[发明专利]文字中提取多元组的方法和装置

说明书

本发明提供了一种文字中提取多元组的方法和装置，涉及文本处理领域。该文字中提取多元组的方法，包括：将带有合法标识和非法标识的训练数据输入循环神经网络，得到网络参数；识别待测文本中的多元实体，并对待测文本中除多元实体外的其他部分进行分词；按照在待测文本中的排列顺序，将多元实体的词向量和分词后得到的词语的词向量一一对应输入多个子网络中，结合网络参数，得到各子网络输出的隐向量，前一子网络输出的隐向量为后一子网络的输入；将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；利用网络参数，对判断向量进行分类，得到分类结果；提取分类结果为合法的多元组，作为合法多元组。能够提高提取多元组的正确率。

技术领域

本发明涉及文本处理领域，尤其涉及一种文字中提取多元组的方法和装置。

背景技术

在日常工作、学习和生活中，会涉及到很多报表、声明、文件等文本，在这些文本中，重要的信息往往可以用多元组的形式表示。比如在“2013年度公司管理费用花费了2306万元”的文本中，可以提取一个三元组【2013年度，公司管理费用，2306万元】，在这个三元组中就可以将文本的重要信息囊括。

目前，为了提取文本中的多元组，会预先构建提取多元组的规则。比如，以提取三元组为例，首先将三元组的属性实体、时间实体和值实体初始化为空；按照从前往后的顺序扫描文本，获取文本中存在的实体；若实体为属性实体，则将该实体表示为最新的属性实体；若实体为值实体，则加入值实体的队列；若实体为时间实体，则加入时间实体的队列；若值实体的队列长度和时间实体的队列长度一致，且属性实体不为空，则提取出三元组【第i个时间实体，最新的属性实体，第i个值实体】。但是，但在文本中包含多个属性实体的情况下，按照上述规则进行三元组的提取，会出现错误。比如文本为“2013年度发行人营业收入、毛利润、毛利率分别为99340.49万元、64478.58万元、64.91％”，则按照上述规则，只能提取得到三元组【2013年度，毛利率，99340.49万元】，从文本的内容得知，这里提取出的是一个错误的三元组。在现有技术中，提取多元组的正确率较低。

发明内容

本发明实施例提供了一种文字中提取多元组的方法和装置，能够提高提取多元组的正确率。

第一方面，本发明实施例提供了一种文字中提取多元组的方法，包括：将带有类别标识的训练数据输入循环神经网络，训练得到循环神经网络的网络参数，带有类别标识的训练数据包括合法训练数据和非法训练数据，循环神经网络包括多个子网络；识别待测文本中的多元实体，并对待测文本中除多元实体外的其他部分进行分词，待测文本包括文字；按照在待测文本中的排列顺序，将多元实体的词向量和分词后得到的词语的词向量一一对应输入至多个子网络中，结合网络参数，得到各个子网络输出的隐向量，其中，前一个子网络的输出的隐向量作为后一个子网络的输入；将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；利用网络参数，对判断向量进行分类，得到分类结果，分类结果包括合法与非法；提取分类结果为合法的多元组，作为合法多元组。

第二方面，本发明实施例提供了一种文字中提取多元组的装置，包括：训练模块，被配置为将带有类别标识的训练数据输入循环神经网络，训练得到循环神经网络的网络参数，带有类别标识的训练数据包括合法训练数据和非法训练数据，循环神经网络包括多个子网络；拆分模块，被配置为识别待测文本中的多元实体，并对待测文本中除多元实体外的其他部分进行分词，待测文本包括文字；第一计算模块，被配置为按照在待测文本中的排列顺序，将多元实体的词向量和分词后得到的词语的词向量一一对应输入至多个子网络中，结合网络参数，得到各个子网络输出的隐向量，其中，前一个子网络的输出的隐向量作为后一个子网络的输入；第二计算模块，被配置为将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；分类模块，被配置为利用网络参数，对判断向量进行分类，得到分类结果，分类结果包括合法与非法；第一提取模块，被配置为提取分类结果为合法的多元组，作为合法多元组。