(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 202211337417.8 (22)申请日 2022.10.28 (71)申请人 北京澜舟 科技有限公司 地址 100000 北京市海淀区海淀大街3号1 幢10层10 01 (72)发明人 华菁云　王宇龙　周明　 (74)专利代理 机构 深圳市智享知识产权代理有 限公司 4 4361 专利代理师 王琴 (51)Int.Cl. G06F 40/205(2020.01) G06F 40/169(2020.01) G06F 40/117(2020.01) G06F 16/2458(2019.01) G06F 16/31(2019.01)G06Q 30/08(2012.01) (54)发明名称 一种公告信息抽取方法、 系统及存 储介质 (57)摘要 本发明涉及互联网招投标技术领域， 特别涉 及一种公告信息抽取方法、 系统及存储介质。 本 发明的公告信息抽取方法包括以下步骤： 获取公 告信息的表格内容与非表格内容； 对表格内容与 非表格内容进行数据预处理； 基于预设抽取模型 对非表格内容进行信息抽取得到第一抽取结果； 基于表格规则扫描表格内容进行信息抽取得到 第二抽取结果； 对第一抽取结果与第二抽取结果 进行后处理得到公告信息的结构化信息。 通过抽 取模型进行主要内容 （非表格内容） 抽取， 具有泛 化性好的优点， 因为抽取模型具有很好的语义理 解能力， 在处理格式略有变化的文档时也能准确 地识别出对应的内容， 极大地提高了识别率。 本 发明还提供了一种公告信息抽取系统与存储介 质。 权利要求书2页 说明书11页 附图8页 CN 115455936 A 2022.12.09 CN 115455936 A 1.一种公告信息抽取 方法， 其特 征在于： 包括以下步骤： 获取公告信息的表格内容与非表格内容； 对表格内容与非表格内容进行 数据预处 理； 基于预设抽取模型对非表格内容进行信息抽取 得到第一抽取 结果； 基于表格规则 扫描表格内容进行信息抽取 得到第二抽取 结果； 对所述第一抽取结果与所述第二抽取结果进行后处理得到所述公告信息的结构化信 息。 2.如权利要求1所述的公告信 息抽取方法， 其特征在于： 获取公告信 息的表格 内容和非 表格内容包括以下步骤： 将网页中的公告信息存 储为html文件； 基于html2text数据库提取html文件中的文本信息得到公告 文本； 基于BeautifulSoup数据库区分所述公告 文本中的表格内容与非表格内容。 3.如权利要求1所述的公告信 息抽取方法， 其特征在于： 对表格 内容进行数据 预处理包 括对无效空格处 理、 对有效空格处 理中的一种或多种； 对非表格内容进行数据预处理包括对无效空格处理、 对有效空格处理以及对文本分 块。 4.如权利要求3所述的公告信息抽取 方法， 其特 征在于： 对文本分块包括以下步骤： 对非表格内容进行 逐行切分； 对切分后的内容进行顺次滑窗拼接， 当拼接到超过512字符时， 则将上一次的拼接结果 作为一个块。 5.如权利要求1所述的公告信 息抽取方法， 其特征在于： 所述预设抽取模型基于初始模 型经过微调得到， 所述初始模型包括Mengzi ‑BERT‑large模型、 Mengzi ‑BERT‑base模型、 Mengzi‑BERT‑3B模型中的一种。 6.如权利要求5所述的公告信 息抽取方法， 其特征在于： 基于初始模型微调包括以下步 骤： 获取训练样本， 对所述训练样本中的非表格内容进行 数据预处 理； 采用BIO序列标注法对经 过数据预处 理后的非表格内容标注； 调整参数对初始模型进行微调。 7.如权利要求1所述的公告信 息抽取方法， 其特征在于： 对所述第 一抽取结果与所述第 二抽取结果进行后处 理采用模糊匹配算法。 8.一种公告信 息抽取系统， 用于实现如权利要求1 ‑7任一项所述的公告信息抽取方法， 其特征在于： 包括表格识别模块、 数据预处理模块、 第一抽取器、 第二抽取器以及后处理模 块； 所述表格识别模块与所述数据预处理模块信号连接； 所述第一抽取器分别与所述数据 预处理模块以及所述后处理模块信号连接； 所述第二抽取器分别与所述数据预 处理模块以 及所述后处 理模块信号连接； 所述表格识别模块用于获取表格内容与非表格内容； 所述数据预处 理模块用于对所述表格内容以及所述非表格内容进行 数据预处 理； 所述第一抽取器为基于预训练模型的抽取器， 用于对非表格内容进行信 息抽取得到第 一抽取结果；权　利　要　求　书 1/2 页 2 CN 115455936 A 2所述第二抽取器用于对表格内容进行信息抽取 得到第二抽取 结果； 所述后处理模块用于使所述第一抽取结果与所述第二抽取结果中的内容与所述公告 信息中的表述完全一 致。 9.如权利要求8所述的公告信 息抽取系统， 其特征在于： 所述后处理模块包括模糊匹配 模块， 所述模糊匹配模块通过模糊匹配大小写、 模糊匹配空格、 模糊匹配生僻字中的一种或 多种使所述第一抽取结果与所述第二抽取结果中的内容与所述公告信息中的表述完全一 致。 10.一种存储介质， 其上存储有计算机程序， 其特征在于： 所述计算机程序被处理器执 行时实现权利要求1 ‑7任一项所述的公告信息抽取 方法。权　利　要　求　书 2/2 页 3 CN 115455936 A 3