[发明专利]知识组块提取方法、装置、电子设备和存储介质

说明书

本发明公开了一种知识组块提取方法、装置、电子设备和存储介质。其中，方法包括获取PPTX文档中每页幻灯片的文本信息；其中，所述文本信息包括幻灯片中文本框中的文字内容、文本框的位置和文本框中字体大小；根据所述文本信息，确定每页幻灯片的知识类别；基于所述知识类别，对每页幻灯片进行要素抽取，获取每页幻灯片的知识组块。采用本发明提供的方案能利用PPTX文档中的字体格式等信息提取文档中的知识组块，提取更准确。

技术领域

本发明涉及文件处理技术领域，尤其涉及一种知识组块提取方法、装置、电子设备和存储介质。

背景技术

企业中存在大量的非结构化PPTX文档，如产品介绍、白皮书、解决方案、说明文档、操作手册等。这些文档中包含大量的优质信息，从文档中以知识组块的形式提取出优质信息，能够用于用户后续使用。

但目前，大多数文档挖掘方法都只是利用PPTX文档中的纯文本信息从文档中抽取知识组块，并没有考虑文档中的格式、字体大小、字体位置等内容，因此，抽取的知识组块不够准确。

发明内容

为解决相关技术问题，本发明实施例提供一种知识组块提取方法、装置、电子设备和存储介质。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种知识组块提取方法，方法包括：

获取PPTX文档中每页幻灯片的文本信息；其中，文本信息包括幻灯片中文本框中的文字内容、文本框的位置和文本框中字体大小；

根据文本信息，确定每页幻灯片的知识类别；

基于知识类别，对每页幻灯片进行要素抽取，获取每页幻灯片的知识组块。

上述方案中，根据文本信息，确定每页幻灯片的知识类别包括：

根据文本信息，确定每页幻灯片中标题和关键点；

利用标题和关键点，判断每页幻灯片是否为目录页；

在幻灯片不是目录页的情况下，利用标题和关键点确定幻灯片的知识类别。

上述方案中，根据文本信息，确定每页幻灯片中标题和关键点包括：

将文本信息中文本框的位置在预设范围内的文本框作为第一候选集合；

从第一候选集合中选取位置最顶端的文本框中字数在预设范围内字体最大的文本内容作为标题；

判断标题中有无预设词组；

当标题中有预设词组时，将幻灯片中除标题外的其他文本框中字体最大的文本内容作为关键点；

当标题中没有预设词组时，则在幻灯片中除标题外的其他文本内容的字体大小存在不同时，将除标题外的其他文本内容中字体最大的文本内容作为关键点。

上述方案中，利用标题和关键点，判断每页幻灯片是否为目录页包括：

判断每页幻灯片的标题或关键点中是否存在预设词组，或者判断每页幻灯片是否有标题、关键点个数是否少于预设第一阈值，关键点的字数是否少于预设第二阈值，幻灯片中除标题和关键点之外的正文的字数是否少于预设第三阈值，关键点和正文中是否存在第二预设词组；

当标题或关键点中存在预设词组，或者幻灯片没有标题、关键点个数少于预设第一阈值，关键点的字数少于预设第二阈值，幻灯片中除标题和关键点之外的正文的字数少于预设第三阈值，且关键点和正文中存在第二预设词组时，确定标题或关键点对应的幻灯片为目录页。

上述方案中，基于知识类别，对每页幻灯片进行要素抽取，获取每页幻灯片的知识组块包括：

根据知识类别，判断每页幻灯片是否为无类别幻灯片；