[发明专利]一种文档信息提取方法、存储介质及终端

说明书

本发明涉及一种文档信息提取方法、存储介质及终端。该方法包括：获取文档的文本信息和文本位置信息，文本信息对应文本位置信息；使用训练语素分类模板从文本信息中提取关键词；设置关键词对应的超链接。存储关键词、关键词对应的超链接、关键词对应的文本位置信息、关键词所在文档的文档属性信息、以及关键词分类。本发明能够从垂直领域的资料文档的信息源中提取出专业术语关键词、产品关键词、品类关键词、属性关键词，使文档信息查找更定准确，提高搜索匹配度，提高用户搜索体验。

技术领域

本发明涉及文档检索领域，更具体地说，涉及一种文档信息提取方法、存储介质及终端。

背景技术

目前对资料文档的文字提取存在两种方法，一种是利用OCR识别技术，将资料文档转换成图像，经过版面分析，行字切分、文字识别，将结果输出；另一种方法是利用资料文档进行解析，提取文字信息，直接将结果输出。但是，上述两种方法重在提取资料文档的文本，并没有描述原始文档内容的垂直领域专业术语关键词、产品关键词、品类关键词、属性关键词，也没有描述关键词之间的关系。这成为制约人们在垂直行业领域信息检索的瓶颈。因此，对资料文档进行信息抽取的研究显得十分重要。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种文档信息提取方法、存储介质及终端。

本发明解决其技术问题所采用的技术方案是：构造一种文档信息提取方法，包括：

获取文档的文本信息和文本位置信息，所述文本信息对应所述文本位置信息；

使用训练语素分类模板从所述文本信息中提取关键词；

设置所述关键词对应的超链接。

进一步，本发明所述的文档信息提取方法，所述文档为PDF文档，所述获取文档的文本信息和文本位置信息包括：

使用光学字符识别方法识别所述PDF文档中的文本信息，同时获取所述文本信息在所述文档中某一页面内的位置信息和页数位置信息。

进一步，本发明所述的文档信息提取方法，所述文本位置信息包括所述文本信息的x轴信息、y轴信息、z轴信息，其中，所述x轴信息和y轴信息为所述文本信息在所述文档中某一页面内的位置信息，所述z轴信息为所述文本信息在所述文档的页数信息。

进一步，本发明所述的文档信息提取方法，所述使用训练语素分类模板从所述文本信息中提取关键词包括：

使用所述训练语素分类模板中的训练语素列表、所述训练语素列表的词性、所述训练语素列表与预设资源的相关性、以及预设目标语素从所述文本信息中提取关键词。

进一步，本发明所述的文档信息提取方法，在所述使用训练语素分类模板从所述文本信息中提取关键词之后，且在所述设置所述关键词对应的超链接之前，所述方法还包括：

对所述关键词进行关键词解码和关键词分类，其中所述关键词解码指按照所述文档的文件结构进行数据解码；所述关键词分类指按照预设分类模式进行分类，其中所述预设分类模式包括专业术语关键词模式、产品关键词模式、品类关键词模式、属性关键词模式。

进一步，本发明所述的文档信息提取方法，在所述设置所述关键词对应的超链接之后，所述方法还包括：

存储所述关键词、所述关键词对应的超链接、所述关键词对应的文本位置信息、所述关键词所在文档的文档属性信息、以及关键词分类，其中所述文档属性信息包括文档标题、文档生成日期、文档版本号。

进一步，本发明所述的文档信息提取方法，在存储所述关键词、所述关键词对应的超链接、所述关键词对应的文本位置信息、所述关键词所在文档的文档属性信息、以及关键词分类之后，所述方法还包括：

接收关键词；