[发明专利]固定结构文本中信息提取方法及装置

权利要求书

1.一种固定结构文本中信息提取方法，其特征在于，其步骤包括：

步骤S1：收集第一数量篇需提取信息的同种固定结构的文本；

步骤S2：从所述第一数量篇文本中获取第二数量篇文本，从所述第二数量篇文本中挑选出用段落类型标识标签、字词级信息标识标签和对应的模板自动标注的第三数量篇文本；其包括：

步骤S21：从所述第一数量篇文本中获取所述第二数量篇文本，提取段落类型标识标签和对应的模板；

步骤S22：从所述第二数量篇文本中，提取字词级信息标识标签和对应的模板；

步骤S23：从所述第二数量篇文本中挑选出用段落类型标识标签、字词级信息标识标签和对应的模板自动标注后，标注准确率达到设定值的所述第三数量篇文本；

步骤S3：使用具有标注的文本对选定的信息提取模型进行训练，得到优化后的模型；

步骤S4：采用优化后的模型对除去所述第三数量的文本以外数量的文本进行预测，根据预测的标签提取信息。

2.如权利要求1所述的固定结构文本中信息提取方法，其特征在于，上述步骤S21中，包括：

步骤S211：从所述第一数量篇文本中获取所述第二数量篇文本；

步骤S212：统计所述第二数量篇文本中非明确写法的段落的数量的占比，选出占比最高的段落数量N及对应的第四数量篇文本；

步骤S213：从所述第四数量篇文本中选取第五数量篇文本，提取设定维度特征及每个段落类型对应的的初始标识标签和对应的初始模板；

步骤S214：根据段落前后位置和初始模板将第四数量篇文本内容划分到N1个文档，第m个文档存放对应的每篇文本第m个段落类型标签对应的段落；

步骤S215：用N1个文档中的数据，优化初始模板中的每种模板，使得优化后的模板对段落类型的召回率达设定值；

步骤S216：对优化的模板重新进行归类，使得每类模板只能配中对应的一种段落类型的段落，得出优化后的段落类型标识标签和对应的模板集合。

3.如权利要求2所述的固定结构文本中信息提取方法，其特征在于，上述步骤S22中，包括：

步骤S221：对所述第五数量篇文本中每一个段落分子句，进一步分词，选出初始字词级信息标识标签和对应的模板集合；

步骤S222：根据优化后的段落类型集合中每种类型对应的模板和段落位置关系，再次将所述第四数量篇文本内容划分到N2个文档，第n个文档存放对应的每篇文本第n个段落类型对应的段落；

步骤S223：将N2个文档中的文本根据标点拆分成子句，使用选定的分词工具分词，优化字词级信息标识标签和模板集合，使得优化后的模板对对应的字词级信息标识词汇的召回率达设定值；

步骤S224：对优化的模板重新进行归类，使得每类模板只能配中对应的段落类型中的字词级信息相关的词汇，得出优化后的字词级信息标识标签和对应的模板集合。

4.如权利要求3所述的固定结构文本中信息提取方法，其特征在于，上述步骤S23中，包括：

步骤S231：用优化后的段落类型模板和字词级信息标识模板自动对所述第二数量的文本中能召回的所述第三数量的文本标注标签；

步骤S232：对标注结果进行随机抽样并计算标注结果的准确率；

步骤S233：调整标注的限制条件，直到随机抽样核验结果的准确率达到设定准确率。