[发明专利]基于富文本的预标注前端可视化实现方法及系统

权利要求书

1.一种基于富文本的预标注前端可视化实现方法，其特征在于，包括以下步骤：

1)将待标注的目标文档转换成超文本标记语言字符串，在前端以富文本形式展示；

2)对所述超文本标记语言字符串进行解析处理，得到纯文本字符串，然后输入到对应领域的训练好的知识抽取算法模型中进行知识抽取，输出抽取结果，该抽取结果包括实体结果列表和关联关系列表；

3)将所述实体结果列表中的实体类型与本地存储的实体类型进行比对，将所述关联关系列表中的关联关系类型与本地存储的关联关系类型进行比对，将不存在于本地存储的实体类型和关联关系类型进行存储和展示；

4)对于所述超文本标记语言字符串的Dom节点树，为每个节点设定索引范围；然后判断所述实体结果列表中的实体项的索引范围是否在当前节点的索引范围内，如果在，则将该实体项加入当前节点的实体结果列表entityRangeList中；如果当前节点是叶子节点，则将entityRangeList作为当前节点的标注结果挂载到叶子节点上，并对当前节点的文本进行以下分片处理；

5)根据entityRangeList的实体项的索引范围是否含有交叉或包含关系划分为不同的索引区间，并将entityRangeList构建给成由普通标注和嵌套标注两种标注类型构成的多维数组annotationList，挂载到当前节点上；

6)对annotationList的每一项的索引范围与当前节点的索引范围进行比较，根据比较结果将当前节点的文本划分成普通文本、普通标注和嵌套标注三种分片类型，并构建数组segmentList挂载到当前节点上；

7)根据划分的三种分片类型，对segmentList的每项片段的Dom结构进行重构，用超文本标记语言字符串进行结构替换，同时用标注块对Dom结构进行标注，将替换的超文本标记语言字符串按照顺序进行拼接，得到拼接后的Dom结构，用该结构替换当前节点并进行可视化展示。

2.如权利要求1所述的方法，其特征在于，步骤1)中首先使用java语言集成了ApachePOI开源工具，将doc、docx或txt格式的待标注目标文档转换成超文本标记语言字符串；然后通过Http服务传给前端实现在网页中以富文本形式展示。

3.如权利要求1所述的方法，其特征在于，步骤4)中为每个节点设定索引范围的步骤包括：为每一个Dom节点添加自定义属性startIndex和endIndex，startIndex表示节点内包含文本内容相对于全文本内容的起始索引，endIndex表示节点内包含的抽取的文本相对于全文本的结束索引。

4.如权利要求3所述的方法，其特征在于，所述实体结果列表的实体项包括抽取的文本、实体类型、startIndex和endIndex。

5.如权利要求1所述的方法，其特征在于，步骤4)中针对Dom节点树进行倒叙循环遍历，判断当前实体结果列表的索引范围是否在当前节点的索引范围内。

6.如权利要求1所述的方法，其特征在于，步骤5)中对entityRangeList的实体项的索引范围按照从小到大排序，然后进行循环遍历，确定entityRangeList的实体项的索引范围是否含有交叉或包含关系。

7.如权利要求1所述的方法，其特征在于，步骤6)中对annotationList进行循环遍历。

8.如权利要求1所述的方法，其特征在于，segmentList的每一项包含分片类型type、文本内容text、value和索引区间range。

9.如权利要求1所述的方法，其特征在于，步骤7)中所述标注块包括标签、区域括号和选中文本色块三部分。

10.一种基于富文本的预标注前端可视化实现系统，其特征在于，包括：

文档解析模块，用于将待标注的目标文档转换成超文本标记语言字符串，在前端以富文本形式展示；

模型算法模块，用于对超文本标记语言字符串进行解析处理，得到纯文本字符串，然后通过训练好的知识抽取算法模型对纯文本字符串进行知识抽取，输出抽取结果，该抽取结果包括实体结果列表和关联关系列表；

文本解构模块，用于将所述实体结果列表中的实体类型与本地存储的实体类型进行比对，将所述关联关系列表中的关联关系类型与本地存储的关联关系类型进行比对，将不存在于本地存储的实体类型和关联关系类型进行存储和展示；对于所述超文本标记语言字符串的Dom节点树，为每个节点设定索引范围；然后判断所述实体结果列表中的实体项的索引范围是否在当前节点的索引范围内，如果在，则将该实体项加入当前节点的实体结果列表entityRangeList中；如果当前节点是叶子节点，则将entityRangeList作为当前节点的标注结果挂载到叶子节点上，并对当前节点的文本进行以下分片处理；根据entityRangeList的实体项的索引范围是否含有交叉或包含关系划分为不同的索引区间，并将entityRangeList构建给成由普通标注和嵌套标注两种标注类型构成的多维数组annotationList，挂载到当前节点上；对annotationList的每一项的索引范围与当前节点的索引范围进行比较，根据比较结果将当前节点的文本划分成普通文本、普通标注和嵌套标注三种分片类型，并构建数组segmentList挂载到当前节点上；根据划分的三种分片类型，对segmentList的每项片段的Dom结构进行重构，用超文本标记语言字符串进行结构替换，同时用标注块对Dom结构进行标注，将替换的超文本标记语言字符串按照顺序进行拼接，得到拼接后的Dom结构，用该结构替换当前节点并进行可视化展示。