[发明专利]从文本文档进行数据驱动的结构提取

权利要求书

1.一种或多种计算机可读介质，其存储指令，所述指令在由一个或多个硬件处理器执行时，使所述一个或多个硬件处理器执行操作，所述操作包括：

在训练时间：

获得针对相应文本文档的多个训练记录，所述训练记录中的每一个具有表示相应文本文档的非结构化内容的一个或多个输入特征，并具有描述相应文本文档的所述非结构化内容之间的关系的一个或多个训练图表作为训练标签；和

在所述训练记录上训练机器学习分类器；和

在运行时间：

获得表示输入文档的非结构化内容的记录；和

将所述记录输入经训练的机器学习分类器，以确定所述输入文档的结构图表；

其中，所述经训练的机器学习分类器的给定层级具有表示所述输入文档的数量为N的标记的输入，并具有表示所述N个标记的N·(N-1)/2个成对组合的输出，所述输出中的一个或多个限定所述结构图表的边。

2.根据权利要求1所述的一种或多种计算机可读介质，其中，获得记录包括：通过以下方式预处理所述输入文档的原始形式：

将所述输入文档中的至少一个字段识别为命名实体；和

用所述命名实体替换所述输入文档中的所述至少一个字段。

3.根据权利要求1所述的一种或多种计算机可读介质，获得记录包括：

使用位置编码信息标记所述记录。

4.根据权利要求1所述的一种或多种计算机可读介质，其中，所述边包括：

第一有向边，指示第一对标记之间的键-值关系；和

第二无向边，指示第二对标记之间的对等关系。

5.根据权利要求1所述的一种或多种计算机可读介质，其中，所述边包括形成循环的三个或更多个无向边。

6.根据权利要求1所述的一种或多种计算机可读介质，其中，所述一个或多个训练图表描述相应文本文档的实体的两个或更多个层级之间的关系的层级结构。

7.根据权利要求6所述的一种或多种计算机可读介质，其中，所述实体的层级包括第一层级和第二层级；并且训练包括：

应用第一损失函数来训练所述机器学习分类器的给定层级，以识别在第一层级的关系；和

应用不同于所述第一损失函数的第二损失函数来训练所述机器学习分类器以识别在第二层级处的关系。

8.根据权利要求6所述的一种或多种计算机可读介质，其中，所述机器学习分类器是第一分类器，其经训练以识别在所述层级中的第一层级处的关系，所述结构图表是第一结构图表，并且所述操作还包括：

在训练时间：

训练第二机器学习分类器，以在通过第一复合标记的识别出的第一层级关系分组的第一复合标记之间，识别在所述层级中的第二层级处的关系；和

在运行时间：

基于所述第一结构图表识别表示多个所述标记的第一层级复合标记；

用所述第一层级复合标记替换所述多个所述标记，以获得第二层级记录；和

将所述第二层级记录输入经训练的第二机器学习分类器，以确定所述输入文档的第二结构图表。

9.根据权利要求8所述的一种或多种计算机可读介质，其中，所述操作还包括：

合并所述第一结构图表和第二结构图表以形成所述输入文档的多级图表。

10.根据权利要求1所述的一种或多种计算机可读介质，其中，所述操作还包括：

将所述结构图表的多个顶点映射到数据库的相应列；

将一个或多个记录添加到所述输入文档的所述数据库；和

对于每个映射的顶点，将表示所述输入文档的内容的值存储在添加的一个或多个记录的相应列中。