[发明专利]文本信息抽取方法、装置、设备及可读存储介质在审

专利信息
申请号: 202110377541.6 申请日: 2021-04-08
公开(公告)号: CN112860905A 公开(公告)日: 2021-05-28
发明(设计)人: 黄一鸣 申请(专利权)人: 深圳壹账通智能科技有限公司
主分类号: G06F16/35 分类号: G06F16/35;G06K9/62
代理公司: 深圳市沃德知识产权代理事务所(普通合伙) 44347 代理人: 高杰;于志光
地址: 518000 广东省深圳市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 文本 信息 抽取 方法 装置 设备 可读 存储 介质
【权利要求书】:

1.一种文本信息抽取方法,其特征在于,所述方法包括:

接收待抽取文本,对所述待抽取文本进行位置信息标记,得到标准文本序列;

利用信息抽取模型中的特征提取层对所述标准文本序列进行特征抽取,得到文本特征矩阵;

利用所述信息抽取模型中的文本分类层对所述文本特征矩阵进行分类,得到文本信息分类结果;

利用所述信息抽取模型中的文本匹配层对所述文本特征矩阵进行元素分类,得到文本特征图矩阵;

根据所述文本特征图矩阵进行关联映射,得到文本信息关联结果;

根据所述文本信息分类结果及所述文本信息关联结果进行无向图构建及极大团筛选关联,得到目标信息文本。

2.如权利要求1所述的文本信息抽取方法,其特征在于,所述利用信息抽取模型对所述标准文本序列进行信息抽取,得到文本信息分类结果及文本信息关联结果之前,还包括:

获取历史文本集,对所述历史文本集进行多标签标记,得到训练样本集;

利用所述训练样本集对预构建的深度学习模型进行训练,得到所述信息抽取模型。

3.如权利要求2所述的文本信息抽取方法,其特征在于,所述获取历史文本集,对所述历史文本集进行多标签标记,得到训练样本集,包括:

对所述历史文本集中的每个历史文本进行信息类别标签标记、字符坐标标签标记及信息类别关联标签标记,得到对应的训练样本;

对所述训练样本进行分词处理,得到分词序列样本;

汇总所有的所述分词序列样本,得到所述训练样本集。

4.如权利要求1所述的文本信息抽取方法,其特征在于,所述利用信息抽取模型中的特征提取层对所述标准文本序列进行信息特征抽取,得到文本特征矩阵,包括:

利用信息抽取模型的特征提取层将所述标准文本序列中的的每个词语转化为词向量;

将转化的所有词向量按照所述标准文本序列中对应的词语的先后顺序进行组合,得到所述文本特征矩阵。

5.如权利要求4所述的文本信息抽取方法,其特征在于,所述利用所述信息抽取模型中的文本匹配层对所述文本特征矩阵进行元素分类,得到文本特征图矩阵,包括:

将所述文本特征矩阵进行矩阵转置,得到文本特征行矩阵;

将所述文本特征行矩阵及所述文本特征矩阵进行矩阵乘法计算,得到初始文本特征图矩阵;

利用预设的分类函数对所述文本特征图矩阵中的每个元素进行分类,得到所述文本特征图矩阵。

6.如权利要求5所述的文本信息抽取方法,其特征在于,所述根据所述文本特征图矩阵进行关联映射,得到文本信息关联结果,包括:

筛选所述文本特征图矩阵中每一个预设数值大小的元素对应行列序号,得到每一个预设数值大小的元素对应的关联数组;

根据所述关联数组选取所述标准文本序列中对应顺序的词语进行关联关系标记,得到关联文本;

汇总所有的所述关联文本,得到所述文本信息关联结果。

7.如权利要求1至6中任意一项所述的文本信息抽取方法,其特征在于,所述根据所述文本信息分类结果及所述文本信息关联结果进行无向图构建及极大团筛选关联,得到目标信息文本,包括:

根据所述文本信息关联结果构建无向图,得到关联无向图;

选取所述关联无向图中的极大团,得到对应的所述关联匹配组;

将每个所述关联匹配组与所述文本信息分类结果进行关联,得到所述目标信息文本。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳壹账通智能科技有限公司,未经深圳壹账通智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110377541.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code