信息抽取方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113609847A(43)申请公布日2021.11.05(21)申请号202110912810.4(22)申请日2021.08.10(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人魏谨谦施鹏姚后清吴广发(74)专利代理机构北京柏杉松知识产权代理事务所(普通合伙)11413代理人孙翠贤马敬(51)Int.Cl.G06F40/279(2020.01)权利要求书3页说明书12页附图4页(54)发明名称信息抽取方法、装置、电子设备及存储介质(57)摘要本公开提供了一种信息抽取方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及文本处理技术领域。具体实现方案为：获取待处理的数据内容；将该数据内容输入至预先训练完成的目标网络模型，得到输出结果；其中，所述目标网络模型是基于样本集进行有监督训练所得到的序列标注模型；所述样本集包括多个正样本和多个负样本，所述正样本为设置有标注信息的样本语句，所述负样本为未设置有所述标注信息的样本语句，所述标注信息用于表征语句中存在的实体以及所存在实体的实体描述；基于所述输出结果，确定所述数据内容中的目标实体和所述目标实体的实体描述。CN113609847ACN113609847A权利要求书1/3页1.一种信息抽取方法，包括：获取待处理的数据内容；将所述数据内容输入至预先训练完成的目标网络模型，得到输出结果；其中，所述目标网络模型是基于样本集进行有监督训练所得到的序列标注模型；所述样本集包括多个正样本和多个负样本，所述正样本为设置有标注信息的样本语句，所述负样本为未设置有所述标注信息的样本语句，所述标注信息用于表征语句中存在的实体以及所存在实体的实体描述；基于所述输出结果，确定所述数据内容中的目标实体和所述目标实体的实体描述。2.根据权利要求1所述的方法，其特征在于，任一语句中存在的实体以及所存在实体的实体描述的确定方式包括：对该语句进行语义依存分析，得到分析结果；基于分析结果所表征的语义关系，识别该语句中存在的实体和所存在实体的实体描述。3.根据权利要求2所述的方法，其特征在于，所述确定方式还包括：若对该语句分析失败，则基于预定的辅助识别方式，识别该语句中存在的实体和所存在实体的实体描述。4.根据权利要求1‑3任一项所述的方法，还包括：识别所述目标实体的实体描述，是否具有唯一性，其中，所述唯一性表征所述目标实体的实体描述仅用于描述所述目标实体；若具有唯一性，基于所述目标实体的实体描述，确定针对所述目标实体的搜索关键词。5.根据权利要求4所述的方法，其中，基于所述目标实体的实体描述，确定针对所述目标实体的搜索关键词，包括：将所述目标实体的实体描述与各个历史搜索关键词进行匹配分析，得到与所述目标实体的实体描述相匹配的历史搜索关键词；基于所得到的历史搜索关键词，确定所述目标实体的实体描述的泛化结果；所述泛化结果为与所述实体描述所表征含义相同的内容；将所述泛化结果和所述目标实体的实体描述，确定为针对所述目标实体的搜索关键词。6.根据权利要求1所述的方法，还包括：将所述数据内容中的目标实体和所述目标实体的实体描述对应存储至预定数据库。7.根据权利要求6所述的方法，所述数据内容为指定数据源中的文本内容；所述方法还包括：若所述指定数据源中的文本内容发生更改，则从所述指定数据源中确定待分析内容；其中，所述待分析内容为更改后的文本内容；若所述待分析内容对应的原始内容记录在文本词典中，则将所述待分析内容输入至所述目标网络模型，得到所述待分析内容对应的输出结果；其中，所述文本词典中记录有所述预定数据库所存储内容所属的数据内容；基于所述待分析内容对应的输出结果，确定所述待分析内容中存在的实体和所存在实体的实体描述；2CN113609847A权利要求书2/3页利用所述待分析内容中存在的实体和所存在实体的实体描述，对所述预定数据库进行更新。8.根据权利要求1‑7任一项所述的方法，其特征在于，所述目标网络模型是基于预训练模型所训练得到的模型。9.一种信息抽取装置，包括：获取模块，用于获取待处理的数据内容；训练模块，用于将所述数据内容输入至预先训练完成的目标网络模型，得到输出结果；其中，所述目标网络模型是基于样本集进行有监督训练所得到的序列标注模型；所述样本集包括多个正样本和多个负样本，所述正样本为设置有标注信息的样本语句，所述负样本为未设置有所述标注信息的样本语句，所述标注信息用于表征语句中存在的实体以及所存在实体的实体描述；第一确定模块，用于基于所述输出结果，确定所述数据内容中的目标实体和所述目标实体的实体描述。10.根据权利要求9所述的装置，其特征在于，任一语句中存在的实体以及所存在实体的实