[发明专利]行业研究报告的搜索方法、装置及电子设备

说明书

本发明提供一种行业研究报告的搜索方法、装置及电子设备，该方法包括：获取pdf格式的行业研究报告；解析行业研究报告中的文本及段落，获取段落关键特征信息；定位行业研究报告中的图表位置坐标，获取图表关键特征信息；将段落关键特征信息和图表关键特征信息输入行业标签模型，输出至少一个行业标签打分结果；根据文本、段落关键特征信息和图表关键特征信息，建立检索集群索引和映射字段，实时更新并推送检索集群索引；选择行业词或产业词为搜索输入关键词，至少根据行业标签打分结果设定排序规则；利用分布式服务架构对检索集群索引进行搜索，通过映射字段确定搜索结果，根据排序规则展示搜索结果。本发明的技术方案能够提高搜索结果的准确性。

技术领域

本发明属于数据处理技术领域，尤其涉及一种行业研究报告的搜索方法、装置及电子设备。

背景技术

随着互联网技术的持续快速发展，数据已经渗透到当今每一个行业，并以爆炸性的速度增长，成为重要的生产要素。为了方便行业分析师从众多行业研究报告中检索到目标行业的研究报告，并从中获取需要的内容片段，需要对行业研究报告中的内容进行精细的结构化，尽可能多的识别出有效信息，并将其组织起来。

然而，现有技术中，在检索PDF格式的行业研究报告的过程中，只提取出PDF文件中的文本信息，然后构建检索集群索引，虽然可支持业务检索，但搜索的召回结果的准确性很难有保证。

发明内容

有鉴于此，本发明提供一种行业研究报告的搜索方法、装置及电子设备，提高搜索结果的准确性。

第一方面，本发明提供一种行业研究报告的搜索方法，采用如下技术方案：

所述行业研究报告的搜索方法包括：

获取pdf格式的行业研究报告；

解析所述行业研究报告中每页pdf的文本及段落，并获取段落关键特征信息；

定位所述行业研究报告中的图表位置坐标，并获取图表关键特征信息；将所述段落关键特征信息和所述图表关键特征信息输入行业标签模型，输出所述行业研究报告对应的至少一个行业标签打分结果；

根据所述文本、所述段落关键特征信息和所述图表关键特征信息，建立检索集群索引和映射字段，实时更新并推送所述检索集群索引；

选择行业词或产业词为搜索输入关键词，并至少根据所述行业标签打分结果设定排序规则；

利用分布式服务架构对所述检索集群索引进行搜索，通过所述映射字段确定搜索结果，并根据所述排序规则展示所述搜索结果。

可选地，所述解析所述行业研究报告中每页pdf的文本及段落包括：通过pdfminer解析所述行业研究报告中每页pdf的文本及段落，并通过预设的过滤规则过滤掉冗余的段落。

可选地，所述段落关键特征信息至少包括所述行业研究报告的标题、段落内容；所述图表关键特征信息至少包括所述行业研究报告的标题、图表标题。

可选地，所述输出所述行业研究报告对应的至少一个行业标签打分结果包括：输出所述行业研究报告对应的多个行业标签打分结果，不同行业标签对应的行业标签打分结果不同。

可选地，所述实时更新所述检索集群索引包括：通过canal实时消费mysqlbinlog，通过适配器将canal消费得到的数据异构到检索集群或消息队列，完成所述检索集群索引的实时更新。

可选地，所述选择行业词或产业词为搜索输入关键词包括：增加同义词库，将所述同义词库中的行业同义词或产业同义词一并作为搜索输入关键词。

可选地，所述至少根据所述行业标签打分结果设定排序规则包括：根据搜索业务侧重点，分别为所述行业标签打分结果、分片类型、文本设定不同的权重，并根据权重设定排序规则。