[发明专利]带格式文本的信息抽取方法和装置

说明书

本申请公开了一种带格式文本的信息抽取方法和装置，涉及信息技术领域以及人工智能技术领域，有助于提高对带格式文本的信息抽取的准确率。方法包括：首先，确定需要抽取带格式文本中属于目标类别的文本块；其次，基于文本块粒度的特征信息，识别该带格式文本中属于目标类别的文本块；接着，输出该带格式文本中属于目标类别的文本块的标识。

技术领域

本申请涉及信息技术领域以及人工智能技术领域，尤其涉及带格式文本的信息抽取方法和装置。

背景技术

信息抽取(information extraction,IE)是自然语言处理(natural languageprocessing,NLP)中的一项重要工作。信息抽取，可以理解为：根据用户需求，通过某些技术手段，从较长的文本中，抽取较短的符合需求的内容。例如，用户需求是从一份简历中抽取“期望职位的内容”，则使用某些技术手段，实现该需求的过程，即被称为信息抽取。

文本包括带格式文本(text with layout,TWL)(如简历、空运单、发票等)和不带格式文本。目前，针对文本的信息抽取方法通常是针对不带格式文本的信息抽取方法。

如果需要对具有带格式文本进行信息抽取，则传统技术为：先将该带格式文本转换为不带格式文本，再基于该不带格式文本中的纯文本特征进行信息抽取。由于将带格式文本转换为不带格式文本的过程中，仅保留了带格式文本中的数据信息，因此，会导致对带格式文本的信息抽取的准确率不高的问题。

发明内容

本申请实施例提供了一种带格式文本的信息抽取方法和装置，有助于提高对带格式文本的信息抽取的准确率。

为了达到上述目的，本申请提供了以下技术方案：

第一方面，提供了一种带格式文本的信息抽取方法，该方法包括：首先，确定需要抽取带格式文本中属于目标类别的文本块；其次，基于文本块粒度的特征信息，识别该带格式文本中属于目标类别的文本块；接着，输出该带格式文本中属于目标类别的文本块的标识。本技术方案的执行主体可以是终端，也可以是网络设备。本技术方案直接使用文本块粒度的特征信息实现对带格式文本的信息抽取。由于文本块粒度的特征信息较为丰富，除了包含数据信息之外，还包含元数据信息、空间位置信息等，因此，与传统技术相比，在选择合适文本块粒度的特征信息的情况下，有助于提高信息抽取结果的准确率。另外，本技术方案不受限于带格式文本的模板，也不受限于文本块是否跨行等，因此适用范围广。

在一种可能的设计中，目标类别可以是任意一种类别，在下文的具体实施方式部分，目标类别可以包括第一类别或第二类别等。

在一种可能的设计中，基于文本块粒度的特征信息，识别带格式文本中属于目标类别的文本块，包括：基于带格式文本中的待识别文本块的特征信息，识别待识别文本块是否属于目标类别。使用文本块自身的特征信息，识别该文本块是否属于目标类别，实现简单。

在一种可能的设计中，基于文本块粒度的特征信息，识别带格式文本中属于目标类别的文本块，包括：基于带格式文本中的目标文本块的特征信息，识别带格式文本中的待识别文本块是否属于目标类别。其中，目标文本块是与待识别文本块之间具有预设位置关系的文本块。这是考虑到“在带格式文本中，一个文本块所属的类别，受与该文本块之间具有预设位置关系的文本块的特征信息的影响”，而提供的技术方案，这样，在选择合适的目标文本块的情况下，有助于提高信息抽取结果的准确率，并且实现简单。

在一种可能的设计中，基于文本块粒度的特征信息，识别带格式文本中属于目标类别的文本块，包括：基于带格式文本中的待识别文本块的特征信息和带格式文本中的目标文本块的特征信息，识别待识别文本块是否属于目标类别。其中，目标文本块是与待识别文本块之间具有预设位置关系的文本块。结合文本块自身的特征信息，和“与该文本块之间具有预设位置关系”的文本块的特征信息共同确定待识别文本块是否属于目标类别，有助于提高信息抽取结果的准确率。