[发明专利]签名信息提取方法及装置

说明书

本申请实施例提供一种签名信息提取方法及装置，通过采用正则表达式分别提取每条语句中的结构化信息，能够非常便捷且快速地抽取出规则的签名信息。提取非结构化信息则使用机器学习分类模型与字符粒度序列标注的形式，能够解决传统方式中使用邮件模板比对得到抽取信息带来的局限性，在实施过程中通过分别提取每条语句的TF‑IDF词频特征和标注序列特征，并将提取得到的TF‑IDF词频特征和标注序列特征分别输入到地址二分类模型和字符粒度序列标注模型中，得到每条语句中的人名信息和地址信息，如此，通过提取TF‑IDF词频特征能够完整识别出地址信息，并利用标注序列特征，极大减轻由于错误分词对人名信息识别带来的负面影响，从而精准地对邮件签名信息进行提取。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种签名信息提取方法及装置。

背景技术

传统的邮件签名提取方法是一般采用邮件模板比对形式，但是其具有较大的局限性，一般只适用于标准格式的邮件签名抽取，如果需要抽取的邮件与标准模板不匹配，则对提取结果的准确性会造成极大的影响。另外的做法是通过对邮件全文进行分词，并根据每个词及前后文的特征，来提取邮件中姓名等实体信息，但是该方式受到分词工具的较大影响，往往存在分词后提取的姓名等实体信息部分丢失，或者不完善，或者存在多余词语的情况，从而也会对提取结果的准确性会造成极大的影响。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种签名信息提取方法及装置，以解决或者改善上述问题。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种签名信息提取方法，应用于电子设备，所述电子设备中配置有签名信息提取模型，所述签名信息提取模型包括结构化信息抽取模型和非结构化信息抽取模型，所述方法包括：

获取待抽取签名信息的文本数据，并对所述文本数据进行分句，得到多条语句；

依次将每条语句输入到所述结构化信息抽取模型中，通过所述结构化信息抽取模型中的各个正则表达式分别提取每条语句中的结构化信息；

分别提取每条语句的TF-IDF词频特征和标注序列特征，并将提取得到的TF-IDF词频特征和标注序列特征分别输入到所述非结构化信息抽取模型中的地址二分类模型和字符粒度序列标注模型中，得到每条语句中的非结构化信息，其中，所述非结构化信息包括人名信息和地址信息；

根据所述结构化信息和所述非结构化信息生成签名信息提取结果。

可选地，所述分别提取每条语句的TF-IDF词频特征和标注序列特征的步骤，包括：

对所述文本数据中的每条语句进行完全分词，得到每条语句的完全分词结果，并提取所述完全分词结果的TF-IDF词频特征；

同时对所述文本数据中的每条语句进行字符粒度拆分，得到拆分后的每条语句对应的各个词语；

分别提取每个词语的序列标注特征，以得到每条语句的标注序列特征。

可选地，所述将提取得到的TF-IDF词频特征和标注序列特征分别输入到所述非结构化信息抽取模型中的地址二分类模型和字符粒度序列标注模型中，得到每条语句中的非结构化信息的步骤，包括：

将所述TF-IDF词频特征输入到所述地址二分类模型中，得到对应的地址信息；

将所述标注序列特征输入到所述字符粒度序列标注模型中，得到对应的实体标注序列，并对所述实体标注序列中各个实体标签进行识别，根据识别结果输出对应的人名信息。

可选地，所述获取待抽取签名信息的文本数据的步骤之前，所述方法还包括：

训练所述地址二分类模型；以及

训练字符粒度序列标注模型。