[发明专利]结合邮件内容和文本特征提取的信息挖掘系统和方法

权利要求书

1.一种结合邮件内容和文本特征提取的信息挖掘系统，其特征在于，该系统包括：

数据汇集模块，其将上传至该模块的多源调取的邮件包解压处理为非压缩邮件，以汇集邮件数据；

数据处理模块，对数据汇集模块汇集的非压缩邮件进行预处理，使非压缩邮件的数据结构化，以使数据管理模块识别和提取文本信息；

数据管理模块，其自动识别数据处理模块预处理后的结构化数据，基于预设规则进行文本特征提取，挖掘邮件内容关键信息。

2.根据权利要求1所述的信息挖掘系统，其特征在于，所述挖掘系统中还设置有数据应用模块，对数据管理模块挖掘到的信息进行应用和展示。

3.根据权利要求1所述的信息挖掘系统，其特征在于，数据汇集模块支持解析的邮件格式和文件形式包括，

.eml邮件格式，.fox格式邮件格式，outlook另存为的.msg、.pst和另存的网页形式邮件格式；rar、7z、zip格式的压缩包；word、excel、ppt和jdt格式的文件形式和有密的上述格式文件。

4.根据权利要求2所述的信息挖掘系统，其特征在于，所述数据管理模块对挖掘出的邮件内容关键信息进行存储、分类和管理，为数据应用模块提供支撑。

5.根据权利要求1所述的信息挖掘系统，其特征在于，所述信息挖掘系统基于AKKA框架的并行处理和计算技术进行构建；

所述数据应用模块基于B/S架构，结合Hibernate和jQuery EasyUI技术构建。

6.一种结合邮件内容和文本特征提取的信息挖掘方法，其特征在于，其采用权利要求1～5之一所述信息挖掘系统进行，包括以下步骤：

S001.对多源调取的邮件包解压后进行预处理，得到含有邮件包中设定信息的结构化数据；

S002.对结构化数据进行文本特征提取，挖掘邮件内容关键信息；

S003.对挖掘结果的评估、校验和优化后，进行数据应用。

7.根据权利要求6所述的信息挖掘系统，其特征在于，在步骤S001中，

邮件包解压为非压缩邮件后进行预处理，以清洗非压缩邮件；

所述预处理包括语种识别、实体自动提取、破损文件处理、异常文件处理、数据去燥处理、去重处理和附件处理。

8.根据权利要求6所述的信息挖掘系统，其特征在于，在步骤S002中，

通过设定提取规则，对步骤S001中得到的含有邮件正文和附件内容的结构化数据进行文本特征提取；

优选所述提取规则是指围绕人物、组织、地点、物体、事件主体要素的包括关键线索或实体的自动获取、校验、关系标识的处理，构建【实体--关系--实体】或者【实体--属性--属性值】的三元组知识结构。

9.根据权利要求6所述的信息挖掘系统，其特征在于，在步骤S002中，文本特征提取包括实体抽取、关系抽取和属性抽取；其中，

实体抽取时，优选使用Bi-LSTM双向长期记忆抽取法、CRF条件随机场抽取法、知识抽取框架和Deepdive中的一种或多种进行抽取；

关系抽取时，优选使用基于规则的IS-A进行关系抽取；或者，基于监督学习模型提取关系；或者，基于Bootstrap方法进行关系抽取；或者，基于半监督学习提取关系；

属性抽取时，优选使用语料训练模型或数据挖掘的方法挖掘实体属性和属性值之间的关系模式，并对属性名和属性值在邮件文本语料中定位。

10.根据权利要求6所述的信息挖掘系统，其特征在于，在步骤S003中，对步骤S002中挖掘到的关键信息进行可视化展示，并进行人机交互。