[发明专利]固定结构文本中信息提取方法及装置

说明书

本发明公开了一种固定结构文本中信息提取方法及其装置，所述提取方法包括：收集第一数量篇需提取信息的同种固定结构的文本；从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；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；采用优化后的模型对除去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。实现对固定结构文本中携带信息的提取，本发明所述自动提取、自动标注后再训练提取有效提高提取海量固定结构文本中携带信息的效率和可控性。

技术领域

本发明涉及信息提取技术领域，尤其涉及一种固定结构中文本信息提取方法及装置。

背景技术

固定结构的文本是指为了一种具体常见的活动需求生成的一种说明文本，比如法律领域的裁判文书，医疗领域的日常病例文本，政策领域的政策文本。这些固定结构的文本与人们的生活密切相关，含有大量信息。有效提取这些信息可以极大的便利人们的日常工作和生活。

现有技术没有对这种固定结构文本的统一泛化方法，基于常见文本的技术大都需要业界专家提炼有价值的信息，然后人工对文本中的信息进行标注，接着机器学习出模型，利用模型去预测提取信息。现有方法标注内容依赖业界专家，之后全人工标注的显著缺点有耗时、成本高、标注准确率难以核查、标注的标准难以泛化说明也不方便及时更改。

因此，有必要提出一种固定结构文本中信息提取方法及装置来解决上述问题。

发明内容

针对上述提出的问题，本发明目的在于提供一种固定结构文本中信息提取方法及装置，以提高提取海量固定结构文本携带信息的效率和可控性。

为实现上述目的，本发明采用如下技术方案：一种固定结构文本中信息提取方法，其步骤包括：

收集第一数量篇需提取信息的同种固定结构的文本。

从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：

从第一数量篇文本中获取第二数量篇文本，提取段落类型标识标签和对应的模板。

从第二数量篇文本中，提取字词级信息标识标签和对应的模板。

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。

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。

采用优化后的模型对除去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。

为实现上述目的，本发明还采用如下技术方案：一种固定结构文本中信息提取装置，包括：

文本收集单元：收集第一数量篇需提取信息的同种固定结构的文本。

文本标识单元：从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：

第一提取模块：从第一数量篇文本中获取第二数量篇文本，提取段落类型标识标签和对应的模板。

第二提取模块：从第二数量篇文本中，提取字词级信息标识标签和对应的模板。

文本标识模块：从所述第二数量篇文本中挑选出用段落类型、字词级信息标识标签和模板自动标注后，标注准确率达到设定值的所述第三数量篇文本。

训练单元：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。

信息提取单元：采用优化后的模型对除去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。