[发明专利]半结构化文档知识抽取方法、装置、电子设备及存储介质

权利要求书

1.一种半结构化文档知识抽取方法，其特征在于，所述方法包括：

从目标文档中确定待抽取知识区域；

通过实体识别技术识别出所述待抽取知识区域内的实体，得到实体候选集；

通过预设分类模型获取所述实体候选集中任意两个实体间的关系属于预先定义的关系类型的概率；

根据该任意两个实体间的关系属于预先定义的关系类型的概率获得实体关系网；

若所述实体关系网为一个，则直接输出所述实体关系网；

若所述实体关系网为多个，则对多个所述实体关系网进行排序，选取最优的实体关系网进行输出；

其中，所述对多个所述实体关系网进行排序，包括：根据所述任意两个实体间的关系属于预先定义的关系类型的概率获取多个所述实体关系网中每个实体关系网的概率；将该每个实体关系网的概率和基于先验知识构建的全局特征作为最大熵排序模型的输入，得到多个所述实体关系网的排序结果；

所述通过实体识别技术识别出所述待抽取知识区域内的实体，包括：

采用关键词词典和文本模板对所述待抽取知识区域内的文本进行匹配，以识别出所述待抽取知识区域内的专业领域实体和数值类实体；

基于识别出的所述专业领域实体和数值类实体，将所述待抽取知识区域内的文本输入训练好的序列标注模型以识别出所述待抽取知识区域内的命名实体；

所述待抽取知识区域内的实体包括专业领域实体和数值类实体，在识别出所述数值类实体之后，所述方法还包括：

对所述数值类实体进行单位转化和归一化处理。

2.根据权利要求1所述的方法，其特征在于，所述从目标文档中确定待抽取知识区域，包括：

读取目标文档以确定目标文档的语义信息或篇章结构信息；

根据所述语义信息或所述篇章结构信息从所述目标文档中确定待抽取知识区域。

3.根据权利要求1所述的方法，其特征在于，所述基于识别出的所述专业领域实体和数值类实体，将所述待抽取知识区域内的文本输入训练好的序列标注模型以识别出所述待抽取知识区域内的命名实体，包括：

将所述待抽取知识区域内的文本以句子为单位进行切分；

将句子中识别出的所述专业领域实体和所述数值类实体以相应的标签进行表示，以及将句子中的其他文本进行分词得到单词序列；

将所述单词序列以预训练或随机初始化的词向量表示，输入双向LSTM层进行特征抽取；

将抽取到的特征输入CRF分类器以对所述单词序列中的每个单词进行标注，输出所述待抽取知识区域内的文本的识别结果，从该识别结果中得到所述待抽取知识区域内的命名实体。

4.根据权利要求1所述的方法，其特征在于，所述通过预设分类模型获取所述实体候选集中任意两个实体间的关系属于预先定义的关系类型的概率，包括：

将该任意两个实体以预训练或随机初始化的词向量表示；

将该任意两个实体的词向量及该任意两个实体所属的实体类别的Embedding表达输入LSTM模型进行特征抽取；其中，该任意两个实体所属的实体类别的Embedding表达是随时初始化得到的；

将抽取到的特征输入双线性模型进行预测，得到该任意两个实体间的关系属于预先定义的关系类型的得分，再经过Softmax分类器最终得到该任意两个实体间的关系属于预先定义的关系类型的概率。