买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上交所技术有限责任公司

摘要：本发明涉及文本匹配辅助标注领域，具体来说是一种基于语义理解的端到端文本匹配辅助标注方法，包括S1.基于语义理解的PDF关键信息抽取；S2.基于非监督算法的多专家模型推荐，结合非监督学习算法和预训练语言模型，将多个专家模型的输出融合为一个集成模型进行大规模综合打分，对于每条文档数据，选取最终得分最高的若干条检索数据作为推荐，最终由人类专家进行标注。本发明同现有技术相比，其优点在于：提高文本匹配和标注的效率、准确性和实用价值，提高系统的易用性和一体性，减少人力标注成本，提高关键信息定位和抽取能力，极大减少文字转换的资源开销，并降低文字抽取结果的噪音。

主权项：1.一种基于语义理解的端到端文本匹配辅助标注方法，其特征在于所述方法包括S1.基于语义理解的PDF关键信息抽取，包括：S1.1根据PDF格式文件的元信息，获取输入PDF各级标题信息；S1.2选择其中备选标题T，判断其等级是否匹配目标等级，如果是，进行下一步，否则不匹配；S1.3给定关键词列表{ki|i∈[0,1,…,n]}，如果存在一个关键词ki出现在备选标题T中，进行下一步，否则不匹配；S1.4:给定标准标题列表{ti|i∈[0,1,…,m]}，如果存在一个标准标题ti满足以下模糊匹配标准之一，则进行下一步，否则不匹配；模糊匹配标准：1关键词相似度≥0.9，且关键词重合度≥0.5，且标题重合度≥0.5；或2关键词重合度≥0.9且标题重合度≥0.5；3关键词重合度≥0.5且标题重合度≥0.9；4关键词重合度≥0.75且标题重合度≥0.75；S1.5给定屏蔽词列表{bi|i∈[0,1,…,p]}，如果备选标题T中包含屏蔽词，则不匹配；否则，备选标题T成功匹配，其对应普通文本内容所在区间为匹配区间；S1.6对其余备选标题进行循环，若不存在匹配标题，则返回结果为空；否则，若存在区间重叠，则将重叠区间取并集合并为一个区间，并进行下一步；S1.7将PDF文档按照匹配的区间进行截取，仅保留匹配内容所在的页面；S1.8对截取的页面进行文字提取，并将结果保存为文本文件；S2.基于非监督算法的多专家模型推荐，结合非监督学习算法和预训练语言模型，将多个专家模型的输出融合为一个集成模型进行大规模综合打分，对于每条文档数据，选取最终得分最高的若干条检索数据作为推荐，最终由人类专家进行标注。

全文数据：

权利要求：

百度查询： 上交所技术有限责任公司 一种基于语义理解的端到端文本匹配辅助标注方法