[发明专利]信息处理装置和信息处理方法

说明书

本公开涉及用于确定多个结构化文本中的实体名称和相关联的属性值的信息处理装置和信息处理方法。该信息处理装置包括：构造单元，被配置成基于多个结构化文本的第一集合构造包含实体名称和相关联的属性值的对的训练样本集合；训练单元，被配置成基于所构造的训练样本集合对识别模型进行训练；以及确定单元，被配置成使用经训练的识别模型确定多个结构化文本的第二集合中的结构化文本中的实体名称和相关联的属性值。通过根据本公开的信息处理技术，能够高效准确地确定多个结构化文本中的实体名称和相关联的属性值。

技术领域

本公开总体上涉及信息处理的技术领域，更具体地，涉及用于确定多个结构化文本中的实体名称和相关联的属性值的信息处理装置和信息处理方法。

背景技术

现实生活中存在大量的文本数据，其中采用特定格式化语言的文本通常被称为结构化文本。例如，过去十数年中，在中国约有超过5700万份司法文件如民事裁定书等在互联网上加以公开，此类文件的数目每天以千计的数量仍在增长。

图1示出了作为结构化文本的示例的司法文件的示图。如图1所示，司法文件的结构化文本中通常包括实体名称，例如案件所涉及的人的姓名(在图1中用下划线标出)，此外还包括与实体名称相关联的属性值，例如原告、被告、审判长、人民陪审员、书记员等(在图1中用文本框标出)。

目前，存在从结构化文本中提取实体名称和与实体名称相关联的属性值的需要。然而，现有方法需要手动构造大规模的带标签的训练样本集合用于对从结构化文本中提取实体名称和相关联的属性值的识别模型进行训练，该构造过程的成本高、时间长。此外，现有方法通常分别识别实体名称和属性值，继而使用模板匹配来识别二者之间的关联性，其计算代价大、精度差。

因而，需要一种能够高效准确地确定多个结构化文本中的实体名称和相关联的属性值的信息处理技术。

发明内容

为了解决现有技术中存在的问题，本公开提出了一种用于确定多个结构化文本中的实体名称和相关联的属性值的信息处理技术。该信息处理技术首先基于多个结构化文本的第一集合构造包含实体名称和相关联的属性值的对的训练样本集合，接着基于所构造的训练样本集合对识别模型进行训练，随后使用经训练的识别模型确定所述多个结构化文本的第二集合中的结构化文本中的实体名称和相关联的属性值。

在下文中将给出关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图确定本公开的关键或重要部分，也不是意图限定本公开的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

本公开的目的之一在于提供用于确定多个结构化文本中的实体名称和相关联的属性值的信息处理装置和信息处理方法。

为了实现本公开的目的，根据本公开的一个方面，提供了一种信息处理装置，用于确定多个结构化文本中的实体名称和相关联的属性值，该信息处理装置包括：构造单元，被配置成基于多个结构化文本的第一集合构造包含实体名称和相关联的属性值的对的训练样本集合；训练单元，被配置成基于所构造的训练样本集合对识别模型进行训练；以及确定单元，被配置成使用经训练的识别模型确定多个结构化文本的第二集合中的结构化文本中的实体名称和相关联的属性值。

根据本公开的另一方面，提供了一种信息处理方法，用于确定多个结构化文本中的实体名称和相关联的属性值，该信息处理方法包括如下步骤：基于多个结构化文本的第一集合构造包含实体名称和相关联的属性值的对的训练样本集合；基于所构造的训练样本集合对识别模型进行训练；以及使用经训练的识别模型确定多个结构化文本的第二集合中的结构化文本中的实体名称和相关联的属性值。

根据本公开的另一方面，提供了一种能够实现上述的信息处理方法的计算机程序。此外，还提供了具有至少计算机可读介质形式的计算机程序产品，其上记录有用于实现上述的信息处理方法的计算机程序代码。