[发明专利]一种股东增减持信息抽取处理方法和系统

说明书

本发明属于数据处理技术领域，提供一种股东增减持信息抽取处理方法和系统，该方法通过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；确定抽取关键词，并确定目标格式；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，得到实体列表，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。本发明能够精确抽取股东增减持信息，进而能够有效实现对股东增减持信息的结构化精准抽取。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种股东增减持信息抽取处理方法和系统。

背景技术

对多种语言和多领域的信息抽取支持不足。目前的信息抽取技术大多是基于英语的，对于其他语言的支持存在限制；而且对于不同领域的信息抽取也需要不同的领域知识和语料库，这也限制了信息抽取技术的应用范围。

对复杂文本结构的抽取效果不理想。信息抽取需要通过对文本结构的分析来提取实体和关系，而在面对复杂文本结构，如嵌套标签、随机换行符等情况下，现有信息抽取方法存在易出现解析错误和数据提取错误等的问题。此外，在如何更有效提高信息抽取效率、获得更准确的文本结构信息等方面仍存在很大改进空间。

因此，有必要提供一种股东增减持信息抽取处理方法，以解决上述问题。

发明内容

本发明意在提供一种股东增减持信息抽取处理方法和系统，以解决现有技术中在面对复杂文本结构，如嵌套标签、随机换行符等情况下，现有信息抽取方法存在易出现解析错误和数据提取错误，特别是无法实现对股东增减持信息的结构化精准抽取等的技术问题，本发明要解决的技术问题通过以下技术方案来实现。

本发明第一方面提出一种股东增减持信息抽取处理方法，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；确定抽取关键词，并确定目标格式；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，得到实体列表，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。

根据可选的实施方式，通过计算信息重要度，确定以下关键词：

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。

根据可选的实施方式，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-InverseDocument Frequency）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（TermFrequency）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。

根据可选的实施方式，所述确定目标格式包括：基于抽取关键词设置不同的目标格式，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。