[发明专利]基于非结构化文档的知识提取方法及系统

权利要求书

1.基于非结构化文档的知识提取方法，其特征在于：包括如下步骤：

S1、建立随机森林模型；

S2、导入非结构化文档；

S3、BERT处理；

S4、样本导入；

S5、展示提取的知识；

S6、对随机森林模型进行补充和修正；

所述步骤S4中，具体包括如下步骤：

（1）、将BERT处理后的M个字词导入到随机森林模型；

（2）、设定数值N，N为样本字词导入个数,且N小于M；

（3）、设定数值Y，Y为样本的决策特征，且Y小于Z；

（4）、设定数值X，X为决策树数量；

（5）、从M个字词中选取N个样本字词；

（6）、N个样本字词分别随机选定Y个筛选特征进行创建决策树；

（7）、决策树数量是否大于X，否则返回（6）；

（8）、样本字词在X个决策树的选取情况，输出提取的知识词语；

所述步骤（8）中在X个决策树中，单个样本字词决策后被选取数值记为K，若K处于0-0.4X之间记为被否决字词，若K处于0.4X-0.7X之间记为次展示字词，若K处于0.7X-X之间记为展示字词。

2.根据权利要求1所述的基于非结构化文档的知识提取方法，其特征在于：所述步骤S1中，建立随机森林模型具体为设定特征数值为Z个，导入训练集，通过Z个特征对字词进行决策，创建决策树选取符合特征的字词。

3.根据权利要求1所述的基于非结构化文档的知识提取方法，其特征在于：所述步骤S3中，BERT是基于Transformer 的双向编码器表征，其根基就是Transformer，其中双向的意思表示它在处理一个词的时候，能考虑到该词前面和后面单词的信息，从而获取上下文的语义，将非结构化文档的文字转化为准确且无歧义的词语和字，并将词语或字的总数值记为M。

4.根据权利要求1所述的基于非结构化文档的知识提取方法，其特征在于：所述步骤S5中，将展示字词和次展示字词图标向使用者展示，并将展示字词和次展示字词图标均设置为超链接形式，点击展示字词，将数据库内该展示字词相关知识显示给使用者观看阅读，点击次展示字词图标，切换展示页面，使得次展示字词箱使用者展示，并将次展示字词设置为超链接形式，点击次展示字词，将数据库内该次展示字词相关知识显示给使用者观看阅读。

5.根据权利要求1所述的基于非结构化文档的知识提取方法，其特征在于：所述步骤S6中，将展示字词和次展示字词中出现的决策错误同义词进行修改，并对随机森林模型中的特征进行补充完善。

6.根据权利要求1-5中任一项所述的基于非结构化文档的知识提取系统，其特征在于：所述基于非结构化文档的知识提取系统包括数据模块、采集模块、处理模块和执行模块；所述数据模块包括数据存储、数据修改和数据联网，所述采集模块包括网络文档导入和本地文档导入，所述处理模块包括BERT处理和决策树处理，所述执行模块包括显示屏展示和投影展示；

所述采集模块、处理模块和执行模块三者均与数据模块连接，所述采集模块输出端与处理模块输入端相连接，所述处理模块输出端与执行模块输入端相连接。

7.根据权利要求6所述的基于非结构化文档的知识提取系统，其特征在于：所述采集模块包括网络文档导入和本地文档导入，所述网络文档导入是指将网络云端存储的文档导入至BERT处理区域，所述本地文档导入包括计算机硬盘存储文档和U盘存储文档，并将文档导入至BERT处理区域；

所述处理模块包括BERT处理和决策树处理，所述BERT处理是指将输入的非结构文档译成单独的字词，所述决策树处理是将单独的字词通过随机森林模型进行决策输出。

8.根据权利要求6所述的基于非结构化文档的知识提取系统，其特征在于：所述数据模块包括数据存储、数据修改和数据联网，所述数据存储是对知识词语相关文档、系统运行编程以及计算机运行编程的存储，所述数据修改是随机森林模型的筛选特征进行修改，减少提取时同义词错误，所述数据联网使对数据存储内的数据联网更新，以保证系统正常的运行和准确的知识词语对应文档；

所述执行模块包括显示屏展示和投影展示，所述显示屏展示是通过计算机显示屏向使用者展示提取的知识词语，供少量使用者交流观看，所述投影展示是指通过投影机将显示屏内容投影至幕布，供多位使用者同时观看交流，所述执行模块中展示的知识词语设置为超链接，提取的知识词语与数据存储中存储的知识词语相关文档相链接，点击展示的知识词语，获取相应的知识词语相关文档。