[发明专利]文本信息提取方法、系统、设备及介质

说明书

本发明提供一种文本信息提取方法、系统、设备及介质，包括：获取用户的信息档案，所述信息档案为用户来访目的地之后形成的文本数据；预处理所述文本数据，按照所述文本数据的版式分割所述文本数据形成多个文本块；利用OCR技术识别各个所述文本块的文字，形成与版式对应的文档数据；结合知识图谱、注意力机制和双向GRU网络构建文本分类模型，利用所述文本分类模型对所述文档数据进行分类得到分类结果；根据所述分类结果所对应的文档数据，提取与分类主题相关联的关键信息。本发明通过双向GRU编码上下文信息、结合注意力机制使文本分类模型关注文本内部词语的关系，不仅有利于挖掘深层次特征信息，还提高信息提取的效率与精准度。

技术领域

本发明属于数据处理技术领域，特别是涉及一种文本信息提取方法、系统、设备及介质。

背景技术

随着信息技术的不断发展，计算机已然成为了信息传递的一种重要媒介，因此将图像中的文字转换为计算机可进行处理的格式有利于人们对信息的理解、加工和传递。许多视觉领域内和文本相关的任务，如图像检索、智能无障碍辅助设施等都需要以精确的文本识别结果进行构建。

目前，用户的信息档案主要以纸质化形式存在。然而，当需要迅速查询用户信息时，只能通过手动翻找的方式进行浏览，这样操作不仅费时费力、效率低下、同时，还会由于时间紧迫性遗漏用户的关键信息。因此，通过这种方法很难查找到与主题匹配度较高的结果，不利于信息档案的提取与查找。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种文本信息提取方法、系统、设备及介质，用于解决现有技术文本信息提取时，效率和精度不高的问题。

为实现上述目的及其他相关目的，本发明的第一方面提供一种文本信息提取方法，包括：

获取用户的信息档案，所述信息档案为用户来访目的地之后形成的文本数据；

预处理所述文本数据，按照所述文本数据的版式分割所述文本数据形成多个文本块；

利用OCR技术识别各个所述文本块的文字，形成与版式对应的文档数据；

结合知识图谱、注意力机制和双向GRU网络构建文本分类模型，利用所述文本分类模型对所述文档数据进行分类得到分类结果；

根据所述分类结果所对应的文档数据，提取所述文档数据中与分类主题相关联的关键信息。

于所述第一方面的一实施例中，构建所述文本分类模型的步骤，包括：

获取所述文档数据的字符向量与词向量，将所述字符向量与词向量进行拼接后输入到双向GRU网络，得到第一文本特征，利用自注意力层对所述第一文本特征进行加权计算，得到第二文本特征；

调用知识库中概念图谱对所述文档数据进行概念化处理，得到由概念向量集合构成的概念集；并将所述第二文本特征经池化层处理得到特征向量；

在所述概念集中引入注意力机制，计算概念集中第x个向量与第y个特征向量之间的关系权重，通过获取每个概念向量的注意力权重，对每个概念向量进行加权计算得到概念集特征；

结合所述第二文本特征与概念集特征，利用反向传播算法进行训练得到文本分类模型。

于所述第一方面的一实施例中，还包括：通过最小化交叉熵损失函数来优化文本分类模型，所述交叉熵损失函数为：

其中，M为训练集大小，N为类别数，R为预测类别，R’为实际类别，λ||θ||²为正则项。

于所述第一方面的一实施例中，所述利用OCR技术识别各个所述文本块的文字，形成与版式对应的文档数据的步骤，包括：