[发明专利]一种命名实体筛取方法、装置、设备和可读介质

说明书

本说明书实施例公开了命名实体筛取方法、装置、设备及可读介质。该方案包括：提取待处理文档中的命名实体，得到第一集合，所述第一集合中的元素为所述命名实体；对所述第一集合中的每个所述命名实体进行字符拆分，得到第二集合，所述第二集合中的元素为对一个所述命名实体进行字符拆分得到的字符集合；根据所述第二集合中各个元素之间的子集关系，确定所述第二集合中的非子集字符集合，所述非子集字符集合不是所述第二集合中其他字符集合的子集；将所述非子集字符集合对应的命名实体确定为全称命名实体。

技术领域

本申请涉及计算机技术领域，尤其涉及一种命名实体筛取方法、装置、设备及计算机可读介质。

背景技术

随着电子化办公的普及，企业大多会将纸质文档先转为对应的电子文档的文本数据，然后存储在计算机等存储介质中，以便后续的调取和管理。

通常，一份文档中包含的信息内容繁多，对应的文本数据的数据量较大。当用户需要对已存储的文档进行调取和管理时，如果通过浏览文档的具体内容来寻找到所需的文档，会耗费大量的时间和精力，因此，用户希望能够通过简明、准确的特征信息来查找到相应的文档。这就需要预先识别出文档中的特征信息并存储，以便于后续调取和管理文档时使用。

文档中的特征信息可以是命名实体信息。命名实体可以包括人名、机构名、地名以及其他所有以名称为标识的实体，更广泛的实体还可以包括数字、日期、货币、地址等等。命名实体识别是指在文档集合中识别出特定类型的事物名称或符号。

通常，从文档中识别的命名实体的结果可以包括对应于同一事物的多个不同的命名实体，例如，对于同一事物的全称命名实体和简称命名实体。具体的，从文档中获取的命名实体可以包括“阿里”、“阿里巴巴”和“阿里巴巴网络技术有限公司”等，其中，“阿里”和“阿里巴巴”实际上是“阿里巴巴网络技术有限公司”的简称。当需要对文件归档时，为了存储文档的规范以便于后续调用和管理等，通常在识别出文档中的命名实体的基础上对命名实体进行筛取，得到全称命名实体，以用于存储以及后续调用和管理文档时使用。

有鉴于此，需要提供一种从待处理文档中筛取出全称命名实体的方法。

发明内容

本申请实施例提供了一种命名实体筛取方法、装置、设备及系计算机可读介质，用于有效地获取文档中的命名实体。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种命名实体筛取方法，包括：提取待处理文档中的命名实体，得到第一集合，所述第一集合中的元素为所述命名实体；对所述第一集合中的每个所述命名实体进行字符拆分，得到第二集合，所述第二集合中的元素为对一个所述命名实体进行字符拆分得到的字符集合；根据所述第二集合中各个元素之间的子集关系，确定所述第二集合中的非子集字符集合，所述非子集字符集合不是所述第二集合中其他字符集合的子集；将所述非子集字符集合对应的命名实体确定为全称命名实体。

本说明书实施例提供的一种命名实体筛取装置，包括：命名实体提取模块，用于提取待处理文档中的命名实体，得到第一集合，所述第一集合中的元素是所述命名实体；字符集合生成模块，用于对所述第一集合中的每个所述命名实体进行字符拆分，得到第二集合，所述第二集合中的元素为对一个所述命名实体进行字符拆分得到的字符集合；非子集字符集合确定模块，用于根据所述第二集合中各个元素之间的子集关系，确定所述第二集合中的非子集字符集合，所述非子集字符集合不是所述第二集合中其他字符集合的子集；全称命名实体确定模块，用于将所述非子集字符集合对应的命名实体确定为全称命名实体。

本说明书实施例提供的一种命名实体筛取设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，