(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211022271.8 (22)申请日 2022.08.25 (71)申请人 中电太极 （集团） 有限公司 地址 100083 北京市海淀区北四环中路21 1 号 (72)发明人 李帼伟　陈西选　任翔辉　蔡磊　 毕玉玲　杨波　 (74)专利代理 机构 北京惟专知识产权代理事务 所(普通合伙) 16074 专利代理师 赵星 (51)Int.Cl. G06F 16/38(2019.01) G06F 16/35(2019.01) G06F 16/33(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种网络信息提取方法及装置 (57)摘要 本申请公开了一种网络信息提取方法及装 置， 并公开一种电子设备， 属于信息数据识别研 究的技术领域， 上述方法可以获取网络中的初始 数据； 接着， 识别上述初始数据的文件格式类型， 得到第一文件格式类型； 再接着， 若上述第一文 件格式类型为非结构化文件格式， 则针对上述初 始数据进行信息提取， 以得到第一文本数据； 然 后， 针对上述第一文本数据进行要素提取， 以得 到第二文本数据； 再然后， 对上述第二文本数据 进行格式标准化处理， 以得到标准格式数据。 本 申请能够对非结构化文件格式的数据进行信息 提取， 并转换成标准格式， 使数据能够导入本地 数据库， 提高数据库的数据兼容 性。 权利要求书2页 说明书14页 附图6页 CN 115098706 A 2022.09.23 CN 115098706 A 1.一种网络信息提取 方法， 应用于数据库， 其特 征在于， 所述方法包括： 获取网络中的初始数据； 识别所述初始数据的文件格式类型， 得到第一文件格式类型； 若所述第一文件格式类型为非结构化文件格式， 则针对所述初始数据进行信息提取， 以得到第一文本数据； 针对所述第一文本数据进行要素提取， 以得到第二文本数据； 对所述第二文本数据进行格式标准 化处理， 以得到标准格式数据。 2.如权利要求1所述的网络信 息提取方法， 其特征在于， 所述文件格式类型包括结构化 文件格式、 半结构化文件格式以及非结构化格式； 所述识别所述初始数据的文件格式类型， 得到第一文件格式类型的步骤后， 还 包括： 若所述第一文件格式类型为所述结构化文件格式， 或所述半结构化文件格式， 对所述 初始数据进行 逐字段的格式解析。 3.如权利要求1所述的网络信 息提取方法， 其特征在于， 所述针对所述初始数据进行信 息提取， 以得到第一文本数据， 包括： 识别所述初始数据的文本类型， 得到第一文本类型； 响应于所述第一文本类型为多格式文档文件， 对所述初始数据进行分片解压、 分片缓 存、 特征查找以及正文提取， 以得到第一文本数据； 响应于所述第 一文本类型为影像文件文本， 对所述初始数据进行文本检测、 文本定位、 图像增强与分割以及文字识别， 以得到第一文本数据； 响应于所述第一文本类型为音频文件文本， 对所述初始数据进行音频加窗分帧、 语音 特征提取以及声学建模， 以得到第一文本数据。 4.如权利要求3所述的网络信 息提取方法， 其特征在于， 所述声学建模为将隐马尔科夫 模型与深度神经网络进行 结合， 构建的深度神经网络 ‑隐马尔科 夫模型。 5.如权利要求1所述的网络信 息提取方法， 其特征在于， 所述针对所述第 一文本数据进 行要素提取， 以得到第二文本数据， 包括： 从所述第一文本数据中识别出目标要素； 根据所述目标要素的形成结构化的第二文本数据。 6.如权利要求5所述的网络信息提取方法， 其特征在于， 所述目标要素包括实体、 实体 关系、 以及属性关系， 所述从所述第一文本数据中识别出目标要素， 包括： 获取预设词； 基于所述预设词， 采用自然语言处理技术对所述第一文本数据进行预处理和解析， 采 用深度学习模型实现聚类， 从而识别出第一文本数据的目标要素。 7.如权利要求5所述的网络信 息提取方法， 其特征在于， 所述针对所述第 一文本数据进 行要素提取， 以得到第二文本数据， 还 包括： 获取目标关键词； 从所述第一文本数据中搜索与所述目标关键词匹配的相关文档； 对所述相关文档进行实体关系分类， 确定目标属性以形成第二文本数据。 8.如权利要求1所述的网络信 息提取方法， 其特征在于， 所述对所述第 二文本数据进行 格式标准 化处理， 以得到标准格式数据， 包括：权　利　要　求　书 1/2 页 2 CN 115098706 A 2获取数据库的标准格式； 根据所述标准格式对所述第二文本进行格式化处 理， 以得到标准格式数据。 9.一种网络信息提取装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取网络中的初始数据； 识别模块， 用于识别所述初始数据的文件格式类型， 得到第一文件格式类型； 信息提取模块， 若所述第一文件格式类型为非结构化文件格式， 则用于针对所述初始 数据进行信息提取， 以得到第一文本数据； 要素提取模块， 用于针对所述第一文本数据进行要素提取， 以得到第二文本数据； 格式化模块， 用于对所述第二文本数据进行格式标准 化处理， 以得到标准格式数据。 10.一种电子设备， 其特征在于， 所述电子设备包括处理器以及存储有执行指令的存储 器， 当所述处理器执行所述存储器存储的执行指 令时， 所述处理器执行如权利要求 1‑8中任 一所述的方法。权　利　要　求　书 2/2 页 3 CN 115098706 A 3