[发明专利]基于地质本体的地质报告文本信息提取方法

权利要求书

1.基于地质本体的地质报告文本信息提取方法，其特征在于，所述方法包括以下步骤：

S1、文档预处理：将搜集到的地质报告文档的文件类型转换成数据源格式，利用自然语言处理工具对所述数据源格式的文档进行分句、分词、去停用词、以及词性标注，得到用于信息抽取的序列文本；

S2、地质本体构建：从空间数据库中获取结构化属性信息，形成地名词典库、地质实体词典库，并对现有的开源地质领域本体利用专业地质词汇和专著进行扩充，形成地名本体和地质时间本体；

S3、匹配规则定义：分析地质报告文档中的时间描述形式，定义时间匹配规则；根据步骤S1中标注的词性，结合地质报告文档中的属性信息的描述特点，定义属性信息匹配规则；在步骤S1得到的序列文本中搜集表达空间关系的词汇，定义空间关系匹配规则；所述步骤S3中定义的时间匹配规则、属性信息匹配规则、以及空间关系匹配规则均为正则表达式规则；

S4、地质信息提取：在步骤S2、步骤S3的基础上，利用模式匹配、规则匹配方法对步骤S1处理得到的序列文本进行地质实体信息、时空关系信息以及属性信息的抽取。

2.根据权利要求1所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S1中，还包括将搜集到的不同格式的原始地质报告文档转换成文本文档，去除文档中的图表，再将所述文本文档转换成数据源格式，所述数据源格式为GATE可读格式。

3.根据权利要求1所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S2中，所述地名本体以及地名词典库提供地名列表，用于进行信息抽取时匹配地名信息；所述地质时间本体提供地质报告中专业化的地质时间列表，用于进行信息抽取时匹配地质时间信息；所述地质实体词典库提供专业化的地质领域实体信息，用于进行信息抽取时匹配预定义的类别实体信息。

4.根据权利要求1所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S4中，所述地质实体信息包括地名实体、岩石实体、构造实体、地史实体、以及时间实体。

5.根据权利要求1或4所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S4中，所述地质实体信息抽取的过程为：

依据步骤S2中形成的地质实体词典库对所述序列文本进行模式匹配，得到岩石实体、构造实体、以及地史实体信息；

依据步骤S2中构建的地质时间本体对所述序列文本进行模式匹配，得到时间实体信息；

依据步骤S2中构建的地名本体以及地名词典库对所述序列文本进行模式匹配，得到地名实体信息。

6.根据权利要求1所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S4中，所述时空关系信息抽取的过程为：利用步骤S3中定义的时间匹配规则以及空间关系匹配规则，对所述序列文本进行规则匹配，得到时空关系信息。

7.根据权利要求1所述的基于地质本体的地质报告文本信息提取方法，其特征在于，所述步骤S4中，所述属性信息抽取的过程为：利用步骤S3中定义的属性信息匹配规则，对所述序列文本进行规则匹配，得到属性信息，所述属性信息为量化信息。