CN115600601B - 一种税法知识库构建方法、装置、设备及介质 - Google Patents
一种税法知识库构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115600601B CN115600601B CN202211388864.6A CN202211388864A CN115600601B CN 115600601 B CN115600601 B CN 115600601B CN 202211388864 A CN202211388864 A CN 202211388864A CN 115600601 B CN115600601 B CN 115600601B
- Authority
- CN
- China
- Prior art keywords
- tax
- target
- data set
- text
- knowledge base
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000002372 labelling Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009411 base construction Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F40/295—Named entity recognition
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/123—Tax preparation or submission
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种税法知识库构建方法、装置、设备及介质，涉及信息技术领域。该方法包括：获取税法文本并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；根据预设税收标注规范对目标段落和/或目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；利用所述涉税实体对预设信息抽取模型进行训练并利用训练后得到的目标模型确定出目标数据集；所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合以得到税法知识库。通过本申请的技术方案，可以针对税法优惠领域构建知识库，动态监控标注质量。
Description
技术领域
本发明涉及信息技术领域，特别涉及一种税法知识库构建方法、装置、设备及介质。
背景技术
当前，在税收优惠图谱构建方面，构建知识库时通常是单阶段全量手工标注文本，并抽取实体、关系等事实知识，构建知识库。然而，现有技术存在以下不足：针对人工标注成本高、投入大、消耗人力；单阶段全量标注无法动态监控标注质量；缺乏针对税法优惠文本知识库构建方法。
综上，在现有技术中存在税收优惠图谱构建方面，针对人工标注成本高，以及单阶段全量标注方法无法监控质量的问题。
发明内容
有鉴于此，本发明的目的在于提供一种税法知识库构建方法、装置、设备及介质，能够解决在税收优惠图谱构建方面，针对人工标注成本高，以及单阶段全量标注方法无法监控质量的问题。其具体方案如下：
第一方面，本申请公开了一种税法知识库构建方法，包括：
获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；
根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；
利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；
将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。
可选的，所述对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子，包括：
对所述税法文本进行分段化以得到多个不同的段落；
对所述段落进行分词化以得到多个不同的词汇；
统计所述词汇出现的词频，并根据所述词频对所述词汇进行排序以筛选出预设数量个目标词汇；
根据所述目标词汇确定出包含税法知识的目标段落和/或目标句子。
可选的，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体，包括：
根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对税收优惠的所述税法文本中的纳税人、征税对象、税种和涉税动作。
可选的，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体之后，还包括：
根据所述预设税收标注规范确定出所述涉税实体的约束；其中，所述约束包括约束性名词和/或约束性短语；若所述约束表示为实体，则所述约束为约束性名词；若所述约束表示为宾补短语，则所述约束为约束性短语。
可选的，所述利用所述涉税实体对预设信息抽取模型进行训练，包括：
利用所述涉税实体对Bert-CRF模型进行命名实体识别，并利用所述涉税实体对R-BERT模型进行实体关系抽取。
可选的，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注之后，还包括：
基于所述目标段落和/或所述目标句子确定出已标注数据集；
相应的，所述利用训练后得到的目标模型确定出目标数据集，包括：
将所述已标注数据集输入训练后得到的目标模型，以得到当前输出结果；
对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集；
将所述扩展后数据集输入所述目标模型，并重复所述对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集的步骤，直到所述预设信息抽取模型预测的准确率达到预设阈值时确定出所述目标数据集。
可选的，所述将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库，包括：
将所述目标数据集填入根据所述税法文本预先构建的本体中，并去除非法值、重复值以及进行指代消解，以确定出所述目标数据集的JSON格式文件；
根据所述JSON格式文件利用NEO4J数据库建立所述税法知识库。
第二方面，本申请公开了一种税法知识库构建装置，包括：
关键段落检测模块，用于获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；
批量标注模块，用于根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；
模型训练模块，用于利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；
税法知识库构建模块，用于将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。
第三方面，本申请公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的税法知识库构建方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的税法知识库构建方法。
本申请所提供的税法知识库构建方法，首先获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；然后根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；最后将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。可见，针对现有工作缺乏税法优惠文本知识库构建方面的问题，利用预设税收标注规范针对税法优惠领域相关文本进行知识抽取，并构建知识库。其次，研究基于增量扩展利用目标数据集与税法文本的本体进行信息融合，即通过多批次迭代的方式，逐步增加标注数据集的大小，在标注过程中加入校正过程，动态监控标注质量，解决了现有工作中单阶段全量标注无法动态监控标注质量的问题。另外，通过批量标注后的涉税实体对信息抽取模型进行训练，对未标注文本进行自动标注确定出目标数据集，对标注结果进行矫正，减少人工介入的同时保证数据质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种税法知识库构建方法流程图；
图2为本申请公开的一种基于段落词频统计的段落定位示意图；
图3为本申请公开的一种具体的税法知识库构建方法流程图；
图4为本申请公开的一种税法知识库构建方法示意图；
图5为本申请公开的一种税法知识库构建装置结构示意图；
图6为本申请公开的一种电子设备结构图。
具体实施方式
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，都属于本发明保护的范围。
当前，在税收优惠图谱构建方面，构建知识库时通常是单阶段全量手工标注文本，并抽取实体、关系等事实知识，构建知识库。然而，现有技术存在以下不足：针对人工标注成本高、投入大、消耗人力；单阶段全量标注无法动态监控标注质量；缺乏针对税法优惠文本知识库构建方法。
为此，本申请提供了一种税法知识库构建方案，能够解决在税收优惠图谱构建方面，针对人工标注成本高，以及单阶段全量标注方法无法监控质量的问题。
本发明实施例公开了一种税法知识库构建方法，参见图1所示，该方法包括：
步骤S11：获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子。
本申请实施例中，获取税法文本，并针对获取的税法文本进行关键段落检测，从税法篇章中自动挑选出包含税法知识的关键段落和/或句子。具体的，对所述税法文本进行分段化以得到多个不同的段落；对所述段落进行分词化以得到多个不同的词汇；统计所述词汇出现的词频，并根据所述词频对所述词汇进行排序以筛选出预设数量个目标词汇；根据所述目标词汇确定出包含税法知识的目标段落和/或目标句子。
如图2所示为进行关键段落检测的示意图。首先对税法文本进行分段化，将税法文本分成不同的段落。然后，可以利用预设组件对段落进行分词化，如利用jieba（结巴分词）进行分词化得到多个不同的词汇。将这些不同的词汇放入词库中并统计词汇出现的次数得到词频，根据词频对词汇进行排序筛选出预设数量个目标词汇，实现根据小批量标注的结果增强词频。如根据词频将词汇降序排列，然后筛选出前十个词汇，根据筛选出的目标词汇定位出包含税法知识的目标段落和/或目标句子。
步骤S12：根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体。
不同于现有工作单阶段全量标注，本申请实施例中对目标段落和/或目标句子进行小批量的手工标注。首先提供一种针对税收优惠的预设税收标注规范，根据税收优惠的特点制定了标注规范，主要包括纳税人、征税对象、税种和涉税动作四种涉税实体，因此利用预设税收标注规范确定出针对税收优惠的所述税法文本中的纳税人、征税对象、税种和涉税动作四种涉税实体。其中涉税实体的相关定义如表一所示。
表一
本申请实施例中，税法文本中存在对涉税实体的约束，如纳税人地点、征税对象相关金额、税法有效期、按税率征收等，其中约束性名词表示为实体，约束性短语表示为宾补短语。
示例性的，如表二所示为针对税收优惠法律涉税实体的约束词。
表二
步骤S13：利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集。
本申请实施例中，利用步骤S12中小批量的手工标注确定出的针对所述税法文本中的涉税实体对信息抽取模型进行训练，可以采用流行的信息抽取模型框架，在此不作具体限定。如可以利用涉税实体对Bert-CRF模型进行命名实体识别，利用涉税实体对R-BERT模型进行实体关系抽取。
需要指出的是，在根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注之后，基于所述目标段落和/或所述目标句子可以确定出已标注数据集。本申请实施例中，利用所述涉税实体对预设信息抽取模型进行训练后得到目标模型，利用目标模型对已标注数据集进行预测，也即，使用训练后的目标模型对进行关键段落检测确定出的包含税法知识的目标段落和/或目标句子进行预测，识别实体和实体间关系。
本申请实施例中，为了动态监控标注质量，可以人机结合，也即，在标注过程中加入少量人工校正，对输入目标模型后的预测结果进行人工识别校正，然后将校正后的结果加入已标注数据集，重复上述步骤，实现已标注数据集的增量扩展。
本申请实施例中，经过一定轮次的增量标注后，可以获取到符合预期且高质量的目标数据集。如此一来，通过多批次迭代的方式，逐步增加标注数据集的大小，在标注过程中加入少量人工校正，动态监控标注质量。
步骤S14：将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。
本申请实施例中，由于本体是同一领域内不同主体之间进行统一联系的语义基础，是构建知识库的基础，因此，根据本体提供的数据模板，从文本中抽取相关事实填入本体以形成知识库。可以理解的是，税法文本具有很高的专业性，所以，本部分通过专家人工构建税法知识库本体。因此，面向税法文本的本体中的文本事实包括目标数据集中的相关行为属性，如“纳税人”，“缴纳”，“增值税”等。将目标数据集与构建的税法知识库本体进行融合得到税法知识库。
本申请所提供的税法知识库构建方法，首先获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；然后根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；最后将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。可见，针对现有工作缺乏税法优惠文本知识库构建方面的问题，利用预设税收标注规范针对税法优惠领域相关文本进行知识抽取，并构建知识库。其次，研究基于增量扩展利用目标数据集与税法文本的本体进行信息融合，即通过多批次迭代的方式，逐步增加标注数据集的大小，在标注过程中加入校正过程，动态监控标注质量，解决了现有工作中单阶段全量标注无法动态监控标注质量的问题。另外，通过批量标注后的涉税实体对信息抽取模型进行训练，对未标注文本进行自动标注确定出目标数据集，对标注结果进行矫正，减少人工介入的同时保证数据质量。
本申请实施例公开了一种具体的税法知识库构建方法，参见图3所示，该方法包括：
步骤S21：获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子。
步骤S22：根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体。
其中，关于上述步骤S21、步骤S22更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
步骤S23：利用所述涉税实体对Bert-CRF模型进行命名实体识别，并利用所述涉税实体对R-BERT模型进行实体关系抽取，并利用训练后得到的目标模型确定出目标数据集。
本申请实施例中，在利用预设税收标注规范对进行关键段落检测出来的目标段落和/或目标句子进行标注后，根据数据标注结果对信息抽取模型进行训练。本部分采用流行的信息抽取模型框架，分别是命名实体识别：Bert-CRF和实体关系抽取：R-BERT。
进一步的，进行人机交互标注，使用训练后的信息抽取模型对进行关键段落检测确定出的包含税法知识的目标段落和/或目标句子进行预测，也即，对由目标段落和/或目标句子构成的已标注数据集进行预测，识别实体和实体间关系，然后人工校正识别结果，加入已标注数据集，重复上述步骤，实现已标注数据集的增量扩展。
具体的，将所述已标注数据集输入训练后得到的目标模型，以得到当前输出结果；对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集；将所述扩展后数据集输入所述目标模型，并重复所述对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集的步骤，直到所述预设信息抽取模型预测的准确率达到预设阈值时确定出所述目标数据集。
可以理解的是，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；如此一来，利用人机混合回标对税法文本进行渐进标注，在经过一定轮次的增量标注后，就可以获取符合预期且高质量的目标数据集。
步骤S24：将所述目标数据集填入根据所述税法文本预先构建的本体中，并去除非法值、重复值以及进行指代消解，以确定出所述目标数据集的JSON格式文件；根据所述JSON格式文件利用NEO4J数据库建立所述税法知识库。
本申请实施例中，将目标数据集与预先构建的税法文本的本体进行信息融合，即去除非法值、重复值，指代消解，构建数据集的JSON格式，利用NEO4J数据库建立税法知识库。
如图4所示为整体的知识库构建示意图在税法领域内构建税法文本的本体；然后针对获取的税法文本进行关键段落检测，从税法篇章中自动挑选出包含税法知识的关键段落或句子；不同于现有工作单阶段全量标注，对获得的关键段落或句子进行小批量手工标注，可以进行多次标注；标注完成后，根据小批量数据标注的结果对信息抽取模型进行训练。训练完成后进行模型预测与人机混合回标，也即，人工校正识别结果并将校正后的结果加入到已标注数据集，利用扩展后的数据集继续训练模型然后再预测；在得到符合预期且高质量的数据集后进行信息融合实现知识库的构建。
本申请所提供的税法知识库构建方法，首先获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；然后根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；利用所述涉税实体对Bert-CRF模型进行命名实体识别，并利用所述涉税实体对R-BERT模型进行实体关系抽取，并利用训练后得到的目标模型确定出目标数据集；最后将所述目标数据集填入根据所述税法文本预先构建的本体中，并去除非法值、重复值以及进行指代消解，以确定出所述目标数据集的JSON格式文件；根据所述JSON格式文件利用NEO4J数据库建立所述税法知识库。可见，针对现有工作缺乏税法优惠文本知识库构建方面的问题，利用预设税收标注规范针对税法优惠领域相关文本进行知识抽取，并构建知识库。其次，研究基于增量扩展利用目标数据集与税法文本的本体进行信息融合，即通过多批次迭代的方式，逐步增加标注数据集的大小，在标注过程中加入校正过程，动态监控标注质量，解决了现有工作中单阶段全量标注无法动态监控标注质量的问题。另外，通过批量标注后的涉税实体对信息抽取模型进行训练，对未标注文本进行自动标注确定出目标数据集，对标注结果进行矫正，减少人工介入的同时保证数据质量。
相应的，本申请实施例还公开了一种税法知识库构建装置，参见图5所示，该装置包括：
关键段落检测模块11，用于获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；
批量标注模块12，用于根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；
模型训练模块13，用于利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；
税法知识库构建模块14，用于将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
由此可见，通过本实施例的上述方案，首先获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；然后根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；最后将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库。可见，针对现有工作缺乏税法优惠文本知识库构建方面的问题，利用预设税收标注规范针对税法优惠领域相关文本进行知识抽取，并构建知识库。其次，研究基于增量扩展利用目标数据集与税法文本的本体进行信息融合，即通过多批次迭代的方式，逐步增加标注数据集的大小，在标注过程中加入校正过程，动态监控标注质量，解决了现有工作中单阶段全量标注无法动态监控标注质量的问题。另外，通过批量标注后的涉税实体对信息抽取模型进行训练，对未标注文本进行自动标注确定出目标数据集，对标注结果进行矫正，减少人工介入的同时保证数据质量。
进一步的，本申请实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备20结构图，图中内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的税法知识库构建方法中的相关步骤。另外，本实施例中的电子设备20具体可以为计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，数据223可以包括各种各样的数据。存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的税法知识库构建方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机可读存储介质，这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory，RAM)、内存、只读存储器(Read-Only Memory，ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述税法知识库构建方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的税法知识库构建或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种税法知识库构建方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种税法知识库构建方法，其特征在于，包括：
获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；
根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；其中，所述批量标注为小批量手工标注；
利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；所述目标模型用于对所述目标段落和/或目标句子进行预测，识别实体和实体间关系；
将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库；
其中，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注之后，还包括：基于所述目标段落和/或所述目标句子确定出已标注数据集；
相应的，所述利用训练后得到的目标模型确定出目标数据集，包括：
将所述已标注数据集输入训练后得到的目标模型，以得到当前输出结果；对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集；将所述扩展后数据集输入所述目标模型，并重复所述对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集的步骤，直到所述预设信息抽取模型预测的准确率达到预设阈值时确定出所述目标数据集。
2.根据权利要求1所述的税法知识库构建方法，其特征在于，所述对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子，包括：
对所述税法文本进行分段化以得到多个不同的段落；
对所述段落进行分词化以得到多个不同的词汇；
统计所述词汇出现的词频，并根据所述词频对所述词汇进行排序以筛选出预设数量个目标词汇；
根据所述目标词汇确定出包含税法知识的目标段落和/或目标句子。
3.根据权利要求1所述的税法知识库构建方法，其特征在于，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体，包括：
根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对税收优惠的所述税法文本中的纳税人、征税对象、税种和涉税动作。
4.根据权利要求1所述的税法知识库构建方法，其特征在于，所述根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体之后，还包括：
根据所述预设税收标注规范确定出所述涉税实体的约束；其中，所述约束包括约束性名词和/或约束性短语；若所述约束表示为实体，则所述约束为约束性名词；若所述约束表示为宾补短语，则所述约束为约束性短语。
5.根据权利要求1所述的税法知识库构建方法，其特征在于，所述利用所述涉税实体对预设信息抽取模型进行训练，包括：
利用所述涉税实体对Bert-CRF模型进行命名实体识别，并利用所述涉税实体对R-BERT模型进行实体关系抽取。
6.根据权利要求1至5任一项所述的税法知识库构建方法，其特征在于，所述将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库，包括：
将所述目标数据集填入根据所述税法文本预先构建的本体中，并去除非法值、重复值以及进行指代消解，以确定出所述目标数据集的JSON格式文件；
根据所述JSON格式文件利用NEO4J数据库建立所述税法知识库。
7.一种税法知识库构建装置，其特征在于，包括：
关键段落检测模块，用于获取税法文本，并对所述税法文本进行关键段落检测以确定出包含税法知识的目标段落和/或目标句子；
批量标注模块，用于根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注，以确定出针对所述税法文本中的涉税实体；其中，所述批量标注为小批量手工标注；
模型训练模块，用于利用所述涉税实体对预设信息抽取模型进行训练，并利用训练后得到的目标模型确定出目标数据集；其中，所述目标数据集为基于增量扩展对所述目标段落和/或所述目标句子进行预测后校正得到的数据集；所述目标模型用于对所述目标段落和/或目标句子进行预测，识别实体和实体间关系；
税法知识库构建模块，用于将所述目标数据集与根据所述税法文本预先构建的本体进行信息融合，以得到税法知识库；
其中，所述批量标注模块，具体用于：根据预设税收标注规范对所述目标段落和/或所述目标句子进行批量标注之后，基于所述目标段落和/或所述目标句子确定出已标注数据集；
相应的，所述模型训练模块，具体用于：
将所述已标注数据集输入训练后得到的目标模型，以得到当前输出结果；对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集；将所述扩展后数据集输入所述目标模型，并重复所述对所述当前输出结果进行校正，并将校正后得到的输出结果添加至所述已标注数据集以得到扩展后数据集的步骤，直到所述预设信息抽取模型预测的准确率达到预设阈值时确定出所述目标数据集。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的税法知识库构建方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的税法知识库构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211388864.6A CN115600601B (zh) | 2022-11-08 | 2022-11-08 | 一种税法知识库构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211388864.6A CN115600601B (zh) | 2022-11-08 | 2022-11-08 | 一种税法知识库构建方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115600601A CN115600601A (zh) | 2023-01-13 |
| CN115600601B true CN115600601B (zh) | 2023-03-31 |
Family
ID=84853458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211388864.6A Active CN115600601B (zh) | 2022-11-08 | 2022-11-08 | 一种税法知识库构建方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600601B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851605B (zh) * | 2023-12-18 | 2024-09-03 | 北京中关村科金技术有限公司 | 一种行业知识图谱构建方法、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技（深圳）有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
| CN114722011A (zh) * | 2022-03-18 | 2022-07-08 | 四川众智云擎科技有限公司 | 一种基于税法文件搜索引擎的云端文件处理方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110022502A1 (en) * | 2006-09-05 | 2011-01-27 | TaxLifebiat, Inc. | Tax resolution process and system |
| CN111476324B (zh) * | 2020-06-28 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的交通数据标注方法、装置、设备及介质 |
| CN112686301A (zh) * | 2020-12-29 | 2021-04-20 | 平安普惠企业管理有限公司 | 基于交叉验证的数据标注方法及相关设备 |
| CN115146080A (zh) * | 2022-08-22 | 2022-10-04 | 白杨时代(北京)科技有限公司 | 一种构建知识图谱的方法及装置 |
-
2022
- 2022-11-08 CN CN202211388864.6A patent/CN115600601B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技（深圳）有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
| CN114722011A (zh) * | 2022-03-18 | 2022-07-08 | 四川众智云擎科技有限公司 | 一种基于税法文件搜索引擎的云端文件处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| Jingguo Rong ; Hongbo Wu ; Su Zhang ; Shuai Tian."Joint Extraction Model of Entity and Relationship Based on Reinforcement Learning".《IEEE》.2021,全文. * |
| 仇瑜 ; 程力 ; .面向财税领域的实体识别与标注研究.计算机工程.2019,(第05期),全文. * |
| 王丽客 ; 孙媛 ; 夏天赐 ; .基于远程监督的藏文实体关系抽取.中文信息学报.2020,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115600601A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163424A (zh) | 数据的标注方法、装置、设备和介质 | |
| CN109033220B (zh) | 标注数据的自动选取方法、系统、设备和存储介质 | |
| CN105786971B (zh) | 一种面向国际汉语教学的语法点识别方法 | |
| CN109558600B (zh) | 翻译处理方法及装置 | |
| CN115600601B (zh) | 一种税法知识库构建方法、装置、设备及介质 | |
| CN111143556A (zh) | 软件功能点自动计数方法、装置、介质及电子设备 | |
| CN112069818A (zh) | 三元组预测模型生成方法、关系三元组提取方法和装置 | |
| CN114840642A (zh) | 事件抽取方法、装置、设备及存储介质 | |
| CN111325031A (zh) | 简历解析方法及装置 | |
| CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
| CN117668253A (zh) | 基于自然语言处理和知识图谱的智能问答方法和系统 | |
| CN114842982B (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 | |
| CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
| CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
| CN110895924A (zh) | 一种文档内容朗读方法、装置、电子设备及可读存储介质 | |
| CN113011162A (zh) | 一种指代消解方法、装置、电子设备及介质 | |
| CN114398492A (zh) | 一种在数字领域的知识图谱构建方法、终端及介质 | |
| CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
| CN114036266A (zh) | 一种基于自然语言处理的智能策略组卷方法、装置及设备 | |
| CN113343652A (zh) | 文本处理方法、装置、设备及介质 | |
| CN110119770B (zh) | 决策树模型构建方法、装置、电子设备及介质 | |
| CN107038183B (zh) | 网页标注方法及装置 | |
| CN111079185A (zh) | 数据库信息处理的方法、装置、存储介质及电子设备 | |
| CN117494806B (zh) | 基于知识图谱和大语言模型的关系抽取方法、系统及介质 | |
| CN115358186B (zh) | 一种槽位标签的生成方法、装置及存储介质 |
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 |