[发明专利]兼容多种语言的文档信息精准提取系统

权利要求书

1.兼容多种语言的文档信息精准提取系统，其特征在于，提出一种通用高效可行的兼容多种语言的文档信息精准提取架构，并基于该架构实现了兼容多种语言的文档信息精准提取系统，包括以下几个方面：

第一，提出基于支持向量机的文档信息提取算法，并以多语言文档分类的实际应用设计和分析算法参数，改良优化算法过程，改进提高算法的主动学习能力；

第二，通过对基于机器学习的信息提取流程解析改进，提出通用高效可行的兼容多种语言的信息精准提取架构，该架构主要分为两个层次，分别为前台展示层和后台逻辑处理层，该架构主要分为三个模块，分别为GUI模块、前置处理模块、主动学习模块，GUI模块为前台展示层，将信息提取过程以图形用户界面的方式展示给用户，提高用户的操作效率，提升系统交互性，前置处理模块和主动学习模块为后台逻辑处理层，采用模块化设计与个性化定制，增强系统的扩展能力与语言移植能力；

第三，基于通用高效可行的兼容多种语言的信息精准提取架构，采用python语言实现了兼容多种语言的文档信息精准提取系统，在精确度、召回率、F值、时间性能四个评估指标及语言移植能力上表现出非常好的效果；

兼容多种语言的文档信息精准提取系统：一是基于支持向量机的文档信息提取算法，包括支持向量机及其核函数、基于支持向量机的文档信息提取算法设计与实验；二是兼容多种语言的文档信息精准提取系统的设计，包括基于支持向量机的信息提取流程、文档信息提取图形用户界面、机器学习算法与特征选择、文档信息精准提取系统的架构，三是兼容多种语言的文档信息精准提取系统的实现，包括实现图形用户界面GUI、实现前置处理模块、实现主动学习模块、实现基于规则的提取模块。

2.根据权利要求1所述的兼容多种语言的文档信息精准提取系统，其特征在于，基于支持向量机的文档信息提取算法中最重要的是对参数向量e的求解，求出向量e能很容易的计算出分隔超平面的方程，本发明参数向量e的求解算法应用能提速的启发式方法：首先通过一个外层循环对第一个e的值进行选择，并且其选择过程在以下二种方式下交替进行，一种方式是在所有数据集上进行单遍扫描，另外一种方式是在非边界e上进行单遍扫描；另外，对非边界e值进行遍历时，第一步必须构造包含其中所有值的列表，然后才对该列表进行遍历，同时该遍历忽略掉已知且不会改变的e值；在选择第一个e值后，算法通过一个内层循环选择第二个e值，选择方式是通过最大化步长获取第二个e值的；本发明基于支持向量机的文档信息提取机器学习算法对参数e进行求解的具体步骤：

第1步，定义数据结构basicDataClass给所有数据赋予初始值，其中包括样本集矩阵X、样本集分类结果矩阵labelMat、容错率tolerRatio、样本集矩阵的行数n，参数向量alpha，参数g及n行2列的矩阵eCache，该矩阵第一列表征的是第二列的值是否有效；

第2步，初始化第1步定义的数据结构，其中向量alpha为零向量，g为0，初始化当前迭代次数curLooNum、迭代次数上限值maxLooNum、用于记录alpha是否已进行优化的变量alphaOptimized及用于标记选择过程是否是全集扫面方式fullScaner，其中curLooNum初始值为0，alphaOptimized的初始值为0，fullScaner为True；

第3步，若满足外层循环条件，此时的迭代次数curLooNum小于设定的上限次数maxLooNum，并且alphaOptimized大于零或fullScaner为True，则转向第4步；否则，跳出外循环，并返回向量alpha和参数g的结果值，算法结束；

第4步，将优化状态alphaOptimized设定为0，并判断全集扫描的状态fullScaner的值是否为True，如果为True，则转向第5步，否则转向第6步；

第5步，在所有数据集上进行单遍扫描，内层循环，对参数向量alpha进行优化，其中第二个alpha的选择采用启发式方法，即从中选择步长最大的一个；如果alpha对优化成功，则将优化状态变量alphaOptimized设定为1，之后将curLooNum加1，转向第7步；

第6步，首先找到非边界alpha值列表，再在非边界alpha上进行一次遍历，内层循环，对参数向量alpha进行优化，其中第二个alpha的选择采用启发式方法，即从中选择步长最大的一个，如果alpha对优化成功，则将优化状态变量alphaOptimized设定为1，之后将curLooNum加1，转向第7步；

第7步，如果全集扫描状态fullScaner为True，则将fullScaner设定为False，转向第3步；否则，判断优化状态变量alphaOptimized是否为0，如果为0，则将fullScaner设定为True，并转向第3步。