[发明专利]一种数据抽取方法、装置、存储介质及设备

说明书

本发明公开了一种数据抽取方法、装置、存储介质及设备，其中，方法包括：基于人工为第一组文档中的字符添加的标签，获取人工标注三元组，依据预设模型从第二组文档中识别出的三元组，确定自动标注三元组，其中，预设模型为预设的与第二组文档的类型适配的模型，模型使用训练数据训练得到，训练数据包括人工标注三元组以及第一组文档，将人工标注三元组和自动标注三元组，作为从文档中抽取的知识数据。本发明的方案可以提高文档中有用信息的利用率，并且，本发明所得到的知识数据更全面。

技术领域

本发明涉及电子信息领域，特别是涉及一种数据抽取方法、装置、存储介质及设备。

背景技术

在油田的勘探、开发、生产过程中，积累了大量的文档形式的科技成果，例如，勘探部署、油气藏描述、开发方案、研究报告、档案文献等高价值的文档。在这些文档中存在大量的有用信息，例如：油田的名称、开发投产时间、日产油量、油气藏圈闭、储层岩性、厚度、净毛比等。这些信息对从事勘探开发的科研人员快速检索资料、分析数据、发掘资料潜在价值具有极强的辅助作用。

但是，文档中的有用信息是非结构化的，不方便科研人员的查询和使用，即文档中有用信息的利用率较低。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的数据抽取方法、装置、存储介质及设备。

借由上述技术方案，本发明提供的

本申请提供了一种数据抽取方法，包括：

基于人工为第一组文档中的字符添加的标签，获取人工标注三元组；

依据预设模型从第二组文档中识别出的三元组，确定自动标注三元组；其中，所述预设模型为预设的与所述第二组文档的类型适配的模型，所述模型使用训练数据训练得到，所述训练数据包括所述人工标注三元组以及所述第一组文档；

将所述人工标注三元组和所述自动标注三元组，作为从文档中抽取的知识数据。

可选的，获取所述人工为第一组文档中的字符添加的标签的过程包括：

基于人工选取所述第一组文档中的字符的操作，显示待选实体标签的列表，所述待选实体标签依据所述第一组文档和所述第二组文档所属的领域的业务需求确定；

将人工从所述待选实体标签的列表中选择的标签，作为被选取字符的实体标签，得到标注的字符；

基于人工选取所述标注的字符的操作，显示实体标签间的待选关系的列表，所述实体标签间的待选关系依据所述第一组文档和所述第二组文档所属的领域的业务需求确定；

将人工从所述待选关系的列表中选择的关系，作为被选取的所述标注的字符的关系标签。

可选的，所述训练数据还包括以下至少一项：

所述人工标注三元组中的元素在所述第一组文档中的位置、所述人工标注三元组中的元素在所述第一组文档中的组间距离、所述人工标注三元组中的元素在所述第一组文档中的组间语法关系。

可选的，所述依据预设模型从第二组文档中识别出的三元组，确定自动标注三元组，包括：

标注目标三元组，所述目标三元组为以下至少一项：所述预设模型从所述第二组文档中识别出的三元组中，存在矛盾的三元组；所述预设模型从所述第二组文档中识别出的三元组中，与所述人工标注三元组存在矛盾的三元组；缺项三元组；

获取人工对于所述目标三元组的校正结果，作为所述自动标注三元组。

可选的，使用所述目标三元组的校正结果和所述第二组文档，重新训练所述模型。

可选的，所述第一组文档的类型与所述第二组文档的类型相同；