[发明专利]word文档关键信息抽取方法

说明书

本发明公开了一种word文档关键信息抽取方法，其包括：步骤一、获取源word文档，遍历word文档的段落，对于任一段落，判断段落是否具有模板样式属性，若具有模板样式属性，则进入步骤二，否则进入步骤三；步骤二、根据段落的模板样式属性获取段落信息类别，并与预设的待抽取关键信息类别列表进行匹配，将段落抽取并输入至输出文件一中所属信息类别对应的区域；步骤三、基于预设的神经网络模型识别段落的信息类别，并与预设的待抽取关键信息类别列表进行匹配，将段落抽取并输入所属信息类别对应的区域。本发明利用了word文档中的模板样式属性的信息，从而极大地提高了word文档抽取关键信息地效率。

技术领域

本发明涉及信息内容加工技术领域。更具体地说，本发明涉及一种word文档关键信息抽取方法。

背景技术

现有的MS Word文档关键信息抽取方法主要是由程序员编写特定的程序进行抽取，各种方法的具体差异很大，没有一种固定的标准。现有的关键信息抽取存在不能有效地抽取MS Word文档中有样式的段落；已有技术的可定制性较差，用户很多时候不能选择抽取哪些类型的关键信息；对于无样式的段落，没有一种有效的抽取方案；抽取文件的输出并不规范等缺陷。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种word文档关键信息抽取方法，本发明利用了word文档段落的模板样式属性地信息，将word文档的段落按照是否具有模板样式属性进行分类，对于不同类型的段落采用不同的关键信息提取方法，极大地提高了word文档关键信息的抽取效率；本发明将抽取的关键信息采用统一格式的文件输出，使得程序的结果更加清晰明了。

为了实现根据本发明的这些目的和其它优点，提供了一种word文档关键信息抽取方法，其包括：

步骤一、获取源word文档，遍历word文档的段落，对于任一段落，判断段落是否具有模板样式属性，若具有模板样式属性，则进入步骤二；若不具有模板样式属性，则进入步骤三；

步骤二、根据段落的模板样式属性获取段落信息类别，并与预设的待抽取关键信息类别列表进行匹配，将段落抽取并输入至输出文件一中所属信息类别对应的区域；

步骤三、基于预设的神经网络模型识别段落的信息类别，并与预设的待抽取关键信息类别列表进行匹配，将段落抽取并输入至输出文件一中所属信息类别对应的区域。

优选的是，所述的word文档关键信息抽取方法，预设的待抽取关键信息类别列表至少包括标题、正文、表格等类别。

优选的是，所述的word文档关键信息抽取方法，步骤三中，基于预设的神经网络模型识别段落的信息类别具体为：根据预设的格式属性规则，对段落进行预处理，并提取得到特征向量M，将特征向量M输入至预设的神经网络模型中，获取神经网络模型的输出结果，根据输出结果确定段落的信息类别；

其中，M＝[m₁、m₂、…m_n]，其中m表示一种格式属性；

所述神经网络模型包括三层全连接层，第一层全连接层的输出维度为50；第二层全连接层的输出维度为20，第三层全连接层的输出维度为n；n与预设的待抽取关键信息类别信息中的类别个数相等。

优选的是，所述的word文档关键信息抽取方法，所述格式属性包括字号、字体、文本长度、段间距、是否加黑、是否加粗、是否斜体等中的至少一个。

优选的是，所述的word文档关键信息抽取方法，还包括，步骤四将word文档的所有段落按照预设的格式属性，进行格式处理，并形成新的word文档作为输出文件二。

优选的是，所述的word文档关键信息抽取方法，所述文件一为json格式。