[发明专利]题目内容提取方法、装置、可读存储介质及计算机设备

权利要求书

1.一种题目内容提取方法，其特征在于，包括：

提取Word文本中的文字内容和各个非文字对象，并将提取到的信息转换为html格式文本；

建立所述非文字对象的ID字典，并根据所述ID字典将所述html格式文本中的非文字对象的信息替换为对应的ID标识，所述ID字典包括各个所述非文字对象的信息与各个ID标识的对应关系；

利用预训练的NCRF模型对替换后的所述html格式文本进行自动切题，以得到各个题目的题目内容；

根据所述ID字典将所述题目内容中的ID标识替换为对应的非文字对象的信息；其中

当所述非文字对象为图片时，所述将提取到的信息转换为html格式文本的步骤包括：

将提取到的各个所述非文字对象分别进行存储；

将所述非文字对象的存储地址嵌入所述文字内容中，并转换为html格式文本；

当所述非文字对象为公式时，所述将提取到的信息转换为html格式文本的步骤包括：

利用计算机语言读取所述公式，以得到wmf格式的矢量图；

将所述矢量图转换为非矢量图并存储；

获取所述公式对应的latex格式表达式；

将所述公式的矢量图的存储地址以及所述latex格式表达式嵌入所述文字内容中，并转换为html格式文本。

2.如权利要求1所述的题目内容提取方法，其特征在于，所述利用预训练的NCRF模型对替换后的所述html格式文本进行自动切题，以得到各个题目的题目内容的步骤包括：

通过预训练的NCRF模型对所述html格式文本进行序列标注，以对每个题目添加标签，所述标签包括起始行标签和结束行标签；

根据所述起始行标签和所述结束行标签确定各个题目的起始行和结束行的位置，并根据所述起始行和所述结束行的位置确定各个题目的内容范围。

3.如权利要求2所述的题目内容提取方法，其特征在于，每个题目添加标签还包括题型标签，所述题型标签用于区分题目类型，所述根据所述起始行和所述结束行的位置确定各个题目的内容范围的步骤之前还包括：

根据所述题型标签确定所述html格式文本中的各个题型的内容区域，并根据各个题目所属的内容区域确定各个题目的题型；

当判断到任意一所述题目的起始行和结束行不符合对应的题型的题型特点时，对判断的当前题目的所述起始行和所述结束行的位置进行调整。

4.一种题目内容提取装置，其特征在于，包括：

文本转换模块，用于提取Word文本中的文字内容和各个非文字对象，并将提取到的信息转换为html格式文本；

第一替换模块，用于建立所述非文字对象的ID字典，并根据所述ID字典将所述html格式文本中的非文字对象的信息替换为对应的ID标识，所述ID字典包括各个所述非文字对象的信息与各个ID标识的对应关系；

题目内容切割模块，用于利用预训练的NCRF模型对替换后的所述html格式文本进行自动切题，以得到各个题目的题目内容；

第二替换模块，用于根据所述ID字典将所述题目内容中的ID标识替换为对应的非文字对象的信息；其中

当所述非文字对象为图片时，所述将提取到的信息转换为html格式文本的步骤包括：

将提取到的各个所述非文字对象分别进行存储；

将所述非文字对象的存储地址嵌入所述文字内容中，并转换为html格式文本；

当所述非文字对象为公式时，所述将提取到的信息转换为html格式文本的步骤包括：

利用计算机语言读取所述公式，以得到wmf格式的矢量图；

将所述矢量图转换为非矢量图并存储；

获取所述公式对应的latex格式表达式；

将所述公式的矢量图的存储地址以及所述latex格式表达式嵌入所述文字内容中，并转换为html格式文本。