[发明专利]一种面向电网故障案例的文本结构化方法

说明书

本发明公开了一种面向电网故障案例的文本结构化方法；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；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；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；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。

技术领域

本发明涉及一种面向电网故障案例的文本结构化方法。

背景技术

在电力系统的检修与维护环节，电网企业积累了大量的故障案例报告，这些文本包含检修试验记录，巡检消缺记录，故障问题描述，故障原因描述等，主要以非结构化的形式呈现，这些描述信息通过自然语言的规范和逻辑组织而成，而并没有预定义的数据模型或文字模板。

对于各种设备状态的描述，散落在文本的不同地方，文本信息结构化的目的就是通过对非结构文本的分析和处理，得到对设备故障进行描述的状态量，并填充到预定义的数据模型中。现有的文本结构化方法通常仅是对一些通用属性的结构化信息抽取，例如：时间、地点、人物、特定关系等。

这种通用性的方法对于电网领域的可用性不大，因为电力故障案例文本中的属性具有领域性特点，描述属性的状态量，可以从类型上划分为两种，一种是数字类型，例如电压等级，故障时间等，另一种则是非数字类型，以文字来描述状态量，例如故障现象和原因等。因此，对不同类型的状态量需要使用不同的方法来分析，而目前的文本结构化方法明显没有进行区别分析。

发明内容

本发明为了解决上述问题，提出了一种面向电网故障案例的文本结构化方法，本发明能够具体、全面的描述每篇电力故障案例文本中设计的各个属性状态量。

为了实现上述目的，本发明采用如下技术方案：

一种面向电网故障案例的文本结构化方法，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。

进一步的，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。

更进一步的，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。

进一步的，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。