CN114490998B - 文本信息的抽取方法、装置、电子设备和存储介质 - Google Patents
文本信息的抽取方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114490998B CN114490998B CN202111625127.9A CN202111625127A CN114490998B CN 114490998 B CN114490998 B CN 114490998B CN 202111625127 A CN202111625127 A CN 202111625127A CN 114490998 B CN114490998 B CN 114490998B
- Authority
- CN
- China
- Prior art keywords
- text information
- extracted
- target field
- characters
- semantic
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 83
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 137
- 238000000034 method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 20
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- 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
- G06F16/30—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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- 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
- G06F40/216—Parsing using statistical methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
Abstract
本公开提供了一种文本信息的抽取方法、装置、电子设备和存储介质,涉及人工智能技术领域,具体为深度学习、自然语言处理技术领域。具体实现方案为:获取待抽取文本及目标字段名;基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息;基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息。由此,通过在从待抽取文本中抽取与目标字段名匹配的候选文本信息后,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,提高了文本信息抽取的准确性。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、自然语言处理技术领域,尤其涉及文本信息的抽取方法、装置、电子设备和存储介质。
背景技术
在日常处理文档的过程中普遍存在抽取关键信息的需求,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;而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。
而如何从文档中准确的抽取关键信息,对于提高实际应用场景中下游任务的准确性具有重要意义。
发明内容
本公开提供了一种用于文本信息的抽取方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种文本信息的抽取方法,所述方法包括:获取待抽取文本及目标字段名;基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息;基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息。
根据本公开的另一方面,提供了一种文本信息的抽取装置,所述装置包括:获取模块,用于获取待抽取文本及目标字段名;抽取模块,用于基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息;过滤模块,用于基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息。
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的文本信息的抽取方法。
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,所述计算机指令用于使所述计算机执行本公开实施例公开的文本信息的抽取方法。
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本公开的文本信息的抽取方法的步骤。
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文本信息的抽取方法的流程示意图;
图2是根据本公开第二实施例的文本信息的抽取方法的流程示意图;
图3是根据本公开第三实施例的文本信息的抽取装置的结构示意图
图4是根据本公开第四实施例的文本信息的抽取装置的结构示意图;
图5是用来实现本公开实施例的文本信息的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结构的描述。
在日常处理文档的过程中普遍存在抽取关键信息的需求,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;而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。而如何从文档中准确的抽取关键信息,对于提高实际应用场景中下游任务的准确性具有重要意义。
本公开提供一种文本信息的抽取方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品,通过获取待抽取文本及目标字段名后,基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息,进而基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息,提高了文本信息抽取的准确性。
本公开提供的文本信息的抽取方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品,涉及人工智能技术领域,具体为深度学习、自然语言处理技术领域。
其中,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
下面参考附图描述本公开实施例的文本信息的抽取方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
图1是根据本公开第一实施例的文本信息的抽取方法的流程示意图。
其中,需要说明的是,本实施的文本信息的抽取方法,执行主体为文本信息的抽取装置,该文本信息的抽取装置可以由软件和/或硬件实现,该文本信息的抽取装置可以配置在电子设备,该电子设备可以包括但不限于智能手机、电脑等终端设备、服务器等,该实施例对电子设备不作具体限定。
如图1所示,该文本信息的抽取方法可以包括:
步骤101,获取待抽取文本及目标字段名。
其中,待抽取文本,为需要从中抽取关键信息的文本。其中,待抽取文本,可以为任意领域的文本,比如为合同中的文本、法律判决书中的文本等,本公开对此不作限制。
目标字段名,为预先指定的需要抽取的文本信息对应的字段名。比如,目标字段名可以为合同领域的“甲方”、“乙方”,或者法律领域的“被告人”、“起诉人”等。
需要说明的是,本公开实施例中的目标字段名,可以为一个字段名,也可以为多个字段名,本公开对此不作限制。
举例来说,假设待抽取文本为“甲方:张三,乙方:李四”,目标字段名为“甲方”和“乙方”,则本公开实施例中需要从待抽取文本中准确抽取与目标字段名“甲方”匹配的“张三”,及与目标字段名“乙方”匹配的“李四”。
步骤102,基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息。
其中,候选文本信息,为本公开实施例中的文本信息抽取的中间结果。
举例来说,假设待抽取文本为“甲方:张三,乙方:李四”,目标字段名为“甲方”和“乙方”,则本公开实施例中,从待抽取文本中抽取出的与目标字段名“甲方”匹配的候选文本信息可能为“张三”,也可能为“李四”,与目标字段名“乙方”匹配的候选文本信息可能为“张三”,也可能为“李四”。
需要说明的是,本公开实施例中,可以采用相关技术中的任意的文本信息抽取方式,实现基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息,本公开实施例对从待抽取文本中抽取与目标字段名匹配的候选文本信息的方式不作限制。
步骤103,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息。
可以理解的是,本公开实施例中,基于待抽取文本及目标字段名,从待抽取文本中抽取出的与目标字段名匹配的候选文本信息,可能为不合理的抽取结果,为了保证文本信息抽取结果的准确性,本公开实施例中,可以对抽取出的候选文本信息进行过滤,得到更准确的抽取结果。
具体的,可以基于待抽取文本、目标字段名及候选文本信息的融合语义,判断候选文本信息是否合理,若不合理,则确定该候选文本信息需要过滤掉,若合理,则可以确定该候选文本信息不需要过滤掉,进而得到过滤后的目标文本信息。目标文本信息,即为最终得到的准确的文本信息抽取结果。其中,融合语义,融合了待抽取文本的语义信息、目标字段的语义信息及候选文本信息的语义信息。
其中,候选文本信息与融合语义匹配时,可以确定候选文本信息合理;候选文本信息与融合语义不匹配时,可以确定候选文本信息不合理。
本公开实施例的文本信息的抽取方法,通过获取待抽取文本及目标字段名,并基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息后,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息,提高了文本信息抽取的准确性。
需要说明的是,在一种可能的实现形式中,本公开实施例的文本信息的抽取方法,可以通过文本信息的抽取装置中嵌入的文本信息抽取模型实现,该文本信息抽取模型为一个端到端的神经网络模型,在进行文本信息的抽取时,可以将待抽取文本和目标字段名输入文本信息抽取模型,文本信息抽取模型可以基于待抽取文本和目标字段名,获取目标文本信息。
其中,该文本信息抽取模型可以包括抽取模块和过滤模块,抽取模块的输入为待抽取文本和目标字段名,抽取模块可以基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息并输出,过滤模块的输入为待抽取文本、目标字段名及抽取模块输出的候选文本信息,过滤模块可以基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息。
其中,抽取模块,可以采用相关技术中任意能够实现文本关键信息抽取的模型实现,本公开对此不作限制。
过滤模块可以通过采用真实数据作为训练数据,通过深度学习的方式进行训练得到。训练数据中包含多组训练样本,每组训练样本包含样本文本、样本字段名及样本文本中的样本文本信息,比如包含样本文本“甲方:张三”、样本字段名“甲方”及样本文本信息“张三”,或者包含样本文本“甲方:张三”、样本字段名“乙方”及样本文本信息“张三”等,每组训练样本以其中的样本文本信息是否与样本字段名匹配进行标注。
在对过滤模块进行训练时,过滤模块可以获取每组训练样本中的样本文本、样本字段名及样本文本信息的融合语义,并基于融合语义,输出该组训练样本中的样本文本信息与融合语义是否匹配的预测结果,进而可以确定样本文本信息与样本字段名是否匹配的标注,与该样本文本信息对应的预测结果的差异,根据该差异对过滤模块的模型参数进行调整,直至过滤模块的预测准确度大于预设的准确度阈值,训练结束,得到经过训练的过滤模块。在经过训练后,过滤模块即可用于基于待抽取文本、目标字段名及候选文本信息的融合语义,预测候选文本信息与融合语义是否匹配,进而根据预测结果,对候选文本信息进行过滤。
需要说明的是,抽取模块和过滤模块可以同时训练,也可以单独训练,本公开对此不作限制。
由于仅在抽取模块的下游新增了过滤模块,过滤模块仅对抽取模块抽取出的候选文本信息进行过滤,因此相比为了提高文本信息抽取的准确性而采用更大、更深的抽取模型进行文本信息的抽取,本公开实施例提供的文本信息的抽取方法在实现相同效果时的耗时更少。
下面结合图2,对本公开提供的文本信息的抽取方法中,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息的过程进一步说明。
图2是根据本公开第二实施例的文本信息的抽取方法的流程示意图。
如图2所示,文本信息的抽取方法,可以包括以下步骤:
步骤201,获取待抽取文本及目标字段名。
步骤202,基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息。
其中,候选文本信息,为本公开实施例中的文本信息抽取的中间结果。
需要说明的是,本公开实施例中,可以采用相关技术中的任意的文本信息抽取方式,实现基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息,本公开实施例对从待抽取文本中抽取与目标字段名匹配的候选文本信息的方式不作限制。
下面对步骤202的一种可能的实现方式进行说明。
在本公开实施例中,步骤202可以通过以下方式实现:将待抽取文本及目标字段名进行拼接,得到第二拼接结果;获取第二拼接结果中多个字符分别对应的第二语义向量;基于多个字符分别对应的第二语义向量,对多个字符进行二分类,以获取多个字符与目标字段名匹配的第三预测分值,及多个字符与目标字段名不匹配的第四预测分值;根据多个字符中的目标字符进行拼接,以得到候选文本信息;其中,目标字符为对应的第三预测分值大于第四预测分值的字符。
其中,可以按照预设的拼接规则,将待抽取文本及目标字段名进行拼接。比如,可以按照“[CLS]待抽取文本[SEP]目标字段名[SEP]”的规则,将待抽取文本与目标字段名进行拼接,得到第二拼接结果。其中,[CLS]和[SEP]为自然语言处理领域的特殊字符。
举例来说,假设待抽取文本为“甲方:张三”、目标字段名为“甲方”,则第二拼接结果可以为“[CLS]甲方:张三[SEP]甲方[SEP]”。
第二拼接结果中的多个字符,包括对待抽取文本进行切词后得到的至少一个字符,及对目标字段名进行切词后得到的至少一个字符。其中,待抽取文本和目标字段名,比如可以分别按照ERNIE(Enhanced Representation through Knowledge Integration,知识增强的语义表示)词表进行切词得到至少一个字符。
本公开实施例中,得到第二拼接结果后,可以获取第二拼接结果中多个字符分别对应的词向量(token embedding)、句对向量(segment embedding)和位置向量(positionembedding),并将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量,再将多个字符分别对应的输入向量拼接成特征矩阵,输入特征提取模型,经过特征提取模型进行充分提取特征后,将特征提取模型输出的多个字符分别对应的深层次的语义向量,作为多个字符分别对应的第二语义向量。
其中,特征提取模块可以为任意能够实现特征提取的模型,比如ERNIE(EnhancedRepresentation through Knowledge Integration,知识增强的语义表示)模型,本公开对此不作限制。
其中,句对向量,用于对句进行区分。比如对于第1句中的字符,字符对应的句对向量为0,对于第2句中的字符,字符对应的句对向量为1。本公开实施例中,第二拼接结果中待抽取文本中各字符对应的句对向量相同,均为句对向量0;目标字段名中各字符对应的句对向量相同,均为句对向量1。
每个字符对应的位置向量,表征第二拼接结果中该字符所处的位置。比如某个字符为第二拼接结果中的第1个字符,则该字符对应的位置向量为0;某个字符为第二拼接结果中的第2个字符,则该字符对应的位置向量为1。
通过将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量后,将多个字符分别对应的输入向量拼接,输入特征提取模型,以获取第二拼接结果中多个字符分别对应的第二语义向量,提升了获取的第二拼接结果中多个字符分别对应的第二语义向量的准确性。
进一步的,获取第二拼接结果中多个字符分别对应的第二语义向量后,可以将多个字符分别对应的第二语义向量输入分类器,采用分类器,将多个字符分别对应的第二语义向量映射至二值空间,以获取多个字符与目标字段名匹配的第三预测分值,及多个字符与目标字段名不匹配的第四预测分值。其中,映射过程可以采用如下公式(1)表示:
Ci=EiW+b (1)
其中,Ei∈R1*d表示第i个字符对应的第二语义向量。W∈Rd*2、b∈R1*2为分类器的可学习参数。Ci∈R1*2为分类器的二分类输出。其中,R表示向量空间,d表示维数。
其中,分类器,可以为任意能够实现分类的二分类器或多分类器,本公开对此不作限制。
分类器将第二语义向量映射为1时,表示字符与目标字段名匹配;将第二语义向量映射为0时,表示字符与目标字段名不匹配。
在本公开实施例中,根据分类器的输出,可以获取多个字符与目标字段名匹配的第三预测分值,及多个字符与目标字段名不匹配的第四预测分值,进而可以将多个字符中对应的第三预测分值大于第四预测分值的字符标记为I,将多个字符中对应的第三预测分值小于或等于第四预测分值的字符标记为O。其中,标记为I的字符即为目标字符。进而可以根据标记为I的字符进行拼接,得到候选文本信息。其中,可以将连续为I的字符拼接到一起,得到候选文本信息。
其中,字符标记为I,表示该字符为与目标字段名匹配的候选文本信息的中间;字符标记为O,表示该字符不为与目标字段名匹配的候选文本信息。
通过基于多个字符分别对应的第二语义向量,对多个字符进行二分类,以获取多个字符与目标字段名匹配的第三预测分值,及多个字符与目标字段名不匹配的第四预测分值,进而根据多个字符中的目标字符进行拼接,以得到候选文本信息,提高了获取的候选文本信息的准确性。
步骤203,将待抽取文本、目标字段名及候选文本信息进行拼接,得到第一拼接结果。
其中,可以按照预设的拼接规则,将待抽取文本、目标字段名及候选文本信息进行拼接,比如,可以按照“[CLS]待抽取文本[SEP]目标字段名[SEP]候选文本信息[SEP]”的规则,将待抽取文本、目标字段名及候选文本信息进行拼接,得到第一拼接结果。
举例来说,假设待抽取文本为“甲方:张三”、目标字段名为“甲方”、候选文本信息为“张三”,则第一拼接结果可以为“[CLS]甲方:张三[SEP]甲方[SEP]张三[SEP]”。
步骤204,获取第一拼接结果对应的第一语义向量,第一语义向量表征融合语义。
在本公开实施例中,步骤204可以通过以下方式实现:获取第一拼接结果中多个字符分别对应的词向量、句对向量和位置向量;将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量;将多个字符分别对应的输入向量拼接,并输入特征提取模型,以获取第一拼接结果对应的第一语义向量。
其中,第一拼接结果中的多个字符,包括对待抽取文本进行切词后得到的至少一个字符、对目标字段名进行切词后得到的至少一个字符及对候选文本信息进行切词后得到的至少一个字符。其中,待抽取文本、目标字段名和候选文本信息,比如可以分别按照ERNIE词表进行切词得到至少一个字符。
本公开实施例中,可以获取第一拼接结果中多个字符分别对应的词向量、句对向量和位置向量,并将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量,再将多个字符分别对应的输入向量拼接成特征矩阵,输入特征提取模型,经过特征提取模型进行充分提取特征后,将特征提取模型输出的[CLS]对应特征向量作为第一拼接结果对应的第一语义向量。其中,由于经过特征提取模型进行特征提取后,[CLS]对应特征向量和待抽取文本、目标字段名及候选文本信息中各字符分别对应的输入向量是有充分交互的,从而能够将[CLS]对应特征向量作为表征第一拼接结果整体的融合语义的第一语义向量。
需要说明的是,本公开实施例中,获取第一拼接结果对应的第一语义向量时,及获取第二拼接结果中多个字符分别对应的第二语义向量时,所利用的特征提取模型的参数不共享。
本公开实施例中,第一拼接结果中待抽取文本中各字符对应的句对向量相同,均为句对向量0;目标字段名中各字符对应的句对向量相同,均为句对向量1;候选文本信息中各字符对应的句对向量相同,均为句对向量2。
通过将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量后,将多个字符分别对应的输入向量拼接,输入特征提取模型,以获取第一拼接结果对应的第一语义向量,实现了采用特征提取模型充分提取待抽取文本、目标字段名及候选文本信息的特征,得到第一拼接结果对应的第一语义向量,提升了获取的第一拼接结果对应的第一语义向量的准确性。
步骤205,基于第一语义向量,对第一拼接结果进行二分类,以获取第一拼接结果中候选文本信息与融合语义的匹配的第一预测分值,及第一拼接结果中候选文本信息与融合语义不匹配的第二预测分值。
在本公开实施例中,步骤205可以通过以下方式实现:将第一语义向量输入分类器,以获取候选文本信息与融合语义匹配的第一概率,及候选文本信息与融合语义不匹配的第二概率;将第一概率作为第一预测分值,并将第二概率作为第二预测分值。
其中,分类器,可以为任意能够实现分类的二分类器或多分类器,本公开对此不作限制。
具体的,可以将第一语义向量输入分类器,采用分类器,将第一语义向量映射至二值空间,以获取候选文本信息与融合语义匹配的第一概率及候选文本信息与融合语义不匹配的第二概率。其中,映射过程可以采用如下公式(2)表示:
Out=VW'+b' (2)
其中,V∈R1*d表示第一拼接结果对应的第一语义向量。W'∈Rd*2、b'∈R1*2为分类器的可学习参数。Out∈R1*2为分类器的二分类输出。其中,R表示向量空间,d表示维数。
其中,分类器将第一语义向量映射为1时,表示第一拼接结果中候选文本信息与融合语义匹配;将第一语义向量映射为0时,表示第一拼接结果中候选文本信息与融合语义不匹配。
在本公开实施例中,根据分类器的输出,可以获取候选文本信息与融合语义匹配的第一概率,及候选文本信息与融合语义不匹配的第二概率,并将第一概率作为第一预测分值,将第二概率作为第二预测分值。由此,可以准确确定第一拼接结果中候选文本信息与融合语义匹配的第一预测分值,及第一拼接结果中候选文本信息与融合语义不匹配的第二预测分值。
步骤206,在第一预测分值大于第二预测分值的情况下,将候选文本信息确定为目标文本信息。
在本公开实施例中,在第一预测分值大于第二预测分值的情况下,可以确定第一拼接结果中候选文本信息与融合语义匹配,从而可以确定候选文本信息无需过滤掉,即可以将候选文本信息确定为目标文本信息。在第一预测分值小于或等于第二预测分值的情况下,可以确定第一拼接结果中候选文本信息与融合语义不匹配,从而可以确定候选文本信息需要过滤掉,进而可以将该候选文本信息删除。
本公开实施例的文本信息的抽取方法,通过获取待抽取文本及目标字段名,基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息,将待抽取文本、目标字段名及候选文本信息进行拼接,得到第一拼接结果,获取第一拼接结果对应的第一语义向量,第一语义向量表征融合语义,基于第一语义向量,对第一拼接结果进行二分类,以获取第一拼接结果中候选文本信息与融合语义的匹配的第一预测分值,及第一拼接结果中候选文本信息与融合语义不匹配的第二预测分值,在第一预测分值大于第二预测分值的情况下,将候选文本信息确定为目标文本信息,实现了对候选文本信息的准确过滤,进而提高了从文本信息中抽取出的目标文本信息的准确性。
下面结合图3,对本公开提供的文本信息的抽取装置进行说明。
图3是根据本公开第三实施例的文本信息的抽取装置的结构示意图。
如图3所示,本公开提供的文本信息的抽取装置300,包括:获取模块301、抽取模块302以及过滤模块303。
其中,获取模块301,用于获取待抽取文本及目标字段名;
抽取模块302,用于基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息;
过滤模块303,用于基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息。
需要说明的是,本实施例提供的文本信息的抽取装置300,可以执行前述实施例的文本信息的抽取方法。其中,文本信息的抽取装置300可以由软件和/或硬件实现,该文本信息的抽取装置300可以配置在电子设备,该电子设备可以包括但不限于智能手机、电脑等终端设备、服务器等,该实施例对电子设备不作具体限定。
需要说明的是,前述对于文本信息的抽取方法的实施例的说明,也适用于本公开提供的文本信息的抽取装置,此处不再赘述。
本公开实施例提供的文本信息的抽取装置,通过获取待抽取文本及目标字段名,并基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息后,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息,提高了文本信息抽取的准确性。
下面结合图4,对本公开提供的文本信息的抽取装置进行进一步说明。
图4是根据本公开第四实施例的文本信息的抽取装置的结构示意图。
如图4所示,文本信息的抽取装置400,具体可以包括:获取模块401、抽取模块402以及过滤模块403。其中,图4中获取模块401、抽取模块402以及过滤模块403与图3中获取模块301、抽取模块302以及过滤模块303具有相同功能和结构。
在本公开的实施例中,过滤模块403,包括:
第一拼接单元4031,用于将待抽取文本、目标字段名及候选文本信息进行拼接,得到第一拼接结果;
第一获取单元4032,用于获取第一拼接结果对应的第一语义向量,第一语义向量表征融合语义;
第一分类单元4033,用于基于第一语义向量,对第一拼接结果进行二分类,以获取第一拼接结果中候选文本信息与融合语义的匹配的第一预测分值,及第一拼接结果中候选文本信息与融合语义不匹配的第二预测分值;
确定单元4034,用于在第一预测分值大于第二预测分值的情况下,将候选文本信息确定为目标文本信息。
在本公开的实施例中,第一获取单元4032,包括:
第一获取子单元,用于获取第一拼接结果中多个字符分别对应的词向量、句对向量和位置向量;
第一处理子单元,用于将多个字符分别对应的词向量、句对向量和位置向量相加,得到多个字符分别对应的输入向量;
第二处理子单元,用于将多个字符分别对应的输入向量拼接,并输入特征提取模型,以获取第一拼接结果对应的第一语义向量。
在本公开的实施例中,第一分类单元4033,包括:
第二获取子单元,用于将第一语义向量输入分类器,以获取候选文本信息与融合语义匹配的第一概率,及候选文本信息与融合语义不匹配的第二概率;
第三处理子单元,用于将第一概率作为第一预测分值,并将第二概率作为第二预测分值。
在本公开的实施例中,抽取模块402,包括:
第二拼接单元,用于将待抽取文本及目标字段名进行拼接,得到第二拼接结果;
第二获取单元,用于获取第二拼接结果中多个字符分别对应的第二语义向量;
第二分类单元,用于基于多个字符分别对应的第二语义向量,对多个字符进行二分类,以获取多个字符与目标字段名匹配的第三预测分值,及多个字符与目标字段名不匹配的第四预测分值;
第三拼接单元,用于根据多个字符中的目标字符进行拼接,以得到候选文本信息;其中,目标字符为对应的第三预测分值大于第四预测分值的字符。
需要说明的是,前述对于文本信息的抽取方法的实施例的说明,也适用于本公开提供的文本信息的抽取装置,此处不再赘述。
本公开实施例提供的文本信息的抽取装置,通过获取待抽取文本及目标字段名,并基于待抽取文本及目标字段名,从待抽取文本中抽取与目标字段名匹配的候选文本信息后,基于待抽取文本、目标字段名及候选文本信息的融合语义,对候选文本信息进行过滤,以获取与融合语义匹配的目标文本信息,提高了文本信息抽取的准确性。
基于上述实施例,本公开还提供一种电子设备,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的文本信息的抽取方法。
基于上述实施例,本公开还提供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本公开实施例公开的文本信息的抽取方法。
基于上述实施例,本公开还提供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本公开的文本信息的抽取方法的步骤。
根据本公开的实施例,本公开还提供了一种电子设备和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,该电子设备500可以包括计算单元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,例如文本信息的抽取方法。例如,在一些实施例中,文本信息的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文本信息的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)而被配置为执行文本信息的抽取方法。
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)、复杂可编程逻辑设备(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)、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。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。服务器可以是云服务器,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。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (8)
1.一种文本信息的抽取方法,包括:
获取待抽取文本及目标字段名;
基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息;
基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息;
其中,所述基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息,包括:
将所述待抽取文本及所述目标字段名进行拼接,得到第二拼接结果,所述第二拼接结果包括对所述待抽取文本进行切词后得到的至少一个字符,及对所述目标字段名进行切词后得到的至少一个字符;
获取所述第二拼接结果中多个字符分别对应的第二语义向量;
基于多个所述字符分别对应的第二语义向量,对多个所述字符进行二分类,以获取多个所述字符与所述目标字段名匹配的第三预测分值,及多个所述字符与所述目标字段名不匹配的第四预测分值;
根据多个所述字符中的目标字符进行拼接,以得到所述候选文本信息;其中,所述目标字符为对应的所述第三预测分值大于所述第四预测分值的字符;
其中,所述基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息,包括:
将所述待抽取文本、所述目标字段名及所述候选文本信息进行拼接,得到第一拼接结果;
获取所述第一拼接结果对应的第一语义向量,所述第一语义向量表征所述融合语义;
基于所述第一语义向量,对所述第一拼接结果进行二分类,以获取所述第一拼接结果中所述候选文本信息与所述融合语义的匹配的第一预测分值,及所述第一拼接结果中所述候选文本信息与所述融合语义不匹配的第二预测分值;
在所述第一预测分值大于所述第二预测分值的情况下,将所述候选文本信息确定为所述目标文本信息。
2.根据权利要求1所述的方法,其中,所述获取所述第一拼接结果对应的第一语义向量,包括:
获取所述第一拼接结果中多个字符分别对应的词向量、句对向量和位置向量;
将多个所述字符分别对应的词向量、句对向量和位置向量相加,得到多个所述字符分别对应的输入向量;
将多个所述字符分别对应的输入向量拼接,并输入特征提取模型,以获取所述第一拼接结果对应的所述第一语义向量。
3.根据权利要求1所述的方法,其中,所述基于所述第一语义向量,对所述第一拼接结果进行二分类,以获取所述第一拼接结果中所述候选文本信息与所述融合语义匹配的第一预测分值,及所述第一拼接结果中所述候选文本信息与所述融合语义不匹配的第二预测分值,包括:
将所述第一语义向量输入分类器,以获取所述候选文本信息与所述融合语义匹配的第一概率,及所述候选文本信息与所述融合语义不匹配的第二概率;
将所述第一概率作为所述第一预测分值,并将所述第二概率作为所述第二预测分值。
4.一种文本信息的抽取装置,包括:
获取模块,用于获取待抽取文本及目标字段名;
抽取模块,用于基于所述待抽取文本及所述目标字段名,从所述待抽取文本中抽取与所述目标字段名匹配的候选文本信息;
过滤模块,用于基于所述待抽取文本、所述目标字段名及所述候选文本信息的融合语义,对所述候选文本信息进行过滤,以获取与所述融合语义匹配的目标文本信息;
其中,所述抽取模块,包括:
第二拼接单元,用于将所述待抽取文本及所述目标字段名进行拼接,得到第二拼接结果,所述第二拼接结果包括对所述待抽取文本进行切词后得到的至少一个字符,及对所述目标字段名进行切词后得到的至少一个字符;
第二获取单元,用于获取所述第二拼接结果中多个字符分别对应的第二语义向量;
第二分类单元,用于基于多个所述字符分别对应的第二语义向量,对多个所述字符进行二分类,以获取多个所述字符与所述目标字段名匹配的第三预测分值,及多个所述字符与所述目标字段名不匹配的第四预测分值;
第三拼接单元,用于根据多个所述字符中的目标字符进行拼接,以得到所述候选文本信息;其中,所述目标字符为对应的所述第三预测分值大于所述第四预测分值的字符;
其中,所述过滤模块,包括:
第一拼接单元,用于将所述待抽取文本、所述目标字段名及所述候选文本信息进行拼接,得到第一拼接结果;
第一获取单元,用于获取所述第一拼接结果对应的第一语义向量,所述第一语义向量表征所述融合语义;
第一分类单元,用于基于所述第一语义向量,对所述第一拼接结果进行二分类,以获取所述第一拼接结果中所述候选文本信息与所述融合语义的匹配的第一预测分值,及所述第一拼接结果中所述候选文本信息与所述融合语义不匹配的第二预测分值;
确定单元,用于在所述第一预测分值大于所述第二预测分值的情况下,将所述候选文本信息确定为所述目标文本信息。
5.根据权利要求4所述的装置,其中,所述第一获取单元,包括:
第一获取子单元,用于获取所述第一拼接结果中多个字符分别对应的词向量、句对向量和位置向量;
第一处理子单元,用于将多个所述字符分别对应的词向量、句对向量和位置向量相加,得到多个所述字符分别对应的输入向量;
第二处理子单元,用于将多个所述字符分别对应的输入向量拼接,并输入特征提取模型,以获取所述第一拼接结果对应的所述第一语义向量。
6.根据权利要求4所述的装置,其中,所述第一分类单元,包括:
第二获取子单元,用于将所述第一语义向量输入分类器,以获取所述候选文本信息与所述融合语义匹配的第一概率,及所述候选文本信息与所述融合语义不匹配的第二概率;
第三处理子单元,用于将所述第一概率作为所述第一预测分值,并将所述第二概率作为所述第二预测分值。
7.一种电子设备,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1-3中任一项所述的方法。
8.一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权利要求1-3中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625127.9A CN114490998B (zh) | 2021-12-28 | 2021-12-28 | 文本信息的抽取方法、装置、电子设备和存储介质 |
JP2022178520A JP2023015215A (ja) | 2021-12-28 | 2022-11-08 | テキスト情報の抽出方法、装置、電子機器及び記憶媒体 |
EP22206520.3A EP4123496A3 (en) | 2021-12-28 | 2022-11-10 | Method and apparatus for extracting text information, electronic device and storage medium |
US17/988,107 US20230073994A1 (en) | 2021-12-28 | 2022-11-16 | Method for extracting text information, electronic device and storage medium |
US17/988,065 US20230073550A1 (en) | 2021-12-28 | 2022-11-16 | Method for extracting text information, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625127.9A CN114490998B (zh) | 2021-12-28 | 2021-12-28 | 文本信息的抽取方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114490998A CN114490998A (zh) | 2022-05-13 |
CN114490998B true CN114490998B (zh) | 2022-11-08 |
Family
ID=81495419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625127.9A Active CN114490998B (zh) | 2021-12-28 | 2021-12-28 | 文本信息的抽取方法、装置、电子设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20230073994A1 (zh) |
EP (1) | EP4123496A3 (zh) |
JP (1) | JP2023015215A (zh) |
CN (1) | CN114490998B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358223A (zh) * | 2022-09-05 | 2022-11-18 | 北京百度网讯科技有限公司 | 信息预测方法、装置、设备以及存储介质 |
CN116028821B (zh) * | 2023-03-29 | 2023-06-13 | 中电科大数据研究院有限公司 | 融合领域知识的预训练模型训练方法、数据处理方法 |
CN117273667B (zh) * | 2023-11-22 | 2024-02-20 | 浪潮通用软件有限公司 | 一种单据审核处理方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200068769A (ko) * | 2018-11-27 | 2020-06-16 | 주식회사 와이즈넛 | 속성 지식 확장 시스템 및 속성 지식 확장 방법 |
CN111709240A (zh) * | 2020-05-14 | 2020-09-25 | 腾讯科技(武汉)有限公司 | 实体关系抽取方法、装置、设备及其存储介质 |
CN112507702A (zh) * | 2020-12-03 | 2021-03-16 | 北京百度网讯科技有限公司 | 文本信息的抽取方法、装置、电子设备及存储介质 |
CN113407610A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备和可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003330947A (ja) * | 2002-05-09 | 2003-11-21 | Nippon Steel Corp | ファクトデータの抽出装置 |
JP2007233913A (ja) * | 2006-03-03 | 2007-09-13 | Fuji Xerox Co Ltd | 画像処理装置及びプログラム |
CN106910501B (zh) * | 2017-02-27 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 文本实体提取方法及装置 |
CN110781276B (zh) * | 2019-09-18 | 2023-09-19 | 平安科技(深圳)有限公司 | 文本抽取方法、装置、设备及存储介质 |
US11393233B2 (en) * | 2020-06-02 | 2022-07-19 | Google Llc | System for information extraction from form-like documents |
CN112163428A (zh) * | 2020-09-18 | 2021-01-01 | 中国人民大学 | 语义标签的获取方法、装置、节点设备及存储介质 |
CN112560503B (zh) * | 2021-02-19 | 2021-07-02 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
-
2021
- 2021-12-28 CN CN202111625127.9A patent/CN114490998B/zh active Active
-
2022
- 2022-11-08 JP JP2022178520A patent/JP2023015215A/ja active Pending
- 2022-11-10 EP EP22206520.3A patent/EP4123496A3/en not_active Withdrawn
- 2022-11-16 US US17/988,107 patent/US20230073994A1/en not_active Abandoned
- 2022-11-16 US US17/988,065 patent/US20230073550A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200068769A (ko) * | 2018-11-27 | 2020-06-16 | 주식회사 와이즈넛 | 속성 지식 확장 시스템 및 속성 지식 확장 방법 |
CN111709240A (zh) * | 2020-05-14 | 2020-09-25 | 腾讯科技(武汉)有限公司 | 实体关系抽取方法、装置、设备及其存储介质 |
CN112507702A (zh) * | 2020-12-03 | 2021-03-16 | 北京百度网讯科技有限公司 | 文本信息的抽取方法、装置、电子设备及存储介质 |
CN113407610A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4123496A3 (en) | 2023-06-14 |
US20230073550A1 (en) | 2023-03-09 |
EP4123496A2 (en) | 2023-01-25 |
US20230073994A1 (en) | 2023-03-09 |
JP2023015215A (ja) | 2023-01-31 |
CN114490998A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114490998B (zh) | 文本信息的抽取方法、装置、电子设备和存储介质 | |
CN112949415A (zh) | 图像处理方法、装置、设备和介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
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 | |
US20230052906A1 (en) | Entity Recognition Method and Apparatus, and Computer Program Product | |
EP4191544A1 (en) | Method and apparatus for recognizing token, electronic device and storage medium | |
CN112507702A (zh) | 文本信息的抽取方法、装置、电子设备及存储介质 | |
CN113657395A (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
CN117556005A (zh) | 质量评估模型的训练方法、多轮对话质量评估方法和装置 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN114662469B (zh) | 情感分析方法、装置、电子设备及存储介质 | |
CN115457329A (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN112818972B (zh) | 兴趣点图像的检测方法、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 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114444514A (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN114398563A (zh) | 处理问答信息的方法、设备和存储介质 | |
CN114898374A (zh) | 一种图像的语义识别方法、装置、设备和存储介质 |
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 |