文字中提取多元组的方法和装置制造方法及图纸

本发明专利技术提供了一种文字中提取多元组的方法和装置，涉及文本处理领域。该文字中提取多元组的方法，包括：将带有合法标识和非法标识的训练数据输入循环神经网络，得到网络参数；识别待测文本中的多元实体，并对待测文本中除多元实体外的其他部分进行分词；按照在待测文本中的排列顺序，将多元实体的词向量和分词后得到的词语的词向量一一对应输入多个子网络中，结合网络参数，得到各子网络输出的隐向量，前一子网络输出的隐向量为后一子网络的输入；将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；利用网络参数，对判断向量进行分类，得到分类结果；提取分类结果为合法的多元组，作为合法多元组。能够提高提取多元组的正确率。

Method and device for extracting multivariate groups in text

The invention provides a method and device for extracting multiple groups in text, and relates to the field of text processing. The methods of extracting multiple groups in the text include: input training data with legal and illegal identification into the circular neural network to obtain network parameters; identify multiple entities in the text to be tested, and segment other parts of the text to be tested except for multiple entities; and arrange them according to the order in the text to be tested. The word vectors of multi-entity and word segmentation are input into several sub-networks one by one, and the hidden vectors of each sub-network output are obtained by combining network parameters. The hidden vectors of the former sub-network output are the input of the latter sub-network. The hidden vectors of multi-entity composed of multi-group are integrated and calculated. The judgment vectors are obtained; the judgment vectors are classified by using network parameters, and the classification results are obtained; the classification results are extracted as legitimate multitudes, as legitimate multitudes. It can improve the accuracy of extracting multiple groups.

【技术实现步骤摘要】
文字中提取多元组的方法和装置
本专利技术涉及文本处理领域，尤其涉及一种文字中提取多元组的方法和装置。
技术介绍
在日常工作、学习和生活中，会涉及到很多报表、声明、文件等文本，在这些文本中，重要的信息往往可以用多元组的形式表示。比如在“2013年度公司管理费用花费了2306万元”的文本中，可以提取一个三元组【2013年度，公司管理费用，2306万元】，在这个三元组中就可以将文本的重要信息囊括。目前，为了提取文本中的多元组，会预先构建提取多元组的规则。比如，以提取三元组为例，首先将三元组的属性实体、时间实体和值实体初始化为空；按照从前往后的顺序扫描文本，获取文本中存在的实体；若实体为属性实体，则将该实体表示为最新的属性实体；若实体为值实体，则加入值实体的队列；若实体为时间实体，则加入时间实体的队列；若值实体的队列长度和时间实体的队列长度一致，且属性实体不为空，则提取出三元组【第i个时间实体，最新的属性实体，第i个值实体】。但是，但在文本中包含多个属性实体的情况下，按照上述规则进行三元组的提取，会出现错误。比如文本为“2013年度发行人营业收入、毛利润、毛利率分别为99340.49万元、6本文档来自技高网...

【技术保护点】
1.一种文字中提取多元组的方法，其特征在于，包括：将带有类别标识的训练数据输入循环神经网络，训练得到所述循环神经网络的网络参数，所述带有类别标识的训练数据包括合法训练数据和非法训练数据，所述循环神经网络包括多个子网络；识别待测文本中的多元实体，并对所述待测文本中除所述多元实体外的其他部分进行分词，所述待测文本包括文字；按照在所述待测文本中的排列顺序，将所述多元实体的词向量和分词后得到的词语的词向量一一对应输入至所述多个子网络中，结合所述网络参数，得到各个所述子网络输出的隐向量，其中，前一个子网络的输出的隐向量作为后一个子网络的输入；将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；...

【技术特征摘要】
1.一种文字中提取多元组的方法，其特征在于，包括：将带有类别标识的训练数据输入循环神经网络，训练得到所述循环神经网络的网络参数，所述带有类别标识的训练数据包括合法训练数据和非法训练数据，所述循环神经网络包括多个子网络；识别待测文本中的多元实体，并对所述待测文本中除所述多元实体外的其他部分进行分词，所述待测文本包括文字；按照在所述待测文本中的排列顺序，将所述多元实体的词向量和分词后得到的词语的词向量一一对应输入至所述多个子网络中，结合所述网络参数，得到各个所述子网络输出的隐向量，其中，前一个子网络的输出的隐向量作为后一个子网络的输入；将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量；利用所述网络参数，对判断向量进行分类，得到分类结果，所述分类结果包括合法与非法；提取所述分类结果为合法的所述多元组，作为合法多元组。2.根据权利要求1所述的方法，其特征在于，所述多元实体包括时间实体、属性实体、值实体、定语实体中的至少两项。3.根据权利要求1所述的方法，其特征在于，所述将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量，包括：计算组成所述多元组的多元实体对应的隐向量的均值向量，将所述均值向量作为所述判断向量；或者，对组成所述多元组的多元实体对应的隐向量进行加权计算，将加权计算得到的向量作为所述判断向量。4.根据权利要求1所述的方法，其特征在于，所述将组成多元组的多元实体对应的隐向量进行整合计算，得到判断向量之前，还包括：将多元实体排列组合，生成至少一个所述多元组。5.根据权利要求1所述的方法，其特征在于，所述待测文本还包括与文字相配的表格，所述方法还包括：从表格中提取多元组；对比从所述表格中提取出的多元组与从所述文字中提取出的合法的多元组；若从表格中提取出的多元组与从文字中提取出的合法的多元组不一致，则生成提示信息。6.一种文字中提取多元组的装置，其特征在于，包括：训练模块，被配...

【专利技术属性】
技术研发人员：林得苗，
申请(专利权)人：北京庖丁科技有限公司，
类型：发明
国别省市：北京,11