[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

说明书

本申请提供了一种半结构化文档知识抽取方法、装置、电子设备及存储介质，该方法包括：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。本申请实施例有利于提高专业领域文档知识抽取的准确率。

技术领域

本申请涉及文本信息处理技术领域，尤其涉及一种半结构化文档知识抽取方法、装置、电子设备及存储介质。

背景技术

近年来，面对互联网上类型多样且数量庞大的文本，文本处理自动化的知识抽取系统热度持续上涨，研究知识抽取技术的论文、期刊或博文也不断更新，足以证明知识抽取在构建知识库中的重要性。现有三元组形式的知识抽取技术一般基于自由文本，抽取流程一般为实体识别、触发词识别、关系识别、三元组生成以及知识融合。但是基于自由文本的知识抽取技术流程长，互相依赖，有误差放大效应，整体效果不能满足专业领域文本抽取的准确度和召回率要求。专业领域的半结构化文本一般格式固定，用语规范，蕴涵的知识密集且互相关联，常见的例如：合同、条款、法律文书等，而目前大部分基于单个关系分类、再将多关系融合的知识抽取方法在准确率上仍不能满足实际需要。

发明内容

针对上述问题，本申请提供了一种半结构化文档知识抽取方法、装置、电子设备及存储介质，有利于提高专业领域文档知识抽取的准确率。

本申请实施例第一方面提供了一种半结构化文档知识抽取方法，该方法包括：

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。

在一种可行的实施方式中，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。

在一种可行的实施方式中，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。

在一种可行实施例中，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。

在一种可行的实施方式中，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：