[发明专利]一种面向电网故障案例的文本结构化方法

权利要求书

1.一种面向电网故障案例的文本结构化方法，其特征是：包括以下步骤：

(1)对非结构化文本进行命名实体识别，并构建面向电网领域的实体字典来辅助实体识别和文本分词；

(2)提取属性值以及描述各属性的状态量，状态量按照类型分为数字型状态量和非数字型状态量，基于规则的方法来提取并对数字型状态量修饰属性进行匹配；

(3)将非数字型状态量进行细化，划分为基于词组形式的状态量和基于句子形式的状态量，分别提取其修饰的属性；

(4)根据识别出的属性以及对应的状态量，最终生成若干由属性和对应状态量形成的二元组，完成文本结构化。

2.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(1)中，在标注训练语料阶段，采用字典匹配的方法来自动进行标注，并且通过基于CRF++的半监督命名实体识别方法来不断完善实体字典。

3.如权利要求2所述的一种面向电网故障案例的文本结构化方法，其特征是：具体包括：

(1-1)构建初始的种子实体词典；

(1-2)构建训练集用于CRF++的训练：采用基于完全匹配的方法进行自动标注，当实体字典内的实体词出现在故障案例文本中时，将该词标注为命名实体，完成命名实体自动标注后，将其转化为CRF++训练文件的格式以方便后续的模型训练；

(1-3)利用CRF++工具对构建的训练语料进行训练，模型训练完成后，对测试语料进行预测，发现新的命名实体；

(1-4)对识别出来的新实体进行筛选，筛选通过后，即加入到实体词典中进行实体扩充；

(1-5)重复步骤(1-1)-(1-4)，直到不能发现新的有效实体。

4.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(1)中，描述属性包括故障设备、故障现象、故障原因、故障时间和/或电压等级。

5.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(2)中，对于文本中数字类型状态量描述的属性，采用基于规则的方法来进行提取。

6.如权利要求5所述的一种面向电网故障案例的文本结构化方法，其特征是：通过人工构建数学单位映射字典来识别数学单位，对于文字形式的数学单位，和字典中的数学单位完全一致再进行提取；对于数学符号，忽略大小写的差异进行提取，提取数学单位后，基于正则表达式来识别数字，并采用规则来匹配数字和数学单位。

7.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(3)中，非数字类型状态量指文本状态量。

8.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(3)中，基于词组形式的状态量实质上是命名实体，通过条件随机场模型，识别出每条案例文本语句中的命名实体，利用Stanford Parser工具，提取命名实体所修饰的词语。

9.如权利要求8所述的一种面向电网故障案例的文本结构化方法，其特征是：通过设定的语法修饰规则来约束匹配条件，命名实体必须沿着句法树，找到最近的修饰名词，该名词和命名实体组成一个二元组。

10.如权利要求1所述的一种面向电网故障案例的文本结构化方法，其特征是：所述步骤(3)中，结构化的过程中发现故障案例文本中，故障描述、故障分析过程、分析结论、故障处理方法、现场情况、建议及对策状态量的描述都是句子，将描述的抽取问题，转化为针对句子的分类问题，构建基于双向LSTM和分类模型，完成句子状态量和描述属性的匹配。