[发明专利]文本抽取方法、装置、设备及存储介质

说明书

本发明公开一种文本抽取方法、装置、设备及存储介质，该方法包括：提取待抽取文本中包含的抽取类型标识；若抽取类型标识为字段抽取则调用多线程处理脚本将待抽取文本切分成句子集合并将句子集合中的句子转化为句子向量；对句子向量进行拼接获得目标句子向量后输入至第一条件随机场模型获取第一预测结果；根据第一预测结果采用精确匹配检索算法从待抽取文本中抽取目标字段。本发明根据抽取类型标识确定抽取长度，针对不同的抽取长度选用对应的条件随机场模型进行文本抽取使文本抽取更具针对性，同时采用多线程处理脚本进行文本切分提高了文本抽取的整体效率，通过精确匹配检索算法提取目标字段也保证了目标字段抽取的准确性。

技术领域

本发明涉及文本处理技术领域，尤其涉及一种文本抽取方法、装置、设备及存储介质。

背景技术

信息抽取是将文档(如简历类、保险条款类、百科类、合同类等多种业务场景的文档)中的非结构化数据自动提取转换为结构化数据的过程，例如将租赁合同中签约双方的名称、签约时间、签约地址等非结构化数据进行提取并转换等。

信息抽取从抽取内容角度划分主要包括实体抽取、关系抽取、事件抽取，从抽取长度划分主要包括词汇抽取和字段/段落抽取。另外，也分开放域信息抽取和封闭域信息抽取。随着深度神经网络的发展和计算机算力的增强，现有的信息抽取方法主要是基于大规模的标注数据训练参数量级较大的端到端的深度学习模型，然后基于训练出的模型进行不同业务场景下的文本信息抽取。这种信息抽取方式并未针对不同的抽取长度进行分类抽取，导致最终的抽取结果针对性不强、准确度不高、降低了信息抽取的效率。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种文本抽取方法、装置、设备及存储介质，旨在解决现有的信息抽取技术抽取结果针对性不强、准确度不高、抽取效率较低的技术问题。

为实现上述目的，本发明提供了一种文本抽取方法，所述方法包括以下步骤：

读取待抽取文本，提取所述待抽取文本中包含的抽取类型标识；

在检测到所述抽取类型标识为字段抽取时，调用多线程处理脚本将所述待抽取文本切分成句子集合；

通过所述多线程处理脚本将所述句子集合中的句子转化为句子向量；

对所述句子向量进行拼接，以获得目标句子向量；

将所述目标句子向量输入至第一条件随机场模型，获取所述第一条件随机场模型输出的第一预测结果；

根据所述第一预测结果采用精确匹配检索算法从所述待抽取文本中抽取目标字段。

优选地，所述通过所述多线程处理脚本将所述句子集合中的句子转化为句子向量的步骤，包括：

通过所述多线程处理脚本将所述句子集合中的句子输入至预训练语言模型，以获得所述预训练语言模型输出的各句子对应的句子向量；

所述对所述句子向量进行拼接，以获得目标句子向量的步骤，包括：

获取各句子在所述待抽取文本中所处的文本位置信息，并根据所述文本位置信息确定各句子对应的句子顺序；

按所述句子顺序对所述句子向量进行拼接以获得目标句子向量。

优选地，所述读取待抽取文本，提取所述待抽取文本中包含的抽取类型标识的步骤之前，所述方法还包括：

获取若干个用户标注文档，对所述用户标注文档进行向量化以获得标注文本向量，所述标注文本向量中包含观察文本序列；

将所述标注文本向量输入至初始条件随机场模型，以使所述初始条件随机场模型基于所述观察文本序列进行模型训练，获得待验证条件随机场模型；