作为目标页面节点，并作为目标位置信息。

示例性的，假设任一源码字段对应的当前页面节点为节点1，当前页面节点所属的页面为页面N，则确定节点1在页面N中的数量，若数量为一个，则将节点1作为目标节点，并作为目标位置信息。

通过若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量为一个，则将该源码字段对应的所述当前页面节点作为所述目标页面节点，保证了各目标页面节点在源码字段所属页面中的唯一性，即保证得到的目标位置信息在源码字段所属页面中的唯一性，避免后续根据目标位置信息提取出多种不同信息的问题。

S306、根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取。

可选的，S306包括：

根据各所述目标页面节点在各所述页面中的总数量，确定各所述目标页面节点的优先级；根据各所述目标页面节点，以及各所述目标页面节点的所述优先级，对所述目标站点进行信息提取。

示例性的，假设目标页面节点1在页面a、页面b、页面c、页面d中页面e各包括一个，即所述总数量为5；假设目标页面节点2在页面a、页面c和页面d中各包括一个，即所述总数量为3，则表示目标页面节点1中出现目标文献属性的概率要大于目标页面节点2，则首先在目标站点的目标页面节点1中进行信息提取，若提取失败，则再在目标站点的目标页面节点2中进行信息提取。

通过根据各目标页面节点在各页面中的总数量，确定各目标页面节点的优先级，并根据各目标页面节点，以及各目标页面节点的优先级，对目标站点进行信息提取，实现了先从出现目标文献属性概率较大的目标页面节点进行信息提取，提高了信息提取的效率。

本公开通过获取与目标文献标题匹配的至少一个目标页面标题，并确定各目标页面标题分别关联的页面源码，将目标属性值在各页面源码中进行匹配，确定与目标属性值匹配的至少一个源码字段，并根据各源码字段在所属页面中分别对应的当前页面节点，确定目标文献属性在目标站点中的至少一个目标页面节点，作为目标位置信息，实现了在无人工干涉的情况下，自动化的确定目标文献属性在目标站点中的目标页面节点，作为目标位置信息，实现了减少信息提取所需的人力成本，以及提高了信息提取效率的效果。

图4是根据本公开实施例公开的一种信息提取装置的结构示意图，可以适用于提取目标站点中包括的文献信息的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。

如图4所示，本实施例公开的信息提取装置40可以包括目标文献属性确定模块41和信息提取模块42，其中：

目标文献属性确定模块41，用于确定目标站点待提取的目标文献属性；

信息提取模块42，用于根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到。

可选的，所述装置还包括目标文献确定模块，具体用于：

获取所述目标站点包括的候选页面标题，并将候选文献的文献标题与所述候选页面标题进行匹配，并根据匹配结果确定目标文献标题；

从候选文献中确定所述目标文献标题对应的目标文献，并根据所述目标文献中所述目标文献属性的目标属性值，确定所述目标文献属性在所述目标站点中的目标位置信息。

可选的，所述目标文献确定模块，具体还用于：

获取与所述目标文献标题匹配的至少一个目标页面标题，并确定各所述目标页面标题分别关联的页面源码；

将所述目标属性值在各所述页面源码中进行匹配，确定与所述目标属性值匹配的至少一个源码字段；

根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，作为所述目标位置信息。

可选的，所述目标文献确定模块，具体还用于：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量至少为两个，则根据所述当前页面节点以及所述当前页面节点的至少一级父节点，确定该源码字段对应的组合页面节点；

若所述组合页面节点在该源码字段所属页面中的数量为一个，则将所述组合页面节点作为所述目标页面节点。

可选的，所述目标文献确定模块，具体还用于：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量为一个，则将该源码字段对应的所述当前页面节点作为所述目标页面节点。

可选的，所述信息提取模块42，具体用于：

根据各所述目标页面节点在各所述页面中的总数量，确定各所述目标页面节点的优先级；

根据各所述目标页面节点，以及各所述目标页面节点的所述优先级，对所述目标站点进行信息提取。

可选的，所述目标文献确定模块，具体还用于：

在候选文献的文献标题为中文标题的情况下，基于模糊匹配算法将所述文献标题与所述候选页面标题进行匹配；

在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将所述文献标题与所述候选页面标题进行匹配。

可选的，所述目标文献属性包括摘要、作者、机构、年份、期刊、刊号、关键词或文献标识中的至少一种。

本公开实施例所公开的信息提取装置40可执行本公开实施例所公开的信息提取方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。

…

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。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如信息提取方法。例如，在一些实施例中，信息提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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的信息提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501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提取方法。

本文中以上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。程序代码可以完全在机器上执行、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)、区块链网络和互联网。

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服务中，存在的管理难度大，业务扩展性弱的缺陷。

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 (18)

1.一种信息提取方法，包括：

确定目标站点待提取的目标文献属性；

根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到，所述页面标题是所述目标站点各页面中Meta标签下或者Head标签下的title字段；

其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到，包括：

从预设数量的权威学术类大站中获取预设数量的候选文献，基于预设的解析方法，确定所述候选文献包括的各候选文献属性的属性值；

将所述页面标题与所述候选文献属性中的文献标题进行匹配，根据匹配结果确定匹配成功的目标页面标题以及目标文献标题；

根据所述目标文献标题从对应的候选文献中确定目标文献属性所对应的目标属性值；

将所述目标属性值在所述目标页面标题关联的页面源码中进行字符匹配，确定与所述目标属性值匹配的源码字段，并将该源码字段对应的位置信息，作为所述目标位置信息。

2.根据权利要求1所述的方法，根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取之前，还包括：

获取所述目标站点包括的候选页面标题，并将候选文献的文献标题与所述候选页面标题进行匹配，并根据匹配结果确定目标文献标题；

从候选文献中确定所述目标文献标题对应的目标文献，并根据所述目标文献中所述目标文献属性的目标属性值，确定所述目标文献属性在所述目标站点中的目标位置信息。

3.根据权利要求2所述的方法，其中，所述根据所述目标文献中所述目标文献属性的目标属性值，确定所述目标文献属性在所述目标站点中的目标位置信息，包括：

获取与所述目标文献标题匹配的至少一个目标页面标题，并确定各所述目标页面标题分别关联的页面源码；

将所述目标属性值在各所述页面源码中进行匹配，确定与所述目标属性值匹配的至少一个源码字段；

根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，作为所述目标位置信息。

4.根据权利要求3所述的方法，其中，所述根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，包括：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量至少为两个，则根据所述当前页面节点以及所述当前页面节点的至少一级父节点，确定该源码字段对应的组合页面节点；

若所述组合页面节点在该源码字段所属页面中的数量为一个，则将所述组合页面节点作为所述目标页面节点。

5.根据权利要求3所述的方法，其中，所述根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，包括：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量为一个，则将该源码字段对应的所述当前页面节点作为所述目标页面节点。

6.根据权利要求3所述的方法，其中，所述根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取，包括：

根据各所述目标页面节点在各所述页面中的总数量，确定各所述目标页面节点的优先级；

根据各所述目标页面节点，以及各所述目标页面节点的所述优先级，对所述目标站点进行信息提取。

7.根据权利要求2所述的方法，其中，所述将候选文献的文献标题与所述候选页面标题进行匹配，包括：

在候选文献的文献标题为中文标题的情况下，基于模糊匹配算法将所述文献标题与所述候选页面标题进行匹配；

在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将所述文献标题与所述候选页面标题进行匹配。

8.根据权利要求1所述的方法，其中，所述目标文献属性包括摘要、作者、机构、年份、期刊、刊号、关键词或文献标识中的至少一种。

9.一种信息提取装置，包括：

目标文献属性确定模块，用于确定目标站点待提取的目标文献属性；

信息提取模块，用于根据所述目标文献属性在所述目标站点中的目标位置信息，对所述目标站点进行信息提取；其中，所述目标位置信息根据所述目标站点的页面标题和候选文献的文献标题得到，所述页面标题是所述目标站点各页面中Meta标签下或者Head标签下的title字段；

其中，所述信息提取模块，具体用于：

从预设数量的权威学术类大站中获取预设数量的候选文献，基于预设的解析方法，确定所述候选文献包括的各候选文献属性的属性值；

将所述页面标题与所述候选文献属性中的文献标题进行匹配，根据匹配结果确定匹配成功的目标页面标题以及目标文献标题；

根据所述目标文献标题从对应的候选文献中确定目标文献属性所对应的目标属性值；

将所述目标属性值在所述目标页面标题关联的页面源码中进行字符匹配，确定与所述目标属性值匹配的源码字段，并将该源码字段对应的位置信息，作为所述目标位置信息。

10.根据权利要求9所述的装置，所述装置还包括目标文献确定模块，具体用于：

获取所述目标站点包括的候选页面标题，并将候选文献的文献标题与所述候选页面标题进行匹配，并根据匹配结果确定目标文献标题；

从候选文献中确定所述目标文献标题对应的目标文献，并根据所述目标文献中所述目标文献属性的目标属性值，确定所述目标文献属性在所述目标站点中的目标位置信息。

11.根据权利要求10所述的装置，其中，所述目标文献确定模块，具体还用于：

获取与所述目标文献标题匹配的至少一个目标页面标题，并确定各所述目标页面标题分别关联的页面源码；

将所述目标属性值在各所述页面源码中进行匹配，确定与所述目标属性值匹配的至少一个源码字段；

根据各所述源码字段在所属页面中分别对应的当前页面节点，确定所述目标文献属性在所述目标站点中的至少一个目标页面节点，作为所述目标位置信息。

12.根据权利要求11所述的装置，其中，所述目标文献确定模块，具体还用于：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量至少为两个，则根据所述当前页面节点以及所述当前页面节点的至少一级父节点，确定该源码字段对应的组合页面节点；

若所述组合页面节点在该源码字段所属页面中的数量为一个，则将所述组合页面节点作为所述目标页面节点。

13.根据权利要求11所述的装置，其中，所述目标文献确定模块，具体还用于：

若任一所述源码字段对应的所述当前页面节点，在该源码字段所属页面中的数量为一个，则将该源码字段对应的所述当前页面节点作为所述目标页面节点。

14.根据权利要求11所述的装置，其中，所述信息提取模块，具体用于：

根据各所述目标页面节点在各所述页面中的总数量，确定各所述目标页面节点的优先级；

根据各所述目标页面节点，以及各所述目标页面节点的所述优先级，对所述目标站点进行信息提取。

15.根据权利要求10所述的装置，其中，所述目标文献确定模块，具体还用于：

在候选文献的文献标题为中文标题的情况下，基于模糊匹配算法将所述文献标题与所述候选页面标题进行匹配；

在候选文献的文献标题为英文标题的情况下，基于字符匹配算法将所述文献标题与所述候选页面标题进行匹配。

16.根据权利要求9所述的装置，其中，所述目标文献属性包括摘要、作者、机构、年份、期刊、刊号、关键词或文献标识中的至少一种。

17. 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1-8中任一项所述的方法。

18.一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根据权利要求1-8中任一项所述的方法。