CN113704478B - 文本要素提取方法、装置、电子设备及介质 - Google Patents
文本要素提取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113704478B CN113704478B CN202111044040.2A CN202111044040A CN113704478B CN 113704478 B CN113704478 B CN 113704478B CN 202111044040 A CN202111044040 A CN 202111044040A CN 113704478 B CN113704478 B CN 113704478B
- Authority
- CN
- China
- Prior art keywords
- character
- matrix
- positioning
- text
- text element
- 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
Links
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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Document Processing Apparatus (AREA)
Abstract
本发明涉及人工智能领域,揭露一种文本要素提取方法,包括:对获取文本内容中的字符进行向量化,得到字符向量集;对字符向量集进行编码,得到定位字符向量集;将定位字符向量集转化为定位向量矩阵,并进一步将定位向量矩阵转化成定位字符关联矩阵;连接定位向量矩阵和定位字符关联矩阵,得到定位字符密切关联矩阵;对定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;根据字符标签,利用文本要素提取模型提取定位字符密切关联矩阵中的关键字符,得到文本内容的文本要素。本发明还涉及一种区块链技术,所述文本要素可以存储在区块链节点中。本发明还提出一种文本要素提取装置、电子设备以及介质。本发明可以提高文本要素提取的准确性。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种文本要素提取方法、装置、电子设备及介质。
背景技术
文本要素的提取广泛应用于多种行业务场景中,例如,在银行的业务场景下通常是通过关键字检索来完成文本要素提取。目前,在多文本、长文本中提取文本要素的方法一般是通过关键字检索提取文本要素,但是最前沿的一些NLP算法不能准确的提取文本要素所处文本的具体位置及对应的文本要素内容。
发明内容
本发明提供一种文本要素提取方法、装置、电子设备及计算机介质,其主要目的是为了提高文本要素提取的准确性。
为实现上述目的,本发明提供的一种文本要素提取方法,包括:
获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
对所述字符向量集中的字符进行编码,得到定位字符向量集;
将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵;
利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
可选地,所述对所述字符向量集中的字符进行编码,得到定位字符向量集,包括:
对所述字符向量集中的字符进行位置编码,得到字符位置编码向量集;
将所述字符位置编码向量集和所述字符向量集进行组合,生成定位字符向量集。
可选地,所述利用预设的多头注意力机制,将所述定位向量矩阵转化成定位字符关联矩阵,包括:
利用预设的多头注意力机制,将所述定位向量矩阵拆分为中心转换矩阵、关联转换矩阵和权重转换矩阵;
将所述定位向量矩阵分别和所述中心转换矩阵、所述关联转换矩阵和所述权重转换矩阵进行点乘,得到中心向量矩阵、关联向量矩阵和权重向量矩阵;
将所述中心向量矩阵、所述关联向量矩阵和所述权重向量矩阵进行组合,并输入至预设的激活函数,得到所述激活函数输出的定位字符关联矩阵。
可选地,所述利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,包括:
利用所述残差连接层中的残差函数将所述定位向量矩阵和所述定位字符关联矩阵进行连接,并将连接的所述定位向量矩阵和所述定位字符关联矩阵输入至预设的激活函数,得到所述激活函数输出的所述定位字符密切关联矩阵。
可选地,所述得到所述定位字符密切关联矩阵之后,该方法还包括:
将所述定位字符密切关联矩阵进行归一化处理,得到归一化后的定位字符密切关联矩阵。
可选地,所述利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,包括:
利用所述文本要素分类网络中的全连接层,对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值;
利用所述文本要素分类网络中的激活函数将所述分类预测值转化为字符标签。
可选地,所述根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素,包括:
利用所述文本要素提取网络中的全连接层,检测所述定位字符密切关联矩阵中的关键字符在所述字符标签中的起始结束位置信息;
利用所述文本要素提取网络中的激活函数输出所述关键字符的起始结束位置信息,确定所述关键字符为所述文本内容的文本要素。
为了解决上述问题,本发明还提供一种文本要素提取装置,所述装置包括:
字符向量化模块,用于获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
字符编码模块,用于对所述字符向量集中的字符进行编码,得到定位字符向量集;
矩阵转化模块,用于将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵。
矩阵连接模块,用于利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
标签分类模块,用于利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
文本要素提取模块,用于根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到从所述文本内容中提取的文本要素。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的文本要素提取方法。
为了解决上述问题,本发明还提供一种计算机介质,所述计算机介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的文本要素提取方法。
本发明实施例首先对文本内容中的字符进行向量化,得到字符向量集,对所述字符向量集中的字符进行编码,得到定位字符向量集,可以定位文本内容中的每个字符,便于后续模型提取文本要素;其次,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵,并利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,可以将原先的字符向量集与定位字符关联矩阵相连接,确保字符最主要的特征不会丢失,并加强字符间的特征关联;最后,利用所述文本要素提取模型对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,并根据所述字符标签,提取所述定位字符密切关联矩阵中的关键字符,确定所述关键字符为所述文本内容的文本要素,提高文本要素提取的准确率。因此本发明实施例提出的文本要素提取方法、装置、电子设备及介质可以提高文本要素提取的准确率。
附图说明
图1为本发明一实施例提供的文本要素提取方法的流程示意图;
图2为本发明一实施例提供的文本要素提取装置的模块示意图;
图3为本发明一实施例提供的实现文本要素提取方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种文本要素提取方法。所述文本要素提取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述文本要素提取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的文本要素提取方法的流程示意图,在本发明实施例中,所述文本要素提取方法包括:
S1、获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集。
本发明实施例中,所述文本内容可以是合同、产品说明书及风险说明书文本。
本发明一实施例中,可以通过OCR文本识别技术,提取文本的每一页文本字符串,若文本中包含表格,可将表格格式化为key-value键值对,并将所述键值对与上下文字符串拼接在一起。
本发明一可选实施例中,若文本为多页长文本,则将所述长文本进行分页处理,对每页文本按照自然段分段,并采用hierarchical级联思想对自然段中有重叠的句子进行进一步的划分,先按照标点符号进行句子划分,再进行有重叠的滑窗拼接,实现实现自然段中句子的划分,并对划分的句子进行向量化处理,且进行句子的划分是为了防止向量化后的句子维度过高,不方便后续在模型中对文本进行特征提取。
本发明实施例中,可采用Word2vec算法,将所述文本文档进行向量化,得到字符向量集,其中,所述字符向量集用于表示文本的特征。
S2、对所述字符向量集中的字符进行编码,得到定位字符向量集。
本发明实施例中,所述位置编码也称Positional Encoding,是指对序列中的字符的位置进行编码。
详细地,所述对所述字符向量集中的字符进行编码,得到定位字符向量集,包括:
对所述字符向量集中的字符进行位置编码,得到字符位置编码向量集;
将所述字符位置编码向量集和所述字符向量集进行组合,生成定位字符向量集。
本发明一可选实施例中,对所述字符向量集中的字符进行位置编码可通过下述公式实现:
其中,所述PE是指位置编码(Positional Encoding),所述dmodel表示字符向量进行位置编码的长度,pos表示字符的位置,i表示字符向量的维度。
S3、将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵。
本发明实施例中,所述定位向量矩阵是由所述字符向量集拼接的矩阵;所述字符关联矩阵是包含所述定位字符向量集的上下字符语义特征的矩阵,且所述定位向量矩阵和所述定位字符关联矩阵的维度一致。
例如,所述定位矩阵向量的维度为m×n,则所述定位字符关联矩阵的维度也为m×n。
本发明一实施例中,可以通过对所述定位字符向量集中的字符向量与预设权重矩阵进行叉乘,从而将所述定位字符向量转化为定位矩阵向量。
详细地,所述利用预设的多头注意力机制,将所述定位向量矩阵转化成定位字符关联矩阵,包括:
利用预设的多头注意力机制,将所述定位向量矩阵拆分为中心转换矩阵、关联转换矩阵和权重转换矩阵;
将所述定位向量矩阵分别和所述中心转换矩阵、所述关联转换矩阵和所述权重转换矩阵进行点乘,得到中心向量矩阵、关联向量矩阵和权重向量矩阵;
将所述中心向量矩阵、所述关联向量矩阵和所述权重向量矩阵进行组合,并输入至预设的激活函数,得到所述激活函数输出的定位字符关联矩阵。
本发明实施例中,利用所述定位向量矩阵的维度,将定位向量矩阵拆分成中心转换矩阵、关联转换矩阵和权重转换矩阵,例如,定位向量矩阵为m×n,则可按照m×s、s×t、t×n执行拆分,分别得到m×s维度的中心转换矩阵、s×t维度的关联转换矩阵及t×n维度的权重转换矩阵。
本发明实施例中,所述定位字符关联矩阵的计算过程如下:
其中,Softmax是指所述预设的激活函数,Q是指所述中心转换矩阵,KT是指所述关联转换矩阵,dk是指所述关联转换矩阵的维度,V是指所述权重转换矩阵,Z是指所述定位字符关联矩阵。
S4、利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵。
本发明实施例中,所述定位字符密切关联矩阵是指将所述定位向量矩阵和所述定位字符关联矩阵进行连接之后得到的矩阵。
详细地,所述利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,包括:
利用所述残差连接层中的残差函数,将所述定位向量矩阵和所述定位字符关联矩阵进行连接,并将连接的所述定位向量矩阵和所述定位字符关联矩阵输入至预设的激活函数,得到所述激活函数输出的所述定位字符密切关联矩阵。
本发明实施例中,得到所述定位字符密切关联矩阵之后,该方法还包括:将所述定位字符密切关联矩阵进行归一化处理,得到归一化后的定位字符密切关联矩阵。
本发明一实施例中,利用所述残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,可以确保在模型学习的过程中原始文本要素的主要特征不会丢失,得到包括原始文本要素主要特征的定位字符密切关联矩阵。
较佳地,所述残差函数可为Layer Add函数。
本发明实施例中,将所述定位字符密切关联矩阵进行归一化处理,即将所述定位字符密切关联矩阵中的数值映射到0-1的区间,便于后续模型对所述定位字符密切关联矩阵进行调节。
较佳地,所述定位字符密切关联矩阵的归一化处理可通过Layer Normalization函数实现。
S5、利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签。
本发明实施例中,利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签。其中,所述文本要素分类网络包括:全连接层和激活函数。
详细地,所述利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,包括:
利用所述文本要素分类网络中的全连接层,对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值;
利用所述文本要素分类网络中的激活函数,将所述分类预测值转化为字符标签。
本发明一可选实施例中,利用下述方法对对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值:
其中,s′表示分类预测值,s表示定位字符密切关联矩阵中的字符信息,e表示无限不循环小数。
本发明一可选实施例中,利用所述激活函数为sigmoid函数,将所述分类预测值输出为字符标签,若输出字符标签为0,则所述字符标签不包括待提取的文本要素;若输出字符标签为1,则所述字符标签包括待提取的文本要素。
S6、根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
文本要素包括但不限于:银行合同条款、风险说明、私募产品介绍或产品说明等关键字符。
本发明实施例中,根据所述字符标签得到的包括待提取文本要素,利用所述文本要素提取模型提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
详细地,所述根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到从所述文本内容中提取的文本要素,包括:
利用所述文本要素提取网络中的全连接层,检测所述定位字符密切关联矩阵中的关键字符在所述字符标签中的起始结束位置信息;
利用所述文本要素提取网络中的激活函数,输出所述关键字符的起始结束位置信息,确定所述关键字符为所述文本内容的文本要素。
本发明实施例中,所述激活函数为Softmax函数。
本发明以实施例中,所述得到提取的文本要素之前,该方法还包括:若输出的关键字符在多个文本段落的字符标签均为1,则统计各个关键字符在多个文本段落中出现最多的次数,取次数出现最多关键字符的字符标签为最终提取文本要素的文本内容。
本发明实施例首先对文本内容中的字符进行向量化,得到字符向量集,对所述字符向量集中的字符进行编码,得到定位字符向量集,可以定位文本内容中的每个字符,便于后续模型提取文本要素;其次,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵,并利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,可以将原先的字符向量集与定位字符关联矩阵相连接,确保字符最主要的特征不会丢失,并加强字符间的特征关联;最后,利用所述文本要素提取模型对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,并根据所述字符标签,提取所述定位字符密切关联矩阵中的关键字符,确定所述关键字符为所述文本内容的文本要素,提高文本要素提取的准确率。因此本发明实施例提出的文本要素提取方法可以提高文本要素提取的准确率。
如图2所示,是本发明文本要素提取装置的功能模块图。
本发明所述文本要素提取装置100可以安装于电子设备中。根据实现的功能,所述文本要素提取装置可以包括字符向量化模块101、字符编码模块102、矩阵转化模块103、矩阵连接模块104、标签分类模块105、文本要素提取模块106,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述字符向量化模块101,用于获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集。
本发明实施例中,所述文本内容可以是合同、产品说明书及风险说明书文本。
本发明一实施例中,可以通过OCR文本识别技术,提取文本的每一页文本字符串,若文本中包含表格,可将表格格式化为key-value键值对,并将所述键值对与上下文字符串拼接在一起。
本发明一可选实施例中,若文本为多页长文本,则将所述长文本进行分页处理,对每页文本按照自然段分段,并采用hierarchical级联思想对自然段中有重叠的句子进行进一步的划分,先按照标点符号进行句子划分,再进行有重叠的滑窗拼接,实现实现自然段中句子的划分,并对划分的句子进行向量化处理,且进行句子的划分是为了防止向量化后的句子维度过高,不方便后续在模型中对文本进行特征提取。
本发明实施例中,可采用Word2vec算法,将所述文本文档进行向量化,得到字符向量集,其中,所述字符向量集用于表示文本的特征。
所述字符编码模块102,用于对所述字符向量集中的字符进行编码,得到定位字符向量集。
本发明实施例中,所述位置编码也称Positional Encoding,是指对序列中的字符的位置进行编码。
详细地,所述字符编码模块102通过执行下述操作对所述字符向量集中的字符进行编码,得到定位字符向量集,包括:
对所述字符向量集中的字符进行位置编码,得到字符位置编码向量集;
将所述字符位置编码向量集和所述字符向量集进行组合,生成定位字符向量集。
本发明一可选实施例中,对所述字符向量集中的字符进行位置编码可通过下述公式实现:
其中,所述PE是指位置编码(Positional Encoding),所述dmodel表示字符向量进行位置编码的长度,pos表示字符的位置,i表示字符向量的维度。
所述矩阵转化模块103,用于将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵。
本发明实施例中,所述定位向量矩阵是由所述字符向量集拼接的矩阵;所述字符关联矩阵是包含所述定位字符向量集的上下字符语义特征的矩阵,且所述定位向量矩阵和所述定位字符关联矩阵的维度一致。
例如,所述定位矩阵向量的维度为m×n,则所述定位字符关联矩阵的维度也为m×n。
本发明一实施例中,可以通过对所述定位字符向量集中的字符向量与预设权重矩阵进行叉乘,从而将所述定位字符向量转化为定位矩阵向量。
详细地,所述矩阵转化模块103通过执行下述操作利用预设的多头注意力机制,将所述定位向量矩阵转化成定位字符关联矩阵,包括:
利用预设的多头注意力机制,将所述定位向量矩阵拆分为中心转换矩阵、关联转换矩阵和权重转换矩阵;
将所述定位向量矩阵分别和所述中心转换矩阵、所述关联转换矩阵和所述权重转换矩阵进行点乘,得到中心向量矩阵、关联向量矩阵和权重向量矩阵;
将所述中心向量矩阵、所述关联向量矩阵和所述权重向量矩阵进行组合,并输入至预设的激活函数,得到所述激活函数输出的定位字符关联矩阵。
本发明实施例中,利用所述定位向量矩阵的维度,将定位向量矩阵拆分成中心转换矩阵、关联转换矩阵和权重转换矩阵,例如,定位向量矩阵为m×n,则可按照m×s、s×t、t×n执行拆分,分别得到m×s维度的中心转换矩阵、s×t维度的关联转换矩阵及t×n维度的权重转换矩阵。
本发明实施例中,所述定位字符关联矩阵的计算过程如下:
其中,Softmax是指所述预设的激活函数,Q是指所述中心转换矩阵,KT是指所述关联转换矩阵,dk是指所述关联转换矩阵的维度,V是指所述权重转换矩阵,Z是指所述定位字符关联矩阵。
矩阵连接模块104,用于利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵。
本发明实施例中,所述定位字符密切关联矩阵是指将所述定位向量矩阵和所述定位字符关联矩阵进行连接之后得到的矩阵。
详细地,所述矩阵连接模块104通过执行下述操作利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,包括:
利用所述残差连接层中的残差函数,将所述定位向量矩阵和所述定位字符关联矩阵进行连接,并将连接的所述定位向量矩阵和所述定位字符关联矩阵输入至预设的激活函数,得到所述激活函数输出的所述定位字符密切关联矩阵。
本发明实施例中,得到所述定位字符密切关联矩阵之后,该方法还包括:将所述定位字符密切关联矩阵进行归一化处理,得到归一化后的定位字符密切关联矩阵。
本发明一实施例中,利用所述残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,可以确保在模型学习的过程中原始文本要素的主要特征不会丢失,得到包括原始文本要素主要特征的定位字符密切关联矩阵。
较佳地,所述残差函数可为Layer Add函数。
本发明实施例中,将所述定位字符密切关联矩阵进行归一化处理,即将所述定位字符密切关联矩阵中的数值映射到0-1的区间,便于后续模型对所述定位字符密切关联矩阵进行调节。
较佳地,所述定位字符密切关联矩阵的归一化处理可通过Layer Normalization函数实现。
标签分类模块105,用于利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签。
本发明实施例中,利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签。其中,所述文本要素分类网络包括:全连接层和激活函数。
详细地,所述标签分类模块105通过执行下述操作利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,包括:
利用所述文本要素分类网络中的全连接层,对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值;
利用所述文本要素分类网络中的激活函数,将所述分类预测值转化为字符标签。
本发明一可选实施例中,利用下述方法对对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值:
其中,s′表示分类预测值,s表示定位字符密切关联矩阵中的字符信息,e表示无限不循环小数。
本发明一可选实施例中,利用所述激活函数为sigmoid函数,将所述分类预测值输出为字符标签,若输出字符标签为0,则所述字符标签不包括待提取的文本要素;若输出字符标签为1,则所述字符标签包括待提取的文本要素。
文本要素提取模块106,用于根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
文本要素包括但不限于:银行合同条款、风险说明、私募产品介绍或产品说明等关键字符。
本发明实施例中,根据所述字符标签得到的包括待提取文本要素,利用所述文本要素提取模型提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
详细地,所述根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到从所述文本内容中提取的文本要素,包括:
利用所述文本要素提取网络中的全连接层,检测所述定位字符密切关联矩阵中的关键字符在所述字符标签中的起始结束位置信息;
利用所述文本要素提取网络中的激活函数,输出所述关键字符的起始结束位置信息,确定所述关键字符为所述文本内容的文本要素。
本发明实施例中,所述激活函数为Softmax函数。
本发明以实施例中,所述得到提取的文本要素之前,该方法还包括:若输出的关键字符在多个文本段落的字符标签均为1,则统计各个关键字符在多个文本段落中出现最多的次数,取次数出现最多关键字符的字符标签为最终提取文本要素的文本内容。
本发明实施例首先对文本内容中的字符进行向量化,得到字符向量集,对所述字符向量集中的字符进行编码,得到定位字符向量集,可以定位文本内容中的每个字符,便于后续模型提取文本要素;其次,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵,并利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,可以将原先的字符向量集与定位字符关联矩阵相连接,确保字符最主要的特征不会丢失,并加强字符间的特征关联;最后,利用所述文本要素提取模型对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,并根据所述字符标签,提取所述定位字符密切关联矩阵中的关键字符,确定所述关键字符为所述文本内容的文本要素,提高文本要素提取的准确率。因此本发明实施例提出的文本要素提取装置可以提高文本要素提取的准确率。
如图3所示,是本发明实现文本要素提取方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如文本要素提取程序。
其中,所述存储器11至少包括一种类型的介质,所述介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、本地磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如文本要素提取程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如文本要素提取程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的文本要素提取程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
对所述字符向量集中的字符进行编码,得到定位字符向量集;
将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵;
利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携待所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机介质,所述介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
对所述字符向量集中的字符进行编码,得到定位字符向量集;
将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵;
利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素。
进一步地,所述计算机可用介质可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种文本要素提取方法,其特征在于,所述方法包括:
获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
对所述字符向量集中的字符进行编码,得到定位字符向量集;
将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵;
利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素;
其中,所述利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵,包括:利用预设的多头注意力机制,将所述定位向量矩阵拆分为中心转换矩阵、关联转换矩阵和权重转换矩阵;将所述定位向量矩阵分别和所述中心转换矩阵、所述关联转换矩阵和所述权重转换矩阵进行点乘,得到中心向量矩阵、关联向量矩阵和权重向量矩阵;将所述中心向量矩阵、所述关联向量矩阵和所述权重向量矩阵进行组合,并输入至预设的激活函数,得到所述激活函数输出的定位字符关联矩阵;
所述利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵,包括:利用所述残差连接层中的残差函数将所述定位向量矩阵和所述定位字符关联矩阵进行连接,并将连接的所述定位向量矩阵和所述定位字符关联矩阵输入至预设的激活函数,得到所述激活函数输出的所述定位字符密切关联矩阵。
2.如权利要求1所述的文本要素提取方法,其特征在于,所述对所述字符向量集中的字符进行编码,得到定位字符向量集,包括:
对所述字符向量集中的字符进行位置编码,得到字符位置编码向量集;
将所述字符位置编码向量集和所述字符向量集进行组合,生成定位字符向量集。
3.如权利要求1所述的文本要素提取方法,其特征在于,所述得到定位字符密切关联矩阵之后,该方法还包括:
将所述定位字符密切关联矩阵进行归一化处理,得到归一化后的定位字符密切关联矩阵。
4.如权利要求1所述的文本要素提取方法,其特征在于,所述利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签,包括:
利用所述文本要素分类网络中的全连接层,对所述定位字符密切关联矩阵中的字符进行分类预测,得到分类预测值;
利用所述文本要素分类网络中的激活函数将所述分类预测值转化为字符标签。
5.如权利要求1所述的文本要素提取方法,其特征在于,所述根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到所述文本内容的文本要素,包括:
利用所述文本要素提取网络中的全连接层,检测所述定位字符密切关联矩阵中的关键字符在所述字符标签中的起始结束位置信息;
利用所述文本要素提取网络中的激活函数输出所述关键字符的起始结束位置信息,确定所述关键字符为所述文本内容的文本要素。
6.一种文本要素提取装置,用于实现如权利要求1至5中任一项所述的文本要素提取方法,其特征在于,包括:
字符向量化模块,用于获取文本内容,对所述文本内容中的字符进行向量化,得到字符向量集;
字符编码模块,用于对所述字符向量集中的字符进行编码,得到定位字符向量集;
矩阵转化模块,用于将所述定位字符向量集转化为定位向量矩阵,利用预构建的文本要素提取模型中的注意力机制将所述定位向量矩阵转化成定位字符关联矩阵;
矩阵连接模块,用于利用所述文本要素提取模型中的残差连接层连接所述定位向量矩阵和所述定位字符关联矩阵,得到定位字符密切关联矩阵;
标签分类模块,用于利用所述文本要素提取模型中的文本要素分类网络对所述定位字符密切关联矩阵中的字符进行标签分类,得到字符标签;
文本要素提取模块,用于根据所述字符标签,利用所述文本要素提取模型中的文本要素提取网络提取所述定位字符密切关联矩阵中的关键字符,得到从所述文本内容中提取的文本要素。
7.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序指令,所述计算机程序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权利要求1至5中任一项所述的文本要素提取方法。
8.一种计算机介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的文本要素提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044040.2A CN113704478B (zh) | 2021-09-07 | 2021-09-07 | 文本要素提取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044040.2A CN113704478B (zh) | 2021-09-07 | 2021-09-07 | 文本要素提取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704478A CN113704478A (zh) | 2021-11-26 |
CN113704478B true CN113704478B (zh) | 2023-08-22 |
Family
ID=78660808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044040.2A Active CN113704478B (zh) | 2021-09-07 | 2021-09-07 | 文本要素提取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704478B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222144A (zh) * | 2019-04-17 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 文本内容提取方法、装置、电子设备及存储介质 |
WO2020199730A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 文本识别方法及装置、电子设备和存储介质 |
CN112183030A (zh) * | 2020-10-10 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 基于预设神经网络的事件抽取方法、装置、计算机设备及存储介质 |
WO2021027218A1 (zh) * | 2019-08-12 | 2021-02-18 | 北京国双科技有限公司 | 文本分类的方法、装置以及计算机可读介质 |
CN113254684A (zh) * | 2021-06-18 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种内容时效的确定方法、相关装置、设备以及存储介质 |
-
2021
- 2021-09-07 CN CN202111044040.2A patent/CN113704478B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199730A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 文本识别方法及装置、电子设备和存储介质 |
CN110222144A (zh) * | 2019-04-17 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 文本内容提取方法、装置、电子设备及存储介质 |
WO2021027218A1 (zh) * | 2019-08-12 | 2021-02-18 | 北京国双科技有限公司 | 文本分类的方法、装置以及计算机可读介质 |
CN112183030A (zh) * | 2020-10-10 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 基于预设神经网络的事件抽取方法、装置、计算机设备及存储介质 |
CN113254684A (zh) * | 2021-06-18 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种内容时效的确定方法、相关装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113704478A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN116705304A (zh) | 基于图像文本的多模态任务处理方法、装置、设备及介质 | |
CN114757154B (zh) | 基于深度学习的作业生成方法、装置、设备及存储介质 | |
CN113704478B (zh) | 文本要素提取方法、装置、电子设备及介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN114781384A (zh) | 命名实体智能标注方法、装置、设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113822215A (zh) | 设备操作指引文件生成方法、装置、电子设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN112560427A (zh) | 问题扩展方法、装置、电子设备及介质 | |
CN115204120B (zh) | 保险领域三元组抽取方法、装置、电子设备及存储介质 | |
CN115146627B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 | |
CN114973294B (zh) | 基于图文匹配方法、装置、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 |