CN114861676A - 段落抽取方法、装置和电子设备 - Google Patents

Abstract

本公开提出了一种段落抽取方法、装置和电子设备，涉及自然语言理解和深度学习等人工智能领域，其中，方法包括获取目标文档和目标文档的抽取需求信息；确定目标文档中的段落所属的标题，并根据标题层级关系，对目标文档中标题和段落进行组合，以确定目标文档的候选段落；获取抽取需求信息和候选段落的关联参数；根据关联参数，从候选段落中确定抽取需求信息对应的目标段落。本公开中，实现了对目标文档的文本结构信息的利用，使得目标文档具有多粒度段落抽取的能力，实现了目标段落的准确获取，优化了段落抽取的方法。

Description

段落抽取方法、装置和电子设备

技术领域

本公开涉及信息抽取领域，尤其涉及自然语言理解和深度学习等人工智能领域。

背景技术

随着技术的发展，为了实现对于包含较多信息的长文档的有效利用，人们对于长文档中的信息存在抽取的需求，在信息抽取领域中，可以通过相关技术中的序列标注的方法对长文档中的信息进行抽取，标注的工作量大，容错率低。

或者，可以通过阅读理解的方式对长文档中的信息进行抽取，工作量大，效率低。

发明内容

本公开提出了一种段落抽取方法、装置及电子设备。

根据本公开的第一方面，提出了一种段落抽取方法，包括：获取目标文档和所述目标文档的抽取需求信息；确定所述目标文档中的段落所属的标题，并根据标题层级关系，对所述目标文档中标题和段落进行组合，以确定所述目标文档的候选段落；获取所述抽取需求信息和所述候选段落的关联参数；根据所述关联参数，从所述候选段落中确定所述抽取需求信息对应的目标段落。

根据本公开的第二方面，提出了一种段落抽取装置，包括：获取模块，用于获取目标文档和所述目标文档的抽取需求信息；确定模块，用于确定所述目标文档中的段落所属的标题，并根据标题层级关系，对所述目标文档中标题和段落进行组合，以确定所述目标文档的候选段落；关联模块，用于获取所述抽取需求信息和所述候选段落的关联参数；抽取模块，用于根据所述关联参数，从所述候选段落中确定所述抽取需求信息对应的目标段落。

根据本公开的第三方面，提出了一种电子设备，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上述第一方面所述的段落抽取方法。

根据本公开的第四方面，提出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上述第一方面所述的段落抽取方法。

根据本公开的第五方面，提出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上述第一方面所述的段落抽取方法。

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为本公开一实施例的段落抽取方法的流程示意图；

图2为本公开另一实施例的段落抽取方法的流程示意图；

图3为本公开另一实施例的段落抽取方法的流程示意图；

图4为本公开另一实施例的段落抽取方法的流程示意图；

图5为本公开另一实施例的段落抽取方法的流程示意图；

图6为本公开一实施例的段落抽取装置的结构示意图；

图7为本公开一实施例的电子设备的示意性框图。

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。

自然语言处理(Natural Language Processing，NLP)，是使用自然语言同计算机进行通讯的技术,是人工智能的分支学科。研究用电子计算机模拟人的语言交际过程，使计算机能理解和运用人类社会的自然语言如汉语、英语等，实现人机之间的自然语言通信，以代替人的部分脑力劳动，包括查询资料、解答问题、摘录文献、汇编资料以及一切有关自然语言信息的加工处理。

深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

人工智能(Artificial Intelligence，简称AI)，是研究使计算机来模拟人类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计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图技术等几大方面。

图1为本公开一实施例的段落抽取方法的流程示意图，如图1所示，该方法包括：

S101，获取目标文档和目标文档的抽取需求信息。

实现中，人们为了达到对于文档的高效处理和利用的目的，可以基于设定的需求有针对性的对文档中的文字内容进行筛选或者抽取等相关操作。

其中，可以将待抽取文字内容的文档确定为目标文档，在基于设定需求对目标文档进行文字抽取的过程中，将该设定需求确定为目标文档对应的抽取需求信息。

可选地，目标文档的抽取需求信息，可以是针对待抽取文字内容的关键字信息，也可以是针对待抽取文字内容的语句信息，此处不做限定。

进一步地，抽取需求信息与目标文档存在设定的对应关系，其中，可以先行确定对于目标文档需要进行的处理步骤以及处理步骤对应的详细信息，根据确定的处理步骤以及对应的详细信息，确定目标文档中的待抽取文字内容，进而确定目标文档的抽取需求信息。

S102，确定目标文档中的段落所属的标题，并根据标题层级关系，对目标文档中标题和段落进行组合，以确定目标文档的候选段落。

本公开实施例中，目标文档中的文字段落存在对应的标题信息，可以通过标题信息实现对目标文档的层级结构的利用，从而实现对目标文档中的文字内容的有效抽取。

可选地，可以根据目标文档中的文字结构以及相关语义信息，确定文档中的段落在目标文档中所属的标题，其中，目标文档中的标题存在设定的层级关系。

比如，针对标题1.1和标题1.1.1，标题1.1.1属于标题1.1的覆盖范围，则标题1.1为高层级标题，标题1.1.1为低层级标题。

进一步地，可以将标题之间的层级关系确定为目标文档的标题层级关系。

需要说明的是，由于标题之间呈现的标题层级关系，使得目标文档呈现了设定形状的层级结构。比如树形，可以将目标文档中的标题作为树形文档结构中的节点，将标题下对应的文字段落作为节点下的文字信息。

进一步地，基于设定的层级结构，使得目标文档可以实现设定粒度的文字段落抽取。

比如，设定具有树形结构的目标文档中的路径A上，存在标题1、标题1.1、标题1.1.1、标题1.1.2，段落a，其中，标题和段落之间的对应关系为：标题1-标题1.1-段落a-标题1.1.1-段落b-段落c。

其中，可以将“标题1.1-标题1.1.1-段落a”设定为章节I，将“标题1.1.1-段落a”设定为章节II，将“段落a”设定为章节III，则对于该目标文档进行段落抽取的过程中，可以将与章节I相同结构的段落作为抽取粒度，也可以将与章节II结构相同的段落作为抽取粒度，还可以将与章节III相同结构的段落作为抽取粒度，此处不做限定。

实现中，目标文档中的标题存在设定含义，且标题的含义与其下对应的段落中的文字表达的含义之间存在一定程度的关联，因此，可以结合目标文档中的标题的相关信息，以及标题下对应段落的相关信息，对目标文档进行抽取需求信息对应的文字段落的抽取。

进一步地，可以将标题和标题下对应的段落进行整合，并将整合后的文字内容作为目标文档中的候选段落，其中，每个候选段落中包括至少一个标题和标题下对应的段落。

其中，可以根据目标文档标题层级关系，对标题和标题下的对应段落进行整合。可选地，可以将具有设定文字含义的标题和标题下的对应段落进行整合，并确定为目标文档的候选段落，也可以将满足设定标准的标题和标题下的对应段落进行整合，并确定为目标文档的候选段落，此处不做限定。

S103，获取抽取需求信息和候选段落的关联参数。

本公开实施例中，为了实现对于目标文档的有效内容抽取，可以根据抽取需求信息和候选段落之间的关联程度，从候选段落中确定抽取需求信息对应的目标段落。

可选地，可以获取具有描述关联程度功能的设定参数，并将其确定为抽取需求信息和候选段落之间的关联参数。

进一步地，基于获取的设定参数对抽取需求信息和候选段落进行设定方法的处理，根据处理后的结果得到抽取需求信息和候选段落之间的关联参数。

可选地，可以通过关联程度的描述函数对抽取需求信息和候选段落的设定属性信息进行计算，通过函数计算的结果，确定抽取需求信息和候选段落之间的关联参数。

可选地，可以通过关联程度的设定算法对抽取需求信息和候选段落的设定属性信息进行计算，通过算法输出的结果，对抽取需求信息和候选段落之间的关联程度进行量化，从而二者之间的关联参数。

S104，根据关联参数，从候选段落中确定抽取需求信息对应的目标段落。

本公开实施例中，关联参数具有描述抽取需求信息和候选段落之间的关联程度的功能，因此，可以根据关联参数，从候选段落中确定抽取需求信息对应的段落，并将其确定为抽取需求信息对应的目标段落。

可选地，可以根据关联参数所描述的关联程度对关联参数由高至低进行排序，将排序后的关联参数队列中的首位关联参数对应的候选段落，作为抽取需求信息在目标文档中对应的目标段落。

可选地，可以根据关联参数，获取候选段落和抽取需求信息之间的匹配度，根据匹配度从候选段落中，确定抽取需求信息在目标文档中对应的目标段落。

本公开提出的段落抽取方法，确定目标文档中的段落所属的标题，并根据标题层级关系获取目标文档中的候选段落，进一步地，根据目标文档的抽取需求信息和候选段落之间的关联参数，从候选段落中确定抽取需求信息对应的目标段落。本公开中，基于标题层级关系对标题和标题下对应段落组合进而获取候选段落，并从候选段落中确定抽取需求信息对应的目标段落，结合了标题之间的层级结构关系，以及标题和标题下对应段落的含义，实现了对目标文档的文本结构信息的利用，使得目标文档具有多粒度段落抽取的能力，提高了目标段落与抽取需求信息的匹配度，实现了目标段落的准确获取，优化了段落抽取的方法。

上述实施例中，关于候选段落和抽取需求信息之间的关联参数的获取，可结合图2进一步理解，图2为本公开另一实施例的段落抽取方法的流程示意图，如图2所示，该方法包括：

S201，获取抽取需求对应的第一向量。

为了实现对于关联参数的量化，可以对抽取需求信息和目标文档中的候选段落进行设定方法的处理。其中，可以对抽取需求信息和目标文档中的候选段落所包含的文字内容进行向量化处理，分别获取抽取需求信息包括的文字对应的向量，以及目标文档中的候选段落所包含的文字对应的向量。

其中，可以将抽取需求信息对应的向量确定为第一向量。

可选地，可以基于卷积神经网络对抽取需求信息中的文字内容进行转换，根据卷积神经网络的输出结果，获取抽取需求信息对应的第一向量。

可选地，可以基于自然语言处理(Natural Language Processing，NLP)对抽取需求信息中的文字内容进行处理，进而获取抽取需求信息对应的第一向量。

S202，获取目标文档中的候选段落的第二向量。

进一步地，可以对目标文档中的候选段落中的文字内容进行向量化，并将得到的向量确定为目标文档的候选段落对应的第二向量。

作为一种可能地实现方式，可以与第一向量的获取方法对应，基于卷积神经网络对目标文档中的候选段落中的文字内容进行转换，根据卷积神经网络的输出结果，获取目标文档中的候选段落对应的第二向量。

或者，还可以基于NLP对目标文档中的候选段落中的文字内容进行处理，进而获取目标文档中的候选段落对应的第二向量。

作为另一种可能地实现方式，可以根据训练好的设定模型实现对第二向量的获取，相应地，该训练好的设定模型同样可以用于第一向量的获取。

可选地，可以通过关联度双塔模型，实现第一向量和第二向量的获取。

其中，可以获取训练好的目标关联度双塔模型。

可选地，可以通过关联度双塔模型实现对抽取需求信息和目标文档的候选段落的向量化。

其中，可以先行对关联度双塔模型进行训练，根据每个轮次的训练结果调整关联度双塔模型的设定模型参数，直至训练过程中的关联度双塔模型满足训练结束的条件，则结束对关联度双塔模型的训练，并获取训练好的目标关联度双塔模型。

进一步地，根据目标关联度双塔模型，获取第一向量和第二向量的关联度。

可选地，如图3所示，可以将抽取需求信息输入目标关联度双塔模型中用于处理抽取需求信息的对应塔，从该侧模型输出的结果中，确定抽取需求信息对应的第一向量。其中，目标关联度双塔模型中用于处理抽取需求信息的对应塔可以为图3所示的目标关联度双塔模型中的左侧塔。

相应地，将携带有候选段落的目标文档输入目标关联度双塔模型中用于处理目标文档的候选段落的对应塔，从该侧模型输出的结果中，确定目标文档的候选段落对应的第二向量。

其中，目标关联度双塔模型中用于处理目标文档的候选段落的对应塔可以为图3所示的目标关联度双塔模型中的右侧塔。

S203，获取第一向量和第二向量的关联度，作为关联参数。

本公开实施例中，第一向量为抽取需求信息进行向量化获取到的对应向量，第二向量为目标文档的候选段落进行向量化获取到的对应向量，因此，可以通过获取第一向量和第二向量之间的关联度，实现对抽取需求信息和目标文档的候选段落之间的关联度。

因此，可以将第一向量和第二向量之间的关联度，确定为抽取需求信息和目标文档的候选段落之间的关联参数。

可选地，可以基于设定关联度算法对第一向量和第二向量进行计算，根据计算的结果确定第一向量和第二向量的关联度，并将其作为抽取需求信息和目标文档的候选段落之间的关联参数。

可选地，可以通过训练好的目标关联度双塔模型获取第一向量和第二向量的关联度。

当目标关联度双塔模型中的两侧模型分别输出抽取需求信息的第一向量和目标文档的候选段落的第二向量后，根据目标关联度双塔模型的设定计算层对第一向量和第二向量进行计算，获取第一向量和第二向量的关联度，并作为模型的输出结果进行输出。

进一步地，将目标关联度双塔模型的输出结果中的关联度，作为抽取需求和候选段落的关联参数。

S204，获取关联参数中，满足设定条件的目标关联参数。

在一些实现中，可以分别获取抽取需求信息和目标文档中的每个候选段落之间的关联参数，通过对获取到的多个关联参数进行设定方法的处理，从而确定与抽取需求信息对应的目标段落。

可选地，可以获取关联参数对应的设定条件，并将得到的关联参数与设定条件进行对比，从对比结果中，获取满足设定条件的关联参数，并将其确定为目标关联参数。

S205，将目标关联参数对应的候选段落，确定为抽取需求信息对应的目标段落。

本公开实施例中，目标关联参数对于抽取需求信息和候选段落之间的关联度的描述，满足了设定需求，因此，可以将目标关联参数对应的候选段落，作为抽取需求信息在目标文档中对应的目标段落。

比如，针对关联参数A、关联参数B，其中，关联参数A为抽取需求信息和候选段落1之间的关联参数，关联参数B为抽取需求信息和候选段落2之间的关联参数。

进一步地，设定关联参数B满足了对应的设定条件，则可以将关联参数B确定为目标关联参数，因此，关联参数B对应的候选段落2即为目标关联参数对应的候选段落，则可以将候选段落2作为该抽取需求信息在目标文档中对应的目标段落。

本公开提出的段落抽取方法，获取抽取需求信息对应的第一向量，以及目标文档的候选段落对应的第二向量，通过获取第一向量和第二向量之间的关联度，确定抽取需求信息和目标文档中的候选段落之间的关联参数。进一步地，从关联参数中确定满足设定条件的目标关联参数，进而根据目标关联参数确定抽取需求信息在目标文档中对应的目标段落。本公开中，从候选段落中确定抽取需求信息对应的目标段落，结合了标题之间的层级结构关系，以及标题和标题下对应段落的含义，实现了对目标文档的文本结构信息的利用，使得目标文档具有多粒度段落抽取的能力，通过目标关联度双塔模型对抽取需求信息和候选段落的向量化并获取二者之间的关联参数，简化了二者之间的关联参数的获取方法，提高了关联参数的获取效率，进而提高的目标段落的获取效率。

上述实施例中，关于候选段落的获取，可结合图4进一步理解，图4为本公开另一实施例的段落抽取方法的流程示意图，如图4所示，该方法包括：

S401，根据标题的语义信息确定目标文档中的标题层级关系。

在一些实现中，可以获取标题的语义信息，通过标题的语义信息之间的关联性，从而确定标题之间的层级关系，并将其作为目标文档中的标题层级关系。

比如，设定标题A的语义信息中包括的对于物体H的特征X的描述信息，标题B的语义信息中同样包括的对于物体H的特征X的描述信息，其中，标题A中的描述信息的覆盖范围大于标题B中的描述信息，因此，可以判断，标题A的层级高于标题B的层级。

可选地，可以通过设定工具对目标文档进行编辑，比如语义解析器(parser)。可以将目标文档输入语义解析器中，通过语义解析器对目标文档中的标题的语义信息进行解析，从而确定目标文档中的标题层级关系并作为结果输出。

需要说明的是，为了使得目标文档中的标题层级关系更加直观，可以对标题和段落分别进行标记，确定对应的标识信息，从而实现对于标题和段落的直观识别。

可选地，可以将标题的标识信息确定为0，将段落的标识信息确定为1，如表1所示：

表1：

S402，根据标题层级关系，确定不同层级的待组合标题。

进一步地，根据标题层级关系，从目标文档的全部标题中获取分布于不同层级的设定数量的标题，并作为候选段落对应的待组合标题。

可选地，可以获取目标文档中的层级相同的部分相邻标题，作为待组合标题。

比如，设定目标文档包括：标题1-标题1.1-段落1-标题1.1.1-段落2-段落3，以及标题1-标题1.2-段落4-标题1.2.1-段落5-段落6。

则可以标题1.1和标题1.2两个相同层级且相邻的部分标题，作为待组合标题。

可选地，可以获取目标文档中的层级不同的部分相邻标题，作为待组合标题。

比如，设定目标文档包括：标题1-标题1.1-段落1-标题1.1.1-段落2-段落3，以及标题1-标题1.2-段落4-标题1.2.1-段落5-段落6。

则可以标题1.2和标题1.2.1两个不同层级且相邻的部分标题，作为待组合标题。

可选地，可以获取目标文档中的全部标题，作为待组合标题。

比如，设定目标文档包括：标题1-标题1.1-段落1-标题1.1.1-段落2-段落3，以及标题1-标题1.2-段落4-标题1.2.1-段落5-段落6。

则可以将上述标题1、标题1.1、标题1.1.1、标题1.2、标题1.2.1均作为待组合标题。

需要说明的是，为了获取目标文档中与抽取需求信息对应的目标段落，上述候选段落的组合方式可以基于抽取需求信息和目标文档的实际应用场景设定，此处不做限定。

S403，将待组合标题和待组合标题下的对应段落进行组合，以获取目标文档的候选段落。

进一步地，确定待组合标题后，将待组合标题以及标题下的对应段落进行组合，从而生成对应的候选段落。

比如，在上述示例的基础上可知，目标文档包括：标题1-标题1.1-段落1-标题1.1.1-段落2-段落3，以及标题1-标题1.2-段落4-标题1.2.1-段落5-段落6。

在标题1.1和标题1.2作为待组合标题的场景下，可以将标题1.1和标题1.2下包括的对应标题和对应段落进行组合，从而获取对应的候选段落。

在标题1.2和标题1.2.1作为待组合标题的场景下，可以将标题1.2和标题1.2.1下的对应标题和对应段落进行组合，从而获取对应的候选段落。

在标题1、标题1.1、标题1.1.1、标题1.2、标题1.2.1作为待组合标题的场景下，可以将标题1、标题1.1、标题1.1.1、标题1.2、标题1.2.1下的对应标题和对应段落进行组合，从而获取对应的候选段落。

本公开提出的段落抽取方法，根据标题层级关系获取对应的待组合标题，将待组合标题以及标题下的对应段落进行组合，从而获取目标文档中的候选段。本公开中，结合了标题之间的层级结构关系，以及标题和标题下对应段落的含义，实现了对目标文档的文本结构信息的利用，组合获取到的候选段落，使得目标文档具有多粒度段落抽取的能力，优化了目标段落的抽取方法。

上述实施例中，关于目标关联度双塔模型的训练，可结合图5进一步理解，图5为本公开另一实施例的段落抽取方法的流程示意图，如图5所示，该方法包括：

S501，获取待训练的关联度双塔模型的训练混淆样本。

为了使得训练好的目标关联度双塔模型可以满足实际所需，对于待训练的关联度双塔模型，可以构建正样本和负样本混合的混淆样本对其进行训练。

其中，可以将抽取需求信息与其在文档中的对应段落组成的样本作为正样本，将抽取需求信息与文档中的非对应段落组成的样本作为负样本。

可选地，可以获取样本文档和对应的样本抽取需求信息。

其中，可以从设定存储位置获取待训练的关联度双塔模型对应的样本文档，并确定样本文档对应的样本抽取需求信息。

进一步地，根据样本抽取需求信息，从样本文档中抽取正样本和负样本。

本公开实施例中，可以获取样本文档中的样本候选段落，并根据样本候选段落和样本抽取需求信息之间的关联参数，从样本文档中抽取用于关联度双塔模型训练的正样本和负样本。

其中，可以获取样本抽取需求信息在样本文档中的目标样本段落。

可选地，可以从样本抽取需求信息和样本候选段落之间的样本关联参数中，确定对应的样本目标关联参数，进而确定样本文档中与样本抽取需求信息对应的目标样本段落。

进一步地，根据样本抽取需求信息和目标样本段落，生成样本文档中的正样本。

实现中，待训练的关联度双塔模型存在设定的样本输入格式，因此，可以先行获取该样本输入格式，并根据该格式对样本抽取需求信息和目标样本段落进行整合，从而生成样本文档中的正样本。

如表2所示，表2为样本文档正样本和负样本的抽取示意图。

表2：

由表2可知，样本抽取需求信息q1对应的目标样本段落为p1，则可以将q1和p1进行设定格式的整合，从而生成样本文档中的正样本q1-p1。

进一步地，根据样本抽取需求信息和样本文档中除目标样本段落之外的剩余段落，生成样本文档中的负样本。

为了实现对关联度双塔模型的有效训练，在获取正样本的同时，还需要抽取正样本对应的负样本。

可选地，可以在确定样本文档中与样本抽取需求信息对应的目标样本段落后，将样本抽取需求信息与样本文档中非目标样本段落的其他段落进行整合，从而生成样本文档的负样本。

如表2所示，样本抽取需求信息q1对应的目标样本段落为p1，则可以将q1和除p1之外的其他段落进行设定格式的整合，比如p2，则可以将q1-p2作为样本文档中的负样本。

进一步地，可以通过设定的标识信息对正样本和负样本进行标识，如表2所示，可以将正样本的标识信息设定为t，将负样本的标识信息设定为f，则表2中，根据标识信息t对应的q和p可以获取样本文档中的正样本，根据标识信息f对应的q和p可以获取样本文档中的负样本。

由此可知，表2中的正样本可以包括q1-p1，q2-p2，q3-p3，……，qn-2-pn-2，qn-1-pn-1,qn-pn，负样本可以包括q1与任何非p1之间的组合，q2与任意非p2的组合等以此类推。

进一步地，根据正样本和负样本，获取关联度双塔模型的训练混淆样本。

可选地，可以基于设定比例对正样本和负样本进行混合，从而获取用于关联度双塔模型训练的训练混淆样本。

可选地，可以基于设定权重对正样本和负样本进行混合，从而获取用于关联度双塔模型训练的训练混淆样本。

需要说明的是，抽取正样本的样本文档和抽取负样本的样本文档可以为同一篇样本文档。

S502，根据训练混淆样本对关联度双塔模型进行训练，直至训练结束获取训练好的目标关联度双塔模型。

本公开实施例中供，可以将训练混淆样本输入待训练的关联度双塔模型中，根据每个轮次模型训练的输出结果，对关联度双塔模型的模型参数进行调整。

其中，可以获取每个轮次模型训练输出的损失函数，根据损失函数实现模型参数的调整。

可选地，可以基于训练次数设定训练结束条件。其中，可以对关联度双塔模型的训练轮次进行监控和记录，若当前轮次的模型训练的轮次满足设定的训练结束条件，可以理解为，当前轮次训练结束后的关联度双塔模型可以满足实际应用所需，则可以停止训练，并将最后一个轮次训练结束的关联度双塔模型，作为训练好的目标关联度双塔模型输出。

可选地，可以基于模型的训练输出结果设定训练结束条件。其中，可以对关联度双塔模型每个轮次的模型输出结果进行分析，若当前轮次训练的模型输出结果满足设定的训练结束条件，可以理解为，当前轮次训练结束后的关联度双塔模型可以满足实际应用所需，则可以停止训练，并将最后一个轮次训练结束的关联度双塔模型，作为训练好的目标关联度双塔模型输出。

本公开提出的段落抽取方法，分别获取样本文档中的正样本和负样本，进而获取对应的训练混淆样本。进一步地，根据训练混淆样本对关联度双塔模型进行训练，直至训练结束，获取训练好的目标关联度双塔模型。本公开中，通过同一篇样本文档实现正样本和负样本的抽取，降低了负样本的构建成本，结合正样本和负样本对关联度双塔模型进行训练，优化了模型的训练效果。

与上述几种实施例提出的段落抽取方法相对应，本公开的一个实施例还提出了一种段落抽取装置，由于本公开实施例提出的段落抽取装置与上述几种实施例提出的段落抽取方法相对应，因此上述段落抽取方法的实施方式也适用于本公开实施例提出的段落抽取装置，在下述实施例中不再详细描述。

图6为本公开一实施例的段落抽取装置的结构示意图，如图6所示，段落抽取装置600，包括获取模块61、识别模块62、关联模块63、抽取模块64，其中：

获取模块61，用于获取目标文档和目标文档的抽取需求信息；

确定模块62，用于确定目标文档中的段落所属的标题，并根据标题层级关系，对目标文档中标题和段落进行组合，以确定目标文档的候选段落；

关联模块63，用于获取抽取需求信息和候选段落的关联参数；

抽取模块64，用于根据关联参数，从候选段落中确定抽取需求信息对应的目标段落。

本公开实施例中，关联模块63，还用于：获取抽取需求对应的第一向量；获取目标文档中的候选段落的第二向量；获取第一向量和第二向量的关联度，作为关联参数。

本公开实施例中，关联模块63，还用于：获取训练好的目标关联度双塔模型；根据目标关联度双塔模型，获取第一向量和第二向量的关联度，并将关联度作为抽取需求和候选段落的关联参数。

本公开实施例中，抽取模块64，还用于：获取关联参数中，满足设定条件的目标关联参数；将目标关联参数对应的候选段落，确定为抽取需求信息对应的目标段落。

本公开实施例中，抽取模块64，还用于：根据标题的语义信息确定目标文档中的标题层级关系；根据标题层级关系，确定不同层级的待组合标题；将待组合标题和待组合标题下的对应段落进行组合，以获取目标文档的候选段落。

本公开实施例中，抽取模块64，还用于：获取目标文档中的层级相同的部分相邻标题，作为待组合标题；或者，获取目标文档中的层级不同的部分相邻标题，作为待组合标题；或者，获取目标文档中的全部标题，作为待组合标题。

本公开实施例中，关联模块63，还用于：获取待训练的关联度双塔模型的训练混淆样本；根据训练混淆样本对关联度双塔模型进行训练，直至训练结束获取训练好的目标关联度双塔模型。

本公开实施例中，关联模块63，还用于：获取样本文档和对应的样本抽取需求信息；根据样本抽取需求信息，从样本文档中抽取正样本和负样本；根据正样本和负样本，获取关联度双塔模型的训练混淆样本。

本公开实施例中，关联模块63，还用于：获取样本抽取需求信息在样本文档中的目标样本段落；根据样本抽取需求信息和目标样本段落，生成样本文档中的正样本；根据样本抽取需求信息和样本文档中除目标样本段落之外的剩余段落，生成样本文档中的负样本。

本公开提出的段落抽取装置，确定目标文档中的段落所属的标题，并根据标题层级关系获取目标文档中的候选段落，进一步地，根据目标文档的抽取需求信息和候选段落之间的关联参数，从候选段落中确定抽取需求信息对应的目标段落。本公开中，基于标题层级关系对标题和标题下对应段落组合进而获取候选段落，并从候选段落中确定抽取需求信息对应的目标段落，结合了标题之间的层级结构关系，以及标题和标题下对应段落的含义，实现了对目标文档的文本结构信息的利用，使得目标文档具有多粒度段落抽取的能力，提高了目标段落与抽取需求信息的匹配度，实现了目标段落的准确获取，优化了段落抽取的方法。

根据本公开的实施例，本公开还提出了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元706，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如段落抽取方法。例如，在一些实施例中，段落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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的段落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701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行段落抽取方法。

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)、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出给通用计算机、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。

为了提出与用户的交互，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出给计算机。其它种类的装置还可以用于提出与用户的交互；例如，提出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，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 (21)

1.一种段落抽取方法，其中，所述方法包括：

获取目标文档和所述目标文档的抽取需求信息；

确定所述目标文档中的段落所属的标题，并根据标题层级关系，对所述目标文档中标题和段落进行组合，以确定所述目标文档的候选段落；

获取所述抽取需求信息和所述候选段落的关联参数；

根据所述关联参数，从所述候选段落中确定所述抽取需求信息对应的目标段落。

2.根据权利要求1所述的方法，其中，所述获取所述抽取需求和所述候选段落的关联参数，包括：

获取所述抽取需求对应的第一向量；

获取所述目标文档中的所述候选段落的第二向量；

获取所述第一向量和所述第二向量的关联度，作为所述关联参数。

3.根据权利要求2所述的方法，其中，所述方法还包括：

获取训练好的目标关联度双塔模型；

根据所述目标关联度双塔模型，获取所述第一向量和所述第二向量的关联度，并将所述关联度作为所述抽取需求和所述候选段落的所述关联参数。

4.根据权利要求3所述的方法，其中，所述根据所述关联参数，从所述候选段落中确定所述抽取需求信息对应的目标段落，包括：

获取所述关联参数中，满足设定条件的目标关联参数；

将所述目标关联参数对应的候选段落，确定为所述抽取需求信息对应的所述目标段落。

5.根据权利要求4所述的方法，其中，所述确定所述目标文档中的段落所属的标题，并根据标题层级关系，对所述目标文档中标题和段落进行组合，以确定所述目标文档的候选段落，包括：

根据所述标题的语义信息确定所述目标文档中的所述标题层级关系；

根据所述标题层级关系，确定不同层级的待组合标题；

将所述待组合标题和所述待组合标题下的对应段落进行组合，以获取所述目标文档的所述候选段落。

6.根据权利要求5所述的方法，其中，所述根据所述标题层级关系，确定不同层级的待组合标题，包括：

获取所述目标文档中的层级相同的部分相邻标题，作为所述待组合标题；或者，

获取所述目标文档中的层级不同的部分相邻标题，作为所述待组合标题；或者，

获取所述目标文档中的全部标题，作为所述待组合标题。

7.根据权利要求3所述的方法，其中，所述获取训练好的目标关联度双塔模型之前，包括：

获取待训练的关联度双塔模型的训练混淆样本；

根据所述训练混淆样本对所述关联度双塔模型进行训练，直至训练结束获取训练好的所述目标关联度双塔模型。

8.根据权利要求7所述的方法，其中，所述获取待训练的关联度双塔模型的训练混淆样本，包括：

获取样本文档和对应的样本抽取需求信息；

根据所述样本抽取需求信息，从所述样本文档中抽取正样本和负样本；

根据所述正样本和所述负样本，获取所述关联度双塔模型的所述训练混淆样本。

9.根据权利要求8所述的方法，其中，所述根据所述样本需求，从所述样本文档中抽取正样本和负样本，包括：

获取所述样本抽取需求信息在所述样本文档中的目标样本段落；

根据所述样本抽取需求信息和所述目标样本段落，生成所述样本文档中的所述正样本；

根据所述样本抽取需求信息和所述样本文档中除所述目标样本段落之外的剩余段落，生成所述样本文档中的所述负样本。

10.一种段落抽取装置，其中，所述装置包括：

获取模块，用于获取目标文档和所述目标文档的抽取需求信息；

确定模块，用于确定所述目标文档中的段落所属的标题，并根据标题层级关系，对所述目标文档中标题和段落进行组合，以确定所述目标文档的候选段落；

关联模块，用于获取所述抽取需求信息和所述候选段落的关联参数；

抽取模块，用于根据所述关联参数，从所述候选段落中确定所述抽取需求信息对应的目标段落。

11.根据权利要求10所述的装置，其中，所述关联模块，还用于：

获取所述抽取需求对应的第一向量；

获取所述目标文档中的所述候选段落的第二向量；

获取所述第一向量和所述第二向量的关联度，作为所述关联参数。

12.根据权利要求11所述的装置，其中，所述关联模块，还用于：

获取训练好的目标关联度双塔模型；

根据所述目标关联度双塔模型，获取所述第一向量和所述第二向量的关联度，并将所述关联度作为所述抽取需求和所述候选段落的所述关联参数。

13.根据权利要求12所述的装置，其中，所述抽取模块，还用于：

获取所述关联参数中，满足设定条件的目标关联参数；

将所述目标关联参数对应的候选段落，确定为所述抽取需求信息对应的所述目标段落。

14.根据权利要求13所述的装置，其中，所述抽取模块，还用于：

根据所述标题的语义信息确定所述目标文档中的所述标题层级关系；

根据所述标题层级关系，确定不同层级的待组合标题；

将所述待组合标题和所述待组合标题下的对应段落进行组合，以获取所述目标文档的所述候选段落。

15.根据权利要求14所述的装置，其中，所述抽取模块，还用于：

获取所述目标文档中的层级相同的部分相邻标题，作为所述待组合标题；或者，

获取所述目标文档中的层级不同的部分相邻标题，作为所述待组合标题；或者，

获取所述目标文档中的全部标题，作为所述待组合标题。

16.根据权利要求12所述的装置，其中，所述关联模块，还用于：

获取待训练的关联度双塔模型的训练混淆样本；

根据所述训练混淆样本对所述关联度双塔模型进行训练，直至训练结束获取训练好的所述目标关联度双塔模型。

17.根据权利要求16所述的装置，其中，所述关联模块，还用于：

获取样本文档和对应的样本抽取需求信息；

根据所述样本抽取需求信息，从所述样本文档中抽取正样本和负样本；

根据所述正样本和所述负样本，获取所述关联度双塔模型的所述训练混淆样本。

18.根据权利要求17所述的装置，其中，所述关联模块，还用于：

获取所述样本抽取需求信息在所述样本文档中的目标样本段落；

根据所述样本抽取需求信息和所述目标样本段落，生成所述样本文档中的所述正样本；

根据所述样本抽取需求信息和所述样本文档中除所述目标样本段落之外的剩余段落，生成所述样本文档中的所述负样本。

19.一种电子设备，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1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

21.一种计算机程序产品，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权利要求1-9中任一项所述的方法。

Images