[发明专利]一种多语言时间抽取方法、装置、计算机装置及计算机可读存储介质

说明书

本发明适用于互联网技术领域，提供了一种多语言时间抽取方法、装置、计算机装置及计算机可读存储介质，该方法包括：接收文本，获取基准时间；根据预先设置的正则关系对文本进行遍历，得到时间字符片段；在时间字符片段的数量大于1的情况下，根据每一时间字符片段在文本的起始下标及结束下标，判断是否存在第一时间字符片段被第二时间字符片段所包含；在存在第二时间字符的情况下，从时间字符移除第一时间字符片段，得到剩余的时间字符片段；根据基准时间，将剩余的时间字符片段调整为标准时间信息。本发明提供的多语言时间抽取方法，可对中文、英文、西班牙文进行时间抽取，设置多种正则关系进行时间抽取，提高时间抽取覆盖面、抽取的准确度。

技术领域

本发明属于文本处理领域，尤其涉及一种多语言时间抽取方法、装置、计算机装置及计算机可读存储介质。

背景技术

目前大多数文本的时间表达形式不一致，各语言的时间表达方式复杂，不仅仅有标准时间格式的时间表达，还有其他不标准的时间表达。现有技术中，在针对文本进行时间抽取时，往往只能识别常见的几种时间格式，通过固定的格式去获取时间文本，导致现有时间抽取技术存在时间抽取不全面、易遗漏，无法获取偏移的时间文本的技术问题。

发明内容

本发明实施例提供一种多语言时间抽取方法，旨在解决现有技术中多语言文字数字转阿拉伯数字存在转换耗时久，效率低的问题。

本发明是这样实现的，一种多语言时间抽取方法，包括：

接收文本，获取基准时间；

根据预先设置的正则关系对所述文本进行遍历，得到时间字符片段；

在所述时间字符片段的数量大于1的情况下，获取每一时间字符片段在所述文本的起始下标及结束下标；

根据所述每一时间字符片段在所述文本的起始下标及结束下标，判断是否存在第一时间字符片段被第二时间字符片段所包含；在存在所述第二时间字符的情况下，从所述时间字符移除所述第一时间字符片段，得到剩余的时间字符片段；

根据所述基准时间，将所述剩余的时间字符片段调整为标准时间信息。

可选的，所述根据所述基准时间，将所述剩余的时间字符片段调整为标准时间信息，包括以下过程：

判断所述剩余的时间字符片段是否满足预设标准时间格式，在所述剩余的时间字符片段不满足所述预设标准时间格式的情况下，识别所述剩余的时间字符片段的关键字，根据所述基准时间及所述识别的关键字，生成所述标准时间信息。

可选的，所述识别所述剩余的时间字符片段的关键字，根据所述基准时间及所述识别的关键字，生成所述标准时间信息，包括以下过程：

根据预先设置的转换关系，将所述识别的关键字映射成对应的日期数，对所述基准时间增加或减少所述日期数，生成所述标准时间信息。

可选的，所述将所述文本遍历预先设置的正则关系进行匹配，得到时间字符片段之前，所述多语言时间抽取方法，还包括以下过程：

分别根据中文文本规则、英文文本规则及西班牙文本规则设置所述正则关系，所述正则关系包括精准类正则关系、世纪年代类正则关系、时间偏移类正则关系，所述精准类正则关系用于匹配包含年、月、日关键字的时间字符片段，所述世纪年代类正则关系用于匹配包含世纪、年代关键字的时间字符片段，所述时间偏移类正则关系用于匹配隐含时间信息的关键词、和/或日期单位关键词的时间字符片段。

可选的，所述根据所述基准时间，将所述剩余的时间字符片段调整为标准时间信息之后，所述多语言时间抽取方法还包括以下步骤：

将所述标准时间信息转换为毫秒数，并将所述毫秒数、所述毫秒数对应的时间字符片段、正则关系进行关联存储。

本发明还提供一种多语言时间抽取装置，包括：