[发明专利]一种面向非结构化表格文档的实体与关系抽取方法

权利要求书

1.一种面向非结构化表格文档的实体与关系抽取方法，其特征在于，所述方法包括以下步骤：

1)非结构化表格文档划分，过程如下：

表格中的标题区指数据的性质和类别，数据区是指标题区对应的实际取值，根据表格中标题区与数据区的对应关系，将表格文档划分为单值表格和多值表格，其特征为：

1.1)单值表格：标题区与数据区是一对一关系，且相邻；

1.2)多值表格：标题区与数据区是一对多关系，标题区后紧跟着是连续的标题区，标题区个数与每行的数据区个数相同，且一一对应；

根据以上特征，将文档切分为离散的单值表格和多值表格；

2)单值表格知识抽取，过程如下：

利用标题区与数据区的位置特征，从单值表格中抽取实体、关系、属性及属性值并组织成三元组集合形式，输入为单值表格文档，输出为结构化三元组集合，步骤如下：

(2.1)：若表格文档的格式是PDF，则利用PDFelement软件将PDF格式转换成word格式；

(2.2)：利用Apache poi插件按单元格的行列值大小依次对表格进行解析，定位出所有标题区的行列坐标，设标题区的坐标为(x，y),那么其对应的数据区的坐标为(x，y+1)；

(2.3)：抽取出标题区及其数据区，组织成二元组集合；

(2.4)：对二元组集合进行实体、关系、属性及属性值的自动标注，标注规则如下：

2.4.1)若标题区含有“姓名”、“名称”、“人”的指代命名实体的字符串，则对应的数据区被标注为实体，否则标注为属性值；

2.4.2)若关于实体A的表格中有标题区X，且对应的数据区B被标注成实体，则X被标注为实体A与实体B的关系，但若数据区B被标注为属性值，则X被标注为实体A的属性；

(2.5)：完成实体、关系、属性及属性值的标注后，按照(实体，关系，实体)或(实体，属性，属性值)的形式组织这些知识，得到最终的三元组集合；

3)多值表格知识抽取，过程如下：

利用标题区与数据区的位置特征，从多值表格中抽取实体、关系、属性及属性值并组织成三元组集合形式，输入为多值表格文档，输出为结构化三元组集合，

步骤如下：

(3.1)：若表格文档的格式是PDF，则利用PDFelement软件将PDF格式转换成word格式；

(3.2)：利用Apache poi插件按单元格的行列值大小依次对表格进行解析，定位出所有标题区的行列坐标，设标题区的坐标为(x，y)、(x，y+1)、(x，y+2),那么其对应的数据区的第一条数据坐标为(x+1，y)、(x+1，y+1)、(x+1，y+2)，第二条数据坐标为(x+2，y)、(x+2，y+1)、(x+2，y+2)，以此类推；

(3.3)：根据数据区字符串是否包含空行、序号或固定格式来执行不同的操作：

3.3.1)若不包含空行、序号或固定格式，表明数据区是一个独立的字符串，可直接按照标题区和数据区的坐标一一对应得到二元组集合；

3.3.2)若包含空行、序号或固定格式，表明数据区不是独立的字符串，也就是说两条数据在进行单元格解析时错误的被当成一条，此时需对该数据区进行字符串语义分割并按照顺序进行自动编号，语义分割规则如下：

3.3.2.1)若字符串包含空行，则第一条数据应从第一个字符开始截取至空行，第二条数据从空行开始截取至下一空行或字符串末尾；

3.3.2.2)若字符串包含“1、”，“2、”的序号，则第一条数据应截取至“2、”前一个字符，第二条数据从“2、”开始截取至下一标号开始的字符或字符串末尾；

3.3.2.3)若字符串中包含固定格式，则根据该格式利用正则表达式将字符串分割成若干个数据区；

(3.4)：抽取出标题区及其数据区，组织成二元组集合；

(3.5)：对二元组集合进行实体、关系及属性的自动标注，标注规则如下：

3.5.1)若标题区含有“姓名”、“名称”、“人”的指代命名实体的字符串，则对应的数据区被标注为实体，否则标注为属性值；

3.5.2)对两个实体进行关系标注时，先抽取出同时包含指代两个实体的字符串，定位每个实体在字符串中的位置，截取两个实体间的字符串，将其标注为实体间的关系；

3.5.3)若关于实体A的表格中有标题区X，且对应的数据区B被标注为属性值，则X被标注为实体A的属性；

(3.6)：完成实体、关系、属性及属性值的标注后，按照(实体，关系，实体)或(实体，属性，属性值)的形式组织这些知识，得到最终的三元组集合。