[发明专利]一种基于篇章信息的中文水果品种信息抽取方法及装置

摘要

本发明提供一种基于篇章信息的中文水果品种信息抽取方法及装置。通过获取语料，在搜索引擎网站爬取下载与水果相关的页面；对所述与水果相关的页面进行语料标注；对所述与水果相关的页面进行词项对提取，将词项对分为训练语料和测试语料；对所述语料进行基于篇章结构的远距离特征提取；利用训练语料特征训练得到基于深度学习的组合分类器；利用组合分类器从测试语料中抽取水果品种信息；将与水果相关的页面随机分为N组，重复执行，获得评估结果。改进目前的信息抽取技术，使其更加适应于农业领域，提高了水果品种名称识别与抽取的准确率。

主权项

1.一种基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述方法包括：步骤S1，获取语料；步骤S2，标注语料；步骤S3，对与水果相关的页面进行词项对<上位词、下位词>提取，将词项对分为训练语料和测试语料；对所述语料进行基于篇章结构的远距离特征提取；步骤S4，利用训练语料特征训练得到基于深度学习的组合分类器，利用组合分类器从测试语料中抽取水果品种信息；步骤S5，将与水果相关的页面随机分为N组，重复执行步骤S1至S4N次，获得评估结果；所述步骤S3中对所述语料进行基于篇章结构的远距离特征提取，具体包括：对词项对提取得到的语料，若上位词与下位词在同一标题下，且在同一段落中，则选择词项对提取得到的语料的父节点所在句以及词项对提取得到的语料的子节点所在句作为特征信息；若上位词与下位词在同一标题下，但不在同一段落中，则选择词项对提取得到的语料的父节点所在句、词项对提取得到的语料的子节点所在句、父子节点中间的所有段落的首句和尾句作为特征信息；若上位词与下位词不在同一标题下，则选择其父节点所在句、其子节点所在句、父子节点中间的所有标题作为特征信息。