[发明专利]词条分类方法及审计信息抽取方法

说明书

一种词条分类方法及审计信息抽取方法，词条分类方法包括：确定离线训练完成的至少两个分类模型；获取待分类文档；分别利用所述至少两个分类模型对所述待分类文档中的各个词条进行分类，每个分类模型得到相应的分类结果，所述分类结果包括多个预设类别以及每个预设类别下的词条；根据所述至少两个分类模型各自的准确率对全部分类结果进行融合，得到针对所述待分类文档中各个词条的最终分类结果。本发明技术方案能够实现对文档中各种词条的分类及抽取，同时保证分类和抽取的准确性。

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种词条分类方法及审计信息抽取方法。

背景技术

在信息抽取和审计审核领域，需要抽取文档中的特定词条，例如在合同中抽取特定的条款信息。

但是，现有识别技术只能识别句子中的实体，无法实现对用户自定义词条的识别和抽取。

发明内容

本发明解决的技术问题是如何实现对文档中各种词条的分类及抽取，同时保证分类和抽取的准确性。

为解决上述技术问题，本发明实施例提供一种词条分类方法，词条分类方法包括：确定离线训练完成的至少两个分类模型；获取待分类文档；分别利用所述至少两个分类模型对所述待分类文档中的各个词条进行分类，每个分类模型得到相应的分类结果，所述分类结果包括多个预设类别以及每个预设类别下的词条；根据所述至少两个分类模型各自的准确率对全部分类结果进行融合，得到针对所述待分类文档中各个词条的最终分类结果。

可选的，所述词条分类方法还包括：在所述待分类文档中，将已分类词条与未分类词条区别显示，其中，所述已分类词条为各个预设类别下的词条，所述未分类词条为所述已分类词条以外的其他词条；或者，抽取所述待分类文档中的已分类词条，并按照预设格式进行输出。

可选的，采用以下方式离线训练所述至少两个分类模型：获取训练文档；选取所述训练文档中的至少一部分词条及其标注，词条的标注是指所述词条所属的所述预设分类；至少将所述至少一部分词条及其标注作为训练集；使用所述训练集分别对所述至少两个分类模型进行训练。

可选的，所述选取所述训练文档中的至少一部分词条及其标注包括：选取所述训练文档中的部分词条及其标注，每一预设分类下的词条的数量小于100。

可选的，所述获取训练文档之后还包括：将具备不同格式的训练文档转换形成具备统一格式的训练文档。

可选的，所述选取所述训练文档中至少一部分词条及其标注之后还包括：对具备标注的词条进行分词以及清洗，以删除停用词和预设词。

可选的，所述至少将所述至少一部分词条及其标注作为训练集包括：利用同义词林对所述部分词条进行语义扩展，以得到所述至少一部分词条的扩展词；将所述部分词条及其扩展词、标注作为所述训练集。

可选的，所述根据所述至少两个分类模型的准确率对所述至少两个结果进行融合包括：根据离线训练时各个分类模型对应的分类结果计算各个分类模型的准确率，并根据所述准确率计算各个分类模型的准确率权重；将各个分类模型对应的分类结果与所述准确率权重进行加权以确定所述最终分类结果。

可选的，所述根据离线训练时各个分类模型对应的分类结果计算各个分类模型的准确率包括：根据各个分类模型对应的分类结果计算各个分类模型的F1分数，所述F1分数作为准确率。

可选的，所述分类模型为三个，其分别选自CRF模型、Seq2Seq模型和Boost模型。

可选的，所述分别利用所述至少两个分类模型对所述待分类文档中的各个词条进行分类包括：在所述至少两个分类模型中确定待更新模型；利用所述至少两个分类模型中除所述待更新模型之外的分类模型继续对待分类文档中的词条进行分类，并利用分类完成的各个词条及其最终分类结果对所述待更新模型进行训练。