一种基于AI技术的信息抽取方法、装置和存储介质制造方法及图纸

本文公开了一种基于人工智能AI技术的信息抽取方法、装置和存储介质。其中，所述方法包括，对目标文件进行语义切割，得到切割后的多个文本单元；根据所述多个文本单元，利用预先训练好的命名实体识别模块识别出实体，并利用预先训练好的关系分类模型抽取实体之间的关系；利用预先训练好的机器阅读理解模型，对所识别出的实体和所抽取的实体之间的关系进行校验；根据校验后的实体和实体之间的关系，确定所述目标文件对应的结构化信息。定所述目标文件对应的结构化信息。定所述目标文件对应的结构化信息。

【技术实现步骤摘要】
一种基于AI技术的信息抽取方法、装置和存储介质


[0001]本公开涉及但不限于人工智能、文档结构化处理领域，尤其涉及一种基于AI技术的信息抽取方法、装置和存储介质。

技术介绍

[0002]结构化信息抽取技术被各行各业所需要，对目标数据(文件)进行进行抽取形成结构化数据，才能更有效地进行后续的信息加工、处理或分析。以招投标领域为例，针对招投标文件的信息抽取，目前主流的方法仍是根据正则匹配进行提取。其实现方式是通过分析招投标文件，定义一些诸如项目名称、项目编号、采购类型等触发词，以及电话、日期等模式，结合正则表达式进行文件内容的匹配，进而得到对应的字段信息，以实现对招投标文件的结构化信息的抽取。
[0003]近些年，随着知识图谱等技术的兴起，也有一些相结合的案例。其实现方式一般是通过先构建一个招投标领域知识图谱，然后基于图谱，计算招投标文件与图谱的匹配程度，通过卡阈值得到相应字段的信息，以实现对招投标文件的结构化信息的抽取。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI技术的信息抽取方法，其特征在于，包括，对目标文件进行语义切割，得到切割后的多个文本单元；根据所述多个文本单元，利用预先训练好的命名实体识别模块识别出实体，并利用预先训练好的关系分类模型抽取实体之间的关系；利用预先训练好的机器阅读理解模型，对所识别出的实体和所抽取的实体之间的关系进行校验；根据校验后的实体和实体之间的关系，确定所述目标文件对应的结构化信息。2.根据权利要求1所述的方法，其特征在于，所述对目标文件进行语义切割，得到切割后的多个文本单元，包括：获取所述目标文件中的文本内容，根据语义分割模型对所述文本内容进行切割，得到切割后的所述多个文本单元。3.根据权利要求2所述的方法，其特征在于，所述目标文件包括：网页文件；所述获取所述目标文件中的文本内容，包括：根据所述网页文件构建网页文档对象模型DOM树；根据所述目标文件所属的类型对应的词典和预设的文本块分割算法，识别所述网页DOM树中的正文区域；识别所述正文区域中包含的文本，并根据预设的格式转换为所述文本内容。4.根据权利要求3所述的方法，其特征在于，所述预设的格式至少包括以下之一：表格内文本拼接格式、表格与非表格文本拼接格式、表格间文本拼接格式；所述识别所述正文区域中包含的文本，并根据预设的格式转换为所述文本内容，包括：根据预设的表格分类模型，从所述正文区域中识别出表格区域和非表格区域，并确定所述表格区域的表格类型；根据所述表格类型和预设的表格内文本拼接格式，将各表格区域中的文本转换为表格文本；根据所述预设的格式，将所述表格文本和非表格区域中的文本转换为所述文本内容。5.根据权利要求2、3或4所述的方法，其特征在于，所述语义分割模型为：根据预先标注的样本对BERT预训练语言模型进行微调得到的模型。6.根据权利要求1所述的方法，其特征在于，所述命名实体识别模型为基于深度学习的序列标注...

【专利技术属性】
技术研发人员：刘祥，
申请(专利权)人：北京百炼智能科技有限公司，
类型：发明
国别省市：