[发明专利]一种股东增减持信息抽取处理方法和系统

权利要求书

1.一种股东增减持信息抽取处理方法，其特征在于，包括：

获取与股东增减持信息相关的指定文件，将指定文件转换成文本文件，并对各文本文件进行预处理，所述指定文件包括HTML文件、XML文件，HTML文件内容包含表格数据和文本数据；

通过计算信息重要度，确定以下抽取关键词，并确定目标格式：公告ID、股东全称、股东简称、变动截止日期、变动价格、变动数量、变动后持股数和变动后持股比例；所述目标格式包括公告标题匹配规则、股东名称匹配规则、增减持股数和比例匹配规则；

根据所确定的抽取关键词以及所确定的目标格式，对预处理后的文本文件进行信息结构抽取，得到子信息表；

对预处理后的文本文件进行表格识别和文本识别，将使用同一股东、同一时间的增减持股数和/或同一公司参数得到实体列表，将包含上述参数的子信息表进行合并拼接以得到融合后的实体列表，对实体列表进行实体确认，得到最终的结构信息表；

接收待处理文本段，采用自动抽取模型对所述待处理文本段进行自动识别，输出股东信息文本，根据所得到的结构信息表对所输出的股东信息文本进行匹配确认，得到股东信息表格；在采用预建立的自动抽取模型对所述待处理文本段自动识别之前，定义变更记录识别函数以用于识别一段待处理文本段中变更记录信息；根据所提取的股东全称和股东简称以及股份购买时间或出售时间确定所涉及的股东人员，进而进一步根据该股东人员追踪确定所述股东人员在上市公司中的持股情况和变动。

2.根据权利要求1所述的股东增减持信息抽取处理方法，其特征在于，

使用以下表达式计算各词的信息重要度，根据信息重要度进行排序，以筛选出排名指定数量的词作为抽取股东增减持信息的关键词：

D_重要度 = TF-IDF × q_关键词    （1）

其中，D_重要度表示各关键词的信息重要度；TF-IDF（Term Frequency-Inverse DocumentFrequency）是一种常用的信息检索技术，用于评估一个词语对于一个文件集或一个语料库的重要程度，它结合了一个词语在文档中的频率（Term Frequency）和在整个语料库中的逆向文档频率（Inverse Document Frequency）；q_关键词 表示各关键词的权重值。

3.根据权利要求1所述的股东增减持信息抽取处理方法，其特征在于，

根据所确定的目标格式对所述文本文件进行信息结构抽取，得到子信息表；

进一步将与同一股东或同一公司相关的子信息表进行拼接融合后得到实体列表。

4.根据权利要求1所述的股东增减持信息抽取处理方法，其特征在于，

对包含表格数据的文本文件中各表格解析成一个二维字典，并从各表格中进一步提取特定信息，所述特定信息包括关键词和表格信息。

5.根据权利要求4所述的股东增减持信息抽取处理方法，其特征在于，

所述特定信息的提取过程包括：

执行遍历表格的第一行，扫描或搜索各表格的头部；

根据扫描或搜索各表格的头部中所包含的关键词，使用指定规则识别各表格中每个字段的位置和类型。

6.根据权利要求1所述的股东增减持信息抽取处理方法，其特征在于，

基于LSTM算法建立自动抽取模型，采用所建立的自动抽取模型对待处理文本段自动识别，输出股东信息文本，根据所得到的结构信息表对所输出的股东信息文本进行匹配确认，得到股东信息表格，所述股东信息表格包含至少以下四项信息的结构化信息表格：

公告ID、股东全称或股东简称、变动截止日期、变动价格或变动后持股数，以及操作行为评估值；

根据所得到的结构信息表对股东信息文本进行匹配确认。