買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜深圳壹賬通智能科技有限公司申請(qǐng)的專利文本信息抽取方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN112860905B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202110377541.6，技術(shù)領(lǐng)域涉及：G06F16/353；該發(fā)明授權(quán)文本信息抽取方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)是由黃一鳴設(shè)計(jì)研發(fā)完成，并于2021-04-08向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本文本信息抽取方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及智能決策領(lǐng)域，揭露一種文本信息抽取方法，包括：對(duì)待抽取文本進(jìn)行位置信息標(biāo)記，得到標(biāo)準(zhǔn)文本序列；利用抽取模型的特征提取層對(duì)標(biāo)準(zhǔn)文本序列進(jìn)行特征抽取，得到文本特征矩陣；利用抽取模型的文本分類層對(duì)文本特征矩陣進(jìn)行分類，得到文本信息分類結(jié)果；利用抽取模型的文本匹配層對(duì)文本特征矩陣進(jìn)行元素分類，得到文本特征圖矩陣；根據(jù)文本特征圖矩陣進(jìn)行關(guān)聯(lián)映射，得到文本信息關(guān)聯(lián)結(jié)果；根據(jù)文本信息分類結(jié)果及文本信息關(guān)聯(lián)結(jié)果進(jìn)行篩選關(guān)聯(lián)，得到目標(biāo)信息文本。本發(fā)明還涉及一種區(qū)塊鏈技術(shù)，所述標(biāo)準(zhǔn)文本序列可以存儲(chǔ)在區(qū)塊鏈節(jié)點(diǎn)中。本發(fā)明還提出一種文本信息抽取裝置、設(shè)備以及可讀存儲(chǔ)介質(zhì)。本發(fā)明可以提高文本信息抽取的效率。

本發(fā)明授權(quán)文本信息抽取方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)在權(quán)利要求書(shū)中公布了：1.一種文本信息抽取方法，其特征在于，所述方法包括：接收待抽取文本，對(duì)所述待抽取文本進(jìn)行位置信息標(biāo)記，得到標(biāo)準(zhǔn)文本序列；獲取歷史文本集，對(duì)所述歷史文本集進(jìn)行多標(biāo)簽標(biāo)記，得到訓(xùn)練樣本集，利用所述訓(xùn)練樣本集對(duì)預(yù)構(gòu)建的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到信息抽取模型；利用所述信息抽取模型中的特征提取層對(duì)所述標(biāo)準(zhǔn)文本序列進(jìn)行特征抽取，得到文本特征矩陣；利用所述信息抽取模型中的文本分類層對(duì)所述文本特征矩陣進(jìn)行分類，得到文本信息分類結(jié)果；利用所述信息抽取模型中的文本匹配層對(duì)所述文本特征矩陣進(jìn)行元素分類，得到文本特征圖矩陣；根據(jù)所述文本特征圖矩陣進(jìn)行關(guān)聯(lián)映射，得到文本信息關(guān)聯(lián)結(jié)果；根據(jù)所述文本信息分類結(jié)果及所述文本信息關(guān)聯(lián)結(jié)果進(jìn)行無(wú)向圖構(gòu)建及極大團(tuán)篩選關(guān)聯(lián)，得到目標(biāo)信息文本；其中，所述信息抽取模型的訓(xùn)練過(guò)程包括：步驟A：利用所述深度學(xué)習(xí)模型的特征提取層將所述訓(xùn)練樣本集中分詞序列樣本的每個(gè)詞語(yǔ)轉(zhuǎn)化為詞向量，得到特征矩陣，利用所述深度學(xué)習(xí)模型的文本分類層中預(yù)設(shè)的第一激活函數(shù)計(jì)算所述特征矩陣對(duì)應(yīng)的分類概率值，及根據(jù)所述分詞序列樣本的信息類別標(biāo)簽確定所述特征矩陣對(duì)應(yīng)的分類真實(shí)值；步驟B：根據(jù)所述分類真實(shí)值及所述分類概率值，利用預(yù)設(shè)的第一損失函數(shù)計(jì)算得到分類損失值；步驟C：利用所述深度學(xué)習(xí)模型的文本匹配層將所述特征矩陣進(jìn)行矩陣轉(zhuǎn)置，得到特征行矩陣，將所述特征行矩陣及所述特征矩陣進(jìn)行矩陣乘法計(jì)算，得到特征圖矩陣，利用預(yù)設(shè)的第二激活函數(shù)計(jì)算所述特征圖矩陣每個(gè)元素對(duì)應(yīng)的的關(guān)聯(lián)概率值，以及根據(jù)所述分詞序列樣本的信息類別關(guān)聯(lián)標(biāo)簽確定所述特征圖矩陣每個(gè)元素對(duì)應(yīng)的關(guān)聯(lián)真實(shí)值；步驟D：根據(jù)所述關(guān)聯(lián)概率值及所述關(guān)聯(lián)真實(shí)值，利用預(yù)設(shè)的第二損失函數(shù)計(jì)算，得到關(guān)聯(lián)損失值；步驟E：根據(jù)所述分類損失值與所述關(guān)聯(lián)損失值計(jì)算得到目標(biāo)損失值，當(dāng)所述目標(biāo)損失值大于或等于預(yù)設(shè)閾值時(shí)，更新所述深度學(xué)習(xí)模型的模型參數(shù)，并返回上述的步驟A，直到所述目標(biāo)損失值小于預(yù)設(shè)閾值時(shí)，得到所述信息抽取模型。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人深圳壹賬通智能科技有限公司，其通訊地址為：518000 廣東省深圳市前海深港合作區(qū)前灣一路1號(hào)A棟201室；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。