[发明专利]基于关键因子的结构化文本搜索方法

说明书

本发明提出了一种基于关键因子的结构化文本搜索方法，包括：获取项目文件，基于OCR识别算法识别出项目文件的文本脉络信息，结合预设项目文本规则确定项目文件的第一关键因子；在项目文件中搜索第一关键因子，根据搜索到的第一关键因子的分布情况，在项目文件中划分出待搜索区域；通过对待搜索区域进行文本语义分析，搜索到第二关键因子，在第二关键因子与第一关键因子之间建立映射关系，基于所述映射关系处理得到结构化文本。本发明针对不同项目类型的项目文本，确定第一关键因子和第二关键因子，从而获取项目评审相关的关键信息，并形成结构化数据形式存储的文本信息库，方便评审人员快速获取需要的信息，从而提高评审效率。

技术领域

本发明属于文本处理技术领域，尤其涉及一种基于关键因子的结构化文本搜索方法。

背景技术

随着电力市场化建设的不断深化，电力公司的经营发展面临重大机遇挑战，电力公司在进行电网建设和稳定运维等电力工程时，对依法合规精准投入的要求越来越高，通常需要将与电力工程相关的项目文件上报到相关单位及部门进行评审，进而对电力工程项目的评审工作提出了更高要求。

负责评审工作的相关单位及部门作为评审数据的汇集中心，因每个电力工程对项目文件的文本编写要求不统一，虽大体行文思路相同，但在文本脉络的细节上，通常各单位按照不同的理解及行文习惯进行编写，导致评审专家在解读不同的项目文件时因结构差异无法快速定位到所需要的信息，需要浪费大量人力、物力对项目文本的信息进行统一管理和数据沉淀，当待评审的电力工程较多时，导致评审周期较长，影响电力工程的执行效率。

发明内容

为了解决现有技术中存在的因每个电力工程对项目文件的文本编写要求不统一，导致评审专家评审周期较长，影响电力工程的执行效率的缺点和不足，本发明提出了一种基于关键因子的结构化文本搜索方法，包括：

获取项目文件，基于OCR识别算法识别出项目文件的文本脉络信息，结合预设项目文本规则确定项目文件的第一关键因子；

在项目文件中搜索第一关键因子，根据搜索到的第一关键因子的分布情况，在项目文件中划分出待搜索区域；

通过对待搜索区域进行文本语义分析，搜索到第二关键因子，在第二关键因子与第一关键因子之间建立映射关系，基于所述映射关系处理得到结构化文本。

可选的，所述基于OCR识别算法识别出项目文件的文本脉络信息，包括：

基于OCR识别算法定位到项目文件中的标题行，识别标题行中的文字作为文本脉络信息。

可选的，所述结合预设项目文本规则确定项目文件的第一关键因子，包括：

将所述文本脉络信息与预设项目文本规则进行匹配，匹配到与文本脉络信息相似度最高的预设项目文本规则；

根据匹配到的预设项目文本规则，确定项目文件的第一关键因子。

可选的，所述预设项目文本规则分别对应不同的项目类型，所述项目类型包括生产技改、生产设备维修、生产辅助技改、营销、基建、教育培训以及零星购置。

可选的，所述第一关键因子为与项目现状、预期目标、项目范围和规模、项目必要性、项目技术方案、设计图纸、购置设备、项目经济性、财务合规性以及项目实施安排相关的关键词。

可选的，所述根据搜索到的第一关键因子的分布情况，在项目文件中划分出待搜索区域，包括：

获取第一关键因子，在项目文档的中确定与所述第一关键因子对应的初始区域；

与预设行数为单位，计算所述第一关键因子在所述初始区域中的分布密度，将所述分布密度超过预设值的预设行数所在区域，划分为待搜索区域。

可选的，在划分出待搜索区域之后，所述方法还包括：基于所述第一关键因子的分布密度，对待搜索区域进行搜索优先级排序。

可选的，所述对待搜索区域进行文本语义分析，包括：