[发明专利]信息提取方法及系统

说明书

本发明公开一种信息提取方法及系统，属于信息处理技术领域。该方法包括：根据实体种子集中的多个实体种子，从目标语料中提取多个实体候选和多个属性候选，实体种子集由属于目标类别的多个实体种子构成；根据多个实体和多个属性候选，建立实体与属性的关联关系，多个实体包括多个实体种子和多个实体候选；根据实体与属性的关联关系，分别从多个实体中确定出至少一个目标实体，从多个属性候选中确定出至少一个目标属性。本发明解决了信息提取过程存在“语义漂移”的问题，达到了避免信息提取过程存在“语义漂移”的效果。本发明用于信息提取。

技术领域

本发明涉及信息处理技术领域，特别涉及一种信息提取方法及系统。

背景技术

随着电子技术的快速发展和大数据时代的到来，越来越多的数据以非结构化文本的形式存储在信息系统中，通过自然语言处理(英文：Natural Language Processing；简称：NLP)技术对非结构化文本进行处理可以使非结构化文本转化为结构化文本，而从非结构化文本中提取实体与属性是将非结构化文本转化为结构化文本的重要步骤。其中，非结构化文本是指诸如超文本标记语言(英文：HyperText Markup Language；简称：HTML)格式、可扩展标记语言(英文：Extensible Markup Language；简称：XML)格式等格式的文本，结构化文本是指按照某种预定义的文本对象模型构造的文本，结构化文本已经给文本定义了框架，使文本的各部分的作用一目了然，实体是指现实世界中的客观事物，是现实世界中任何可区分、可识别的事物，实体不仅可以指能触及的客观事物，还可以指抽象的事物，属性是指实体的一些基本特征，其有助于人们全面、客观地了解实体。

相关技术中，通常将实体提取与属性提取分成独立的两个阶段进行，然后根据提取到的实体和属性，将非结构化文本转化为结构化文本。具体实施时，首先，根据给定类别(目标类别)的实体种子集中的实体种子在给定语料(非结构化文本)中提取实体候选，根据实体候选在给定语料中的上下文计算实体候选与实体种子的相似度，将实体候选中与实体种子的相似度大于预设相似度的实体候选作为目标实体，然后，根据给定的属性种子集(目标类别的实体种 子集对应的属性种子集)中的属性种子，在该给定语料中提取属性候选，根据属性候选在该给定语料中的上下文计算属性候选与属性种子的相似度，将属性候选中与属性种子的相似度大于预设相似度的属性候选作为目标属性，最后，将提取的目标实体存储在目标实体集中，将提取的目标属性存储在与目标实体集关联的目标属性集中得到结构化文本，其中，目标实体集用于记录目标类别的实体，目标属性集用于记录目标实体集中的实体的属性。

在实现本发明的过程中，发明人发现相关技术至少存在以下问题：

相关技术中的实体提取与属性提取是分开进行的，因此，信息提取过程存在“语义漂移”(将不属于目标类别的实体候选提取出来)的问题。

发明内容

为了解决信息提取过程存在“语义漂移”的问题，本发明提供一种信息提取方法及系统。所述技术方案如下：

第一方面，提供一种信息提取方法，所述方法包括：

根据实体种子集中的多个实体种子，从目标语料中提取多个实体候选和多个属性候选，所述实体种子集由属于目标类别的多个实体种子构成；

根据多个实体和所述多个属性候选，建立实体与属性的关联关系，所述多个实体包括所述多个实体种子和所述多个实体候选；

根据所述实体与属性的关联关系，分别从所述多个实体中确定出至少一个目标实体，从所述多个属性候选中确定出至少一个目标属性。

可选地，所述根据所述实体与属性的关联关系，分别从所述多个实体中确定出至少一个目标实体，从所述多个属性候选中确定出至少一个目标属性，包括：

根据所述实体与属性的关联关系中，各个实体与各个属性的关联系数，对所述多个实体中的每个实体和所述多个属性候选中的每个属性候选进行打分；