[发明专利]一种信息提取方法、装置及存储介质

说明书

本发明公开了一种信息提取方法，包括：获取各文本信息中指定类别的目标数字描述信息；通过聚类算法对所述各文本信息中所述目标数字描述信息进行聚类，根据划分的类获得单位统一的最终数字描述信息。本发明还同时公开了一种信息提取装置、以及存储介质。

技术领域

本发明涉及大数据领域，尤其涉及一种信息提取方法、装置及存储介质。

背景技术

在大数据领域中，经常会遇到需要从多个文本信息中提取某种类别的目标数字描述信息的问题，例如，要从多个场馆的文本描述信息中，提取关于各场馆的可容纳人数为多少。但是，不同场馆的文本描述信息中关于容纳人数的数字描述信息可能采用不同的描述方式，其中，有的场馆的数字描述信息中描述的是可容纳多少名观众，有的场馆的数字描述信息中描述的是场馆有多少个座位等，不同场馆的数字描述信息没有统一的描述规则；因此，无法直接提取具体可容纳的人数是多少，还需对数字描述信息中的数字前后的字符进行解析，以提取出指定类别的目标数字描述信息。

此外，目标数字描述信息中标识数字的单位也可能不统一，有的场馆的目标数字描述信息中标识数字的数量级单位为千人，有的场馆的目标数字描述信息中标识数字的数量级单位为万人；又或者，有的场馆的目标数字描述信息中标识数字的单位为人，有的场馆的目标数字描述信息中标识数字的单位为座，不同场馆的目标数字描述信息中标识数字的单位也没有统一的描述规则。

针对上述问题，现有技术往往是通过人工肉眼来辨别，但是，当文本信息的数量很多时，将会消耗大量的人员和时间，使信息提取的效率降低。

发明内容

有鉴于此，本发明实施例期望提供一种信息提取方法、装置及存储介质，能够避免消耗人力成本，提高信息提取的效率和准确度。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供一种信息提取方法，所述方法包括：

获取各文本信息中指定类别的目标数字描述信息；

通过聚类算法对所述各文本信息中所述目标数字描述信息进行聚类，根据划分的类获得单位统一的最终数字描述信息。

上述方案中，所述获取各文本信息中指定类别的目标数字描述信息包括：

从各文本信息中提取所有数字描述信息，所述数字描述信息包括数字、数字前部和/或后部的关联字符；

对所提取的每个数字描述信息，将数字描述信息中数字前部和/或后部的关联字符进行正则匹配，获取指定类别的目标数字描述信息，所述目标数字描述信息包括数字和数字后部用于标识数字单位的关联字符。

上述方案中，同一所述文本信息中包括至少两个所述目标数字描述信息；

在进行聚类之前，所述方法还包括：确定同一所述文本信息中各个目标数字描述信息之间的相似度；根据所述各个目标数字描述信息之间的相似度确定所述文本信息中用于进行聚类的目标数字描述信息。

上述方案中，所述确定同一所述文本信息中各个目标数字描述信息之间的相似度包括：

确定所述各个目标数字描述信息两两之间的相似度，确定得到的各个相似度的平均值。

上述方案中，所述确定所述文本信息中用于进行聚类的目标数字描述信息包括：

所述相似度的平均值大于预设阈值时，确定所述用于进行聚类的目标数字描述信息中的数字为所述各个目标数字描述信息中数字之和，所述用于进行聚类的目标数字描述信息包括所述数字之和、以及数字后部用于标识数字单位的关联字符；