CN115600592A - 文本内容的关键信息提取方法、装置、设备及介质 - Google Patents

文本内容的关键信息提取方法、装置、设备及介质 Download PDF

Info

Publication number
CN115600592A
CN115600592A CN202211329479.4A CN202211329479A CN115600592A CN 115600592 A CN115600592 A CN 115600592A CN 202211329479 A CN202211329479 A CN 202211329479A CN 115600592 A CN115600592 A CN 115600592A
Authority
CN
China
Prior art keywords
text
regular expression
text content
matching
sample
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.)
Pending
Application number
CN202211329479.4A
Other languages
English (en)
Inventor
杨延伟
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202211329479.4A priority Critical patent/CN115600592A/zh
Publication of CN115600592A publication Critical patent/CN115600592A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90344—Query processing by using string matching techniques

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)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种文本内容的关键信息提取方法、装置、设备及介质。该方法包括：获取待处理文本内容，并对待处理文本内容进行预处理，以获取预处理文本内容；对预处理文本内容进行随机采样，以获取样本集合；获取各样本对应的关注信息，并根据各样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；基于目标正则表达式集合对预处理文本内容进行关键信息提取，以获取预处理文本内容对应的关键信息。本实施例的技术方案，通过采用正则匹配的方式提取文本内容的关键信息，可以提升个性化长文本中关键信息的提取效率和准确度。

Description

文本内容的关键信息提取方法、装置、设备及介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种文本内容的关键信息提取方法、装置、设备及介质。
背景技术
在日常生活中，会有很多场景需要对大量的简历进行初步筛选。其中，简历中的基本信息容易提取，但诸如实践经历、科研经历、工作履历等个性化长文本中的关键信息很难高效处理，但又是衡量候选人的最重要指标。在不同的筛选场景下，所关注的简历内容不同且初筛工作要求快速响应，因此需要有扩展性好且速度较快的轻量化解决方案。
目前，现有的文本内容的关键信息提取方法，通常是通过自然语言处理中的命名实体识别来完成，例如，可以基于长短期记忆网络结合条件随机域模型，提取输入文本的关键信息。然而，在现有技术中，需要有良好打标的训练集，且模型训练需要花费大量时间，故信息提取效率较低，且对于个性化很强的文本内容的关键信息提取的准确率较低。
发明内容
本发明提供了一种文本内容的关键信息提取方法、装置、设备及介质，可以提升个性化长文本中关键信息的提取效率和准确度。
根据本发明的一方面，提供了一种文本内容的关键信息提取方法，包括：
获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容；
对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合；
获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；
基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
根据本发明的另一方面，提供了一种文本内容的关键信息提取装置，包括：
预处理文本内容获取模块，用于获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容；
样本集合获取模块，用于对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合；
目标正则表达式集合获取模块，用于获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；
关键信息获取模块，用于基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
根据本发明的另一方面，提供了一种电子设备，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，所述计算机程序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发明任一实施例所述的文本内容的关键信息提取方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的文本内容的关键信息提取方法。
本发明实施例的技术方案，通过获取待处理文本内容，并对待处理文本内容进行预处理，以获取预处理文本内容；之后，对预处理文本内容进行随机采样，以获取样本集合；然后，获取各样本对应的关注信息，并根据各样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合，进而基于目标正则表达式集合对预处理文本内容进行关键信息提取，以获取预处理文本内容对应的关键信息，通过采用正则匹配的方式提取文本内容的关键信息，可以提升个性化长文本中关键信息的提取效率和准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A是根据本发明实施例一提供的一种文本内容的关键信息提取方法的流程图；
图1B是根据本发明实施例一提供的一种迭代过程中的相似文本聚集示意图；
图2A是根据本发明实施例二提供的一种文本内容的关键信息提取方法的流程图；
图2B是根据本发明实施例二提供的一种文本内容的关键信息提取方法的流程示意图；
图3是根据本发明实施例三提供的一种文本内容的关键信息提取装置的结构示意图；
图4是实现本发明实施例的文本内容的关键信息提取方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1A为本发明实施例一提供了一种文本内容的关键信息提取方法的流程图，本实施例可适用于对简历个性化长文本中的关键信息进行提取的情况，该方法可以由文本内容的关键信息提取装置来执行，该文本内容的关键信息提取装置可以采用硬件和/或软件的形式实现，该文本内容的关键信息提取装置可配置于电子设备中，典型的，电子设备可以是计算机设备或者服务器。如图1A所示，该方法包括：
S110、获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容。
其中，待处理文本内容，可以是简历中的个性化长文本(例如，实践经历、科研经历、工作履历等)内容，简历可以是高校保研夏令营的申请简历，或者公司秋招时收到的大量候选人的工作简历。本实施例对简历的类型不作具体限定。在本实施例中，针对不同的简历筛选场景，可以预先设置所关注内容部分，并从各简历中提取所关注内容部分对应的文本内容，以作为待处理文本内容。
具体的，在获取到待处理文本内容之后，可以对待处理文本内容进行预处理，例如，去除无意义空白、替换特殊符号等，以获取预处理文本内容。
S120、对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合。
需要说明的是，简历中长文本的写法因人而异，为了避免出现匹配文本的遗漏，在本实施例中，在获取到预处理文本内容之后，可以在预处理文本内容中随机采样小数量的样本，从而生成样本集合。
在本实施例中，通过随机抽取适量小样本，可以在保证样本内容代表性的同时，有效节约正则表达式抽取阶段的时间，从而可以实现正则表达式的快速迭代。
S130、获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合。
其中，关注信息，可以是样本中的数字、字母，或者特定字符；在本实施例中，针对不同的简历筛选场景，可以设置不同类型的关注信息。由此，在获取到样本集合后，针对每个样本可以分别提取对应的关注信息。
在本实施例中，共性表达方式，可以是所有关注信息共同具有的特征或者属性。在一个具体的例子中，可以首先提取各关注信息匹配的共有特征和属性，然后根据各关注信息匹配的共有特征和属性，设计正则表达式，从而建立目标正则表达式集合。
其中，正则表达式，可以是对字符串操作的一种逻辑公式。例如，可以采用事先定义的一些特定字符、及这些特定字符的组合，组成一个规则字符串，通过该规则字符串，可以检验给定字符串是否符合正则表达式的过滤逻辑，也可以从给定字符串中获取关注的特定部分，即关键信息。需要说明的是，正则表达式具有灵活性、逻辑性和功能性强的特点，故可以迅速地利用极简单的方式实现对字符串的复杂控制。
S140、基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
具体的，利用目标正则表达式集合中各目标正则表达式，分别对预处理文本内容进行文本匹配检测，以获取各目标正则表达式对应的匹配文本；之后，可以将各目标正则表达式对应的匹配文本的并集，作为预处理文本内容对应的关键信息；或者，可以对各匹配文本的并集进行去重处理，并将去重后的各匹配文本的并集，作为预处理文本内容对应的关键信息。
本发明实施例的技术方案，通过获取待处理文本内容，并对待处理文本内容进行预处理，以获取预处理文本内容；之后，对预处理文本内容进行随机采样，以获取样本集合；然后，获取各样本对应的关注信息，并根据各样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合，进而基于目标正则表达式集合对预处理文本内容进行关键信息提取，以获取预处理文本内容对应的关键信息，通过采用正则匹配的方式提取文本内容的关键信息，可以提升个性化长文本中关键信息的提取效率和准确度。
在本实施例的一个可选的实施方式中，对所述待处理文本内容进行预处理，以获取预处理文本内容，可以包括：
获取所述待处理文本内容中各标点符号，并将各所述标点符号替换为对应的中文标点符号，以获取中间处理文本内容；
获取所述中间处理文本内容中各空格字符，并将各所述空格字符替换为预设空字符串，以获取预处理文本内容。
其中，预设空字符串，可以是内容为空的字符串。
需要说明的是，在中文简历的文本中，由于输入法的切换可能会导致中英文标点符号混用，而这些分割句子的标点符号有时就是匹配内容的开始或者结束标识。在本实施例中，为了降低提取的正则表达式的复杂度，将标点符号统一为中文标点符号(避免英文标点中的”.”与正则表达式中的特殊字符冲突)，例如，可以将标点符号“.”替换为“。”。此外，简历长文本中的空格字符为无意义内容，即便不影响匹配检测也不应该出现在结果中，因此在预处理阶段，可以将所有的空格字符替换为预先设置的空字符串。
在本实施例的另一个可选的实施方式中，根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合，可以包括：
根据各所述样本对应的关注信息匹配的共性表达方式，获取初始正则表达式集合，并基于所述初始正则表达式集合对所述各样本进行匹配检测，以获取所述初始正则表达式集合对应的匹配检测结果；
若检测到所述初始正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述初始正则表达式集合作为目标正则表达式集合。
其中，预设匹配检测条件，可以是预先设置的用于判断匹配检测结果是否满足匹配结果要求的条件信息，例如，可以是匹配检测结果大于或者等于预先设置的成功匹配率阈值。
在一个具体的例子中，首先，根据各样本对应的关注信息匹配的共性表达方式，进行初次正则表达式提取，以创建初始正则表达式集合；之后，采用初始正则表达式集合中的各正则表达式分别进行匹配样本检测；其中，若检测到当前的样本与某一个正则表达式成功匹配(基于该正则表达式可以成功查找到该样本)，则可以确定该样本为正确匹配样本；而若检测到当前的样本与所有正则表达式均失败匹配，则可以将该样本确定为失败匹配样本。之后，可以基于公式
Figure BDA0003913053430000071
获取初始正则表达式集合对应的匹配检测结果P；其中，Countsuccess表示正确匹配样本的数量，Countall表示所有样本的数量。
进一步的，若检测到该匹配检测结果大于或者等于预先设置的成功匹配率阈值，则可以确定该匹配检测结果满足预设匹配检测条件，可以将该初始正则表达式集合确定为目标正则表达式集合。
在本实施例的另一个可选的实施方式中，在基于所述初始正则表达式集合对所述各样本进行匹配检测，以获取所述初始正则表达式集合对应的匹配检测结果之后，还可以包括：
若检测到所述初始正则表达式集合对应的匹配检测结果不满足预设匹配检测条件，则在检测到目标样本与所述初始正则表达式集合中各正则表达式均不匹配时，将所述目标样本作为异常样本添加到异常样本集合；
根据所述异常样本集合中各异常样本对应的关注信息匹配的共性表达方式，对所述初始正则表达式集合进行更新，以获取中间正则表达式集合；
基于所述中间正则表达式集合对各所述异常样本进行匹配检测，以获取所述中间正则表达式集合对应的匹配检测结果；
若检测到所述中间正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述中间正则表达式集合作为目标正则表达式集合。
在另一种情况下，若检测到初始正则表达式集合对应的匹配检测结果不满足预设匹配检测条件，则可以对初始正则表达式集合进行迭代更新，直至获取到对应的匹配检测结果满足预设匹配检测条件的目标正则表达式集合。
具体的，首先将样本集合中无法成功获取到匹配的正则表达式的目标样本，作为异常样本，并根据全部异常样本生成异常样本集合。之后，可以提取该异常样本集合对应的正则表达式，并将新提取的正则表达式添加到初始正则表达式集合中，以获取中间正则表达式集合。之后，可以采用该中间正则表达式集合对各异常样本进行匹配检测，或者可以对所有样本进行匹配检测，以获取中间正则表达式集合对应的匹配检测结果。然后，若确定该匹配检测结果满足预设匹配检测条件，则可以将中间正则表达式集合作为目标正则表达式集合。
此外，而若检测到该匹配检测结果仍不满足预设匹配检测条件，则可以重复上述步骤，对本次匹配失败的样本再次提取正则表达式，并基于再次提取的正则表达式继续对中间正则表达式集合进行更新，直至检测到更新后的中间正则表达式集合对应的匹配检测结果满足预设匹配检测条件，将当前的中间正则表达式集合作为目标正则表达式集合。
需要说明的是，在每一轮迭代中都有新的正则表达式加入到正则表达式集合，故异常样本的数量会逐渐减少，因而在迭代过程中相似的但未匹配出的文本样本会不断聚集。其中，迭代过程中的相似文本聚集示意图可以如图1B所示。其次，如图1B所示，在样本集合中还存在一些残缺文本(例如，BadText、Empty等)，或者内容奇异的文本最终会被剩下，即存在部分样本由于自身原因始终无法成功匹配。对于这部分样本，可以视为无效简历内容进行舍弃。
实施例二
图2A为本发明实施例二提供的一种文本内容的关键信息提取方法的流程图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。如图2A所示，该方法包括：
S210、获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容。
S220、对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合。
S230、获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合。
S240、基于所述目标正则表达式集合中各目标正则表达式，分别对所述预处理文本内容进行关键信息提取，以获取各所述目标正则表达式对应的匹配文本。
S250、根据各所述目标正则表达式对应的匹配文本，获取匹配文本集合，并将所述匹配文本集合作为所述预处理文本内容对应的关键信息。
在一个具体的例子中，假设目标正则表达式集合为re(e1,e2,e3...en)，可以采用其中任一目标正则表达式ei对预处理文本内容进行匹配内容查找，以获取对应的匹配文本
Figure BDA0003913053430000101
之后，可以获取每个目标正则表达式对应的匹配文本的并集，即res＝res1∪res2∪...∪resi∪...∪resn，以作为匹配文本集合；或者，可以进一步对匹配文本的并集进行去重处理，并将去重处理后的匹配文本的并集作为匹配文本集合；最终，可以将该匹配文本集合确定为预处理文本内容对应的关键信息。
在本实施例中，通过采用正则匹配的方式进行文本内容的关键信息提取，使得熟练掌握正则表达式的技术人员可在较短时间内完成全部需求，从而可以极大降低人工成本；其次，在存在新的需求或者迭代更改时，只需重新抽象提取正则表达式，在小样本上完成后可以直接应用于全样本，可以极大提升程序效率和响应速度。此外，针对不同类别、不同角度的信息，通过获取对应的正则表达式，均可以实现准确的匹配查找，故可以增加可以识别的内容类型。
本发明实施例的技术方案，在获取目标正则表达式集合之后，基于目标正则表达式集合中各目标正则表达式，分别对预处理文本内容进行关键信息提取，以获取各目标正则表达式对应的匹配文本；然后，根据各目标正则表达式对应的匹配文本，获取匹配文本集合，并将匹配文本集合作为预处理文本内容对应的关键信息，通过对各目标正则表达式对应的匹配文本进行合并，以作为最终的关键信息，可以提升文本内容的关键信息的成功提取概率。
在本实施例的一个可选的实施方式中，根据各所述目标正则表达式对应的匹配文本，获取匹配文本集合，可以包括：
将各所述目标正则表达式对应的匹配文本添加到初始文本集合，并计算得到各所述匹配文本之间的汉明距离；
根据各所述匹配文本之间的汉明距离和预设距离阈值，对所述初始文本集合进行更新，并将更新后的初始文本集合作为匹配文本集合。
在本实施例中，可以首先基于全部目标正则表达式对应的匹配文本，创建初始文本集合，之后，可以基于Simhash算法对各匹配文本进行汉明距离计算，以获取各匹配文本之间的汉明距离。其中，Simhash算法，为局部敏感哈希的一种，可以通过两个向量之间的汉明距离来判断文章是否重复或者高度近似；在信息论中，两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。
之后，可以基于各匹配文本之间的汉明距离和预设距离阈值，判断是否存在重复的匹配文本，例如，若检测到两个匹配文本之间的汉明距离小于该预设距离阈值，则可以确定两个匹配文本为重复文本。当检测到重复文本时，可以选择保留其中的一个匹配文本。由此，可以根据对重复的匹配文本的判断结果，对初始文本集合进行更新，以获取更新后的初始文本集合，并可以最终将更新后的初始文本集合作为匹配文本集合。
其中，预设距离阈值，可以是预先设置的用于判断两个匹配文本是否重复的汉明距离值，典型的，可以是3。
在本实施例的另一个可选的实施方式中，根据各所述匹配文本之间的汉明距离和预设距离阈值，对所述初始文本集合进行更新，并将更新后的初始文本集合作为匹配文本集合，可以包括：
若检测到第一匹配文本与第二匹配文本之间的汉明距离小于预设距离阈值，则在检测到所述第一匹配文本的文本长度大于所述第二匹配文本的文本长度时，判断所述第一匹配文本是否包括预设类型文本内容；
若确定所述第一匹配文本包括预设类型文本内容，则从所述初始文本集合中删除所述第一匹配文本，以获取更新后的初始文本集合；
若确定所述第一匹配文本不包括预设类型文本内容，则从所述初始文本集合中删除所述第二匹配文本，以获取更新后的初始文本集合；
将更新后的初始文本集合作为匹配文本集合。
在一个具体的例子中，当检测到第一匹配文本和第二匹配文本之间的汉明距离小于预设距离阈值时，可以确定第一匹配文本和第二匹配文本重复。此时，可以比较两个匹配文本之间的文本长度，若检测到第一匹配文本的文本长度大于第二匹配文本的文本长度，即第一匹配文本为字符数更多的匹配结果，则可以进一步判断第一匹配文本是否包括预设类型文本内容。其中，预设类型文本内容，可以是动词内容、状语内容等，例如，可以是哈工大信息检索研究中心语言技术平台提供的动词表与状语表的内容。
之后，若检测到第一匹配文本包括动词表与状语表的内容，则第一匹配文本中可能包含了冗杂的状语或者动词信息，此时可以从初始文本集合中删除字符数更多的第一匹配文本，以获取更新后的初始文本集合。而若检测到第一匹配文本中不包括动词表与状语表的内容，则可以保留字符数更多的第一匹配文本，并从初始文本集合中删除第二匹配文本，以获取更新后的初始文本集合，因为此时第一匹配文本中可能包括第二匹配文本中不包含的关键信息。
需要说明的是，简历长文本中需要关注的信息有很多，不同类别的信息匹配模式不同。在现有技术中，针对简历内容中多个不同的关注维度，需要更换不同的训练集进行训练，因此扩展性较差，当存在需求调整时需要完全重建模型；此外，针对不同的关注维度，需要提取准备不同的训练集，易导致人工成本剧增；同时，对模型进行训练，会导致无法实现对需求的快速响应，从而增加简历初筛阶段的时间花费；而且长短期记忆网络对于任职履历、科研经历等的识别准确率较低，无法实现对个性化文本的内容识别。
而在本实施例中，针对不同的关注类别，只需分别提取对应的正则表达式集合，即可实现对简历长文本的不同类别的关键信息的准确和高效提取，可以极大节省人工成本，可以减少简历初筛阶段的时间花费，可以实现快速响应，且可以满足对个性化文本的内容识别需求，可以提升扩展性。
可选的，在本实施例中，可以对数据读取、文本预处理、样本集随机选取、样本集迭代、正则匹配、匹配率计算、匹配文本合并、匹配文本去重和结果持久化等均进行模块化封装，并提供标准的应用程序编程接口。当出现新的需求时，只需进行对应正则表达式的抽象提取，并以参数的形式调用各模块即可得到一次匹配检测结果，之后通过对正则表达式进行不断迭代更新，即可最终实现对关键信息的准确提取。
在本实施例中，通过为各模块接口提供多种调用方式，可以灵活应对多种需求场景，可以提升扩展性。
在本实施例的一个具体的实施方式中，文本内容的关键信息提取方法的流程可以如图2B所示。具体的，首先对待处理文本内容进行预处理，以去除无意义空白和替换特殊符号，从而获取预处理文本内容，并对预处理文本内容进行小样本抽取，以获取样本集合；之后，可以基于样本集合提取正则表达式集合，并可以基于该正则表达式集合进行匹配文本检测，过滤出无法成功匹配的样本，以获取成功匹配率。
进一步的，若检测到成功匹配率大于预先设置的匹配率阈值，则可以确定匹配率达标，可以对匹配文本进行合并和去重，以对匹配结果进行精细修正，从而最终获取关键信息。而若检测到成功匹配率小于或者等于预先设置的匹配率阈值，则可以基于样本集合对正则表达式集合进行迭代更新，直至获取的成功匹配率大于预先设置的匹配率阈值。
实施例三
图3为本发明实施例三提供的一种文本内容的关键信息提取装置的结构示意图。如图3所示，该装置可以包括：预处理文本内容获取模块310、样本集合获取模块320、目标正则表达式集合获取模块330和关键信息获取模块340；其中，
预处理文本内容获取模块310，用于获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容；
样本集合获取模块320，用于对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合；
目标正则表达式集合获取模块330，用于获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；
关键信息获取模块340，用于基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
本发明实施例的技术方案，通过获取待处理文本内容，并对待处理文本内容进行预处理，以获取预处理文本内容；之后，对预处理文本内容进行随机采样，以获取样本集合；然后，获取各样本对应的关注信息，并根据各样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合，进而基于目标正则表达式集合对预处理文本内容进行关键信息提取，以获取预处理文本内容对应的关键信息，通过采用正则匹配的方式提取文本内容的关键信息，可以提升个性化长文本中关键信息的提取效率和准确度。
可选的，预处理文本内容获取模块310，包括：
中间处理文本内容获取单元，用于获取所述待处理文本内容中各标点符号，并将各所述标点符号替换为对应的中文标点符号，以获取中间处理文本内容；
预处理文本内容获取单元，用于获取所述中间处理文本内容中各空格字符，并将各所述空格字符替换为预设空字符串，以获取预处理文本内容。
可选的，目标正则表达式集合获取模块330，包括：
第一匹配检测结果获取单元，用于根据各所述样本对应的关注信息匹配的共性表达方式，获取初始正则表达式集合，并基于所述初始正则表达式集合对所述各样本进行匹配检测，以获取所述初始正则表达式集合对应的匹配检测结果；
第一目标正则表达式集合获取单元，用于若检测到所述初始正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述初始正则表达式集合作为目标正则表达式集合。
可选的，目标正则表达式集合获取模块330，还包括：
异常样本集合获取单元，用于若检测到所述初始正则表达式集合对应的匹配检测结果不满足预设匹配检测条件，则在检测到目标样本与所述初始正则表达式集合中各正则表达式均不匹配时，将所述目标样本作为异常样本添加到异常样本集合；
中间正则表达式集合获取单元，用于根据所述异常样本集合中各异常样本对应的关注信息匹配的共性表达方式，对所述初始正则表达式集合进行更新，以获取中间正则表达式集合；
第二匹配检测结果获取单元，用于基于所述中间正则表达式集合对各所述异常样本进行匹配检测，以获取所述中间正则表达式集合对应的匹配检测结果；
第二目标正则表达式集合获取单元，用于若检测到所述中间正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述中间正则表达式集合作为目标正则表达式集合。
可选的，关键信息获取模块340，包括：
匹配文本获取单元，用于基于所述目标正则表达式集合中各目标正则表达式，分别对所述预处理文本内容进行关键信息提取，以获取各所述目标正则表达式对应的匹配文本；
匹配文本集合获取单元，用于根据各所述目标正则表达式对应的匹配文本，获取匹配文本集合，并将所述匹配文本集合作为所述预处理文本内容对应的关键信息。
可选的，匹配文本集合获取单元，包括：
汉明距离计算子单元，用于将各所述目标正则表达式对应的匹配文本添加到初始文本集合，并计算得到各所述匹配文本之间的汉明距离；
匹配文本集合获取子单元，用于根据各所述匹配文本之间的汉明距离和预设距离阈值，对所述初始文本集合进行更新，并将更新后的初始文本集合作为匹配文本集合。
可选的，匹配文本集合获取子单元，具体用于：
若检测到第一匹配文本与第二匹配文本之间的汉明距离小于预设距离阈值，则在检测到所述第一匹配文本的文本长度大于所述第二匹配文本的文本长度时，判断所述第一匹配文本是否包括预设类型文本内容；
若确定所述第一匹配文本包括预设类型文本内容，则从所述初始文本集合中删除所述第一匹配文本，以获取更新后的初始文本集合；
若确定所述第一匹配文本不包括预设类型文本内容，则从所述初始文本集合中删除所述第二匹配文本，以获取更新后的初始文本集合；
将更新后的初始文本集合作为匹配文本集合。
本发明实施例所提供的文本内容的关键信息提取装置可执行本发明任意实施例所提供的文本内容的关键信息提取方法，具备执行方法相应的功能模块和有益效果。
需要说明的是，本实施例的技术方案中，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。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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。
处理器41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。处理器41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处理器、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。处理器41执行上文所描述的各个方法和处理，例如文本内容的关键信息提取方法。
在一些实施例中，文本内容的关键信息提取方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的文本内容的关键信息提取方法的一个或多个步骤。备选地，在其他实施例中，处理器41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内容的关键信息提取方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种文本内容的关键信息提取方法，其特征在于，包括：
获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容；
对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合；
获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；
基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
2.根据权利要求1所述的方法，其特征在于，对所述待处理文本内容进行预处理，以获取预处理文本内容，包括：
获取所述待处理文本内容中各标点符号，并将各所述标点符号替换为对应的中文标点符号，以获取中间处理文本内容；
获取所述中间处理文本内容中各空格字符，并将各所述空格字符替换为预设空字符串，以获取预处理文本内容。
3.根据权利要求1所述的方法，其特征在于，根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合，包括：
根据各所述样本对应的关注信息匹配的共性表达方式，获取初始正则表达式集合，并基于所述初始正则表达式集合对所述各样本进行匹配检测，以获取所述初始正则表达式集合对应的匹配检测结果；
若检测到所述初始正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述初始正则表达式集合作为目标正则表达式集合。
4.根据权利要求3所述的方法，其特征在于，在基于所述初始正则表达式集合对所述各样本进行匹配检测，以获取所述初始正则表达式集合对应的匹配检测结果之后，还包括：
若检测到所述初始正则表达式集合对应的匹配检测结果不满足预设匹配检测条件，则在检测到目标样本与所述初始正则表达式集合中各正则表达式均不匹配时，将所述目标样本作为异常样本添加到异常样本集合；
根据所述异常样本集合中各异常样本对应的关注信息匹配的共性表达方式，对所述初始正则表达式集合进行更新，以获取中间正则表达式集合；
基于所述中间正则表达式集合对各所述异常样本进行匹配检测，以获取所述中间正则表达式集合对应的匹配检测结果；
若检测到所述中间正则表达式集合对应的匹配检测结果满足预设匹配检测条件，则将所述中间正则表达式集合作为目标正则表达式集合。
5.根据权利要求1所述的方法，其特征在于，基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息，包括：
基于所述目标正则表达式集合中各目标正则表达式，分别对所述预处理文本内容进行关键信息提取，以获取各所述目标正则表达式对应的匹配文本；
根据各所述目标正则表达式对应的匹配文本，获取匹配文本集合，并将所述匹配文本集合作为所述预处理文本内容对应的关键信息。
6.根据权利要求5所述的方法，其特征在于，根据各所述目标正则表达式对应的匹配文本，获取匹配文本集合，包括：
将各所述目标正则表达式对应的匹配文本添加到初始文本集合，并计算得到各所述匹配文本之间的汉明距离；
根据各所述匹配文本之间的汉明距离和预设距离阈值，对所述初始文本集合进行更新，并将更新后的初始文本集合作为匹配文本集合。
7.根据权利要求6所述的方法，其特征在于，根据各所述匹配文本之间的汉明距离和预设距离阈值，对所述初始文本集合进行更新，并将更新后的初始文本集合作为匹配文本集合，包括：
若检测到第一匹配文本与第二匹配文本之间的汉明距离小于预设距离阈值，则在检测到所述第一匹配文本的文本长度大于所述第二匹配文本的文本长度时，判断所述第一匹配文本是否包括预设类型文本内容；
若确定所述第一匹配文本包括预设类型文本内容，则从所述初始文本集合中删除所述第一匹配文本，以获取更新后的初始文本集合；
若确定所述第一匹配文本不包括预设类型文本内容，则从所述初始文本集合中删除所述第二匹配文本，以获取更新后的初始文本集合；
将更新后的初始文本集合作为匹配文本集合。
8.一种文本内容的关键信息提取装置，其特征在于，包括：
预处理文本内容获取模块，用于获取待处理文本内容，并对所述待处理文本内容进行预处理，以获取预处理文本内容；
样本集合获取模块，用于对所述预处理文本内容进行随机采样，以获取所述预处理文本内容对应的样本集合；
目标正则表达式集合获取模块，用于获取所述样本集合中各样本对应的关注信息，并根据各所述样本对应的关注信息匹配的共性表达方式，生成目标正则表达式集合；
关键信息获取模块，用于基于所述目标正则表达式集合对所述预处理文本内容进行关键信息提取，以获取所述预处理文本内容对应的关键信息。
9.一种电子设备，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，所述计算机程序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1-7中任一项所述的文本内容的关键信息提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的文本内容的关键信息提取方法。
CN202211329479.4A 2022-10-27 2022-10-27 文本内容的关键信息提取方法、装置、设备及介质 Pending CN115600592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211329479.4A CN115600592A (zh) 2022-10-27 2022-10-27 文本内容的关键信息提取方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211329479.4A CN115600592A (zh) 2022-10-27 2022-10-27 文本内容的关键信息提取方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115600592A true CN115600592A (zh) 2023-01-13

Family

ID=84851506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211329479.4A Pending CN115600592A (zh) 2022-10-27 2022-10-27 文本内容的关键信息提取方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115600592A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218659A (zh) * 2023-08-30 2023-12-12 建银工程咨询有限责任公司 不动产权证中信息的获取方法、装置、电子设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218659A (zh) * 2023-08-30 2023-12-12 建银工程咨询有限责任公司 不动产权证中信息的获取方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN111967262A (zh) 实体标签的确定方法和装置
CN113836314B (zh) 知识图谱构建方法、装置、设备以及存储介质
CN114595686A (zh) 知识抽取方法、知识抽取模型的训练方法及装置
CN113657395A (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN112380847A (zh) 兴趣点处理方法、装置、电子设备及存储介质
CN114244795B (zh) 一种信息的推送方法、装置、设备及介质
CN115145924A (zh) 数据处理方法、装置、设备及存储介质
CN115168562A (zh) 一种智能问答系统的构建方法、装置、设备及介质
CN113836316B (zh) 三元组数据的处理方法、训练方法、装置、设备及介质
CN112699237B (zh) 标签确定方法、设备和存储介质
CN115600592A (zh) 文本内容的关键信息提取方法、装置、设备及介质
CN115909376A (zh) 文本识别方法、文本识别模型训练方法、装置及存储介质
CN113361522B (zh) 用于确定字符序列的方法、装置和电子设备
CN114647727A (zh) 应用于实体信息识别的模型训练方法、装置和设备
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114254650A (zh) 一种信息处理方法、装置、设备及介质
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN112926297A (zh) 处理信息的方法、装置、设备和存储介质
CN114462364B (zh) 录入信息的方法和装置
CN116069914B (zh) 训练数据的生成方法、模型训练方法以及装置
CN114492409B (zh) 文件内容的评价方法、装置、电子设备及程序产品
CN113656592B (zh) 基于知识图谱的数据处理方法、装置、电子设备和介质
CN113850076A (zh) 主题抽取方法、装置、电子设备以及存储介质
CN117034874A (zh) 一种正则表达式的生成方法、装置、电子设备及介质
CN115391536A (zh) 企业舆情识别方法、装置、设备以及存储介质

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