[发明专利]一种基于规则的自适应文本信息提取方法及软件存储器

权利要求书

1.一种基于规则的自适应文本信息提取方法，其特征在于，该方法包括以下步骤：

对专业领域的文本对象进行统计对比、分析总结，构建文本信息提取的规则；

针对规则，按树状顺序分级处理，构成一个自适应的文本模版，模板根据专业领域的不同分为多种类别，不同类别的模板对应不同类别的文本对象，模板均为四层结构，包括段、行、句、词；

对待提取的文本对象进行统计分析，预设具有代表性的关键词，关键词由相关词与无关词构成；

使用构建的模版对待提取的文本进行信息提取，按照模版四层结构顺序，通过关键词进行文本匹配；

对于模版里的每个层级，当出现多个匹配结果时，用关键词进行过滤，精确定位目标信息；

输出包含关键词的文本提取结果。

2.根据权利要求1所述的基于规则的自适应文本信息提取方法，其特征在于，该方法中当选取关键词与文本对象的段落级别进行匹配，则提取出文本段落对应的信息，包括如下规则：

选取关键词与文本的段落级别进行匹配，得到关键词对应的文本段落内容信息；

将两个以上文本段落内容信息进行关键词过滤，得到精确文本段落位置信息。

3.根据权利要求1所述的基于规则的自适应文本信息提取方法，其特征在于，该方法中进行文本匹配时，从预设的各相关词与无关词中选取与文本段落对应的段、行、句、词匹配的文本信息，包括如下规则：

获取文本段落对应段、行、句、词的多个相关词、无关词；

根据获取的段、行、句、词，构建多级规则模版；

将文本对象与模版进行匹配对比，提取出文本对象中包含相关词，但不包含无关词的部分；

将选取出的文本内容信息与位置信息确定为对应文本对象在规则模版中的关注点。

4.根据权利要求1所述的基于规则的自适应文本信息提取方法，其特征在于，该方法中根据文本对象将的文本划分为段、行、句、词四个级别，包括如下规则：

从文本对象中的确定出不同文本类型对应的关键词，包括相关词、无关词；

将收集到的关键词按照段、行、句、词的四个级别进行模版建构。

5.根据权利要求1所述的基于规则的自适应文本信息提取方法，其特征在于，该方法中进行文本信息匹配时，还包括进行模板选择的过程，其具体方法为：

根据文本对象类型从预设的模板库中筛选出与文本对象类型匹配的两个以上模板；

根据各个文本段落对应的段落主题从两个以上模板中选取出与段落主题匹配度最高的模板，作为用于汇总各文本信息的规则模板。

6.一种存储有所述的基于规则的自适应文本信息提取方法的软件存储器，其特征在于，该软件存储器中的软件执行以下程序：

对专业领域的文本对象进行统计对比、分析总结，构建文本信息提取的规则；

针对规则，按树状顺序分级处理，构成一个自适应的文本模版，模板根据专业领域的不同分为多种类别，不同类别的模板对应不同类别的文本对象，模板均为四层结构，包括段、行、句、词；

对待提取的文本对象进行统计分析，预设具有代表性的关键词，关键词由相关词与无关词构成；

使用构建的模版对待提取的文本进行信息提取，按照模版四层结构顺序，通过关键词进行文本匹配；

对于模版里的每个层级，当出现多个匹配结果时，用关键词进行过滤，精确定位目标信息；

输出包含关键词的文本提取结果。