本發(fā)明涉及文本信息提取技術(shù)領(lǐng)域，尤其涉及一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法和系統(tǒng)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)時(shí)代的高速發(fā)展，越來(lái)越多的的信息發(fā)布在網(wǎng)上。而信息的展現(xiàn)形式卻是參差不齊的，因此越來(lái)越需要一種技術(shù)可以將大量?jī)?yōu)質(zhì)的信息從互聯(lián)網(wǎng)的各個(gè)角落集中的、規(guī)范的挖掘給用戶，來(lái)提高用戶的消費(fèi)質(zhì)量。

網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息是科研工作者重要的信息獲取、交流方式之一，它可以幫組科研工作者快速的發(fā)現(xiàn)哪里有和自己研究方向相關(guān)聯(lián)的學(xué)術(shù)報(bào)告，從而參加并進(jìn)行學(xué)術(shù)交流、提高學(xué)術(shù)水平。目前網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息在每個(gè)研究所、高校等機(jī)構(gòu)都是存在的，但是機(jī)構(gòu)太過(guò)分散，每個(gè)機(jī)構(gòu)的學(xué)術(shù)網(wǎng)頁(yè)網(wǎng)址也都很難查找，而且學(xué)術(shù)信息的展現(xiàn)形式的混亂導(dǎo)致讓用戶很難快速的查找和發(fā)現(xiàn)與自己相關(guān)的學(xué)術(shù)報(bào)告，所以如何快速在大量混亂的機(jī)構(gòu)、網(wǎng)頁(yè)中找到自己所需要的報(bào)告是一個(gè)問(wèn)題。因此能將分散的、格式混亂的學(xué)術(shù)報(bào)告集中、規(guī)范的展現(xiàn)給科研工作者是一個(gè)非常有價(jià)值的工作。

由于網(wǎng)頁(yè)信息的高度復(fù)雜性和高度自然語(yǔ)言化，現(xiàn)有的、配合html標(biāo)記的規(guī)則化關(guān)鍵字匹配方法工作方式單一，可擴(kuò)展性很低，面對(duì)稍有變化的網(wǎng)頁(yè)就需要大量的重寫(xiě)操作，而且沒(méi)有考慮到html標(biāo)記以外的標(biāo)記內(nèi)容，最小粒度依賴于dom樹(shù)節(jié)點(diǎn)的分類，但同一節(jié)點(diǎn)中很容易包含不同的內(nèi)容?，F(xiàn)有的基于文檔樹(shù)的機(jī)器學(xué)習(xí)方式針對(duì)整體的分類任務(wù)和節(jié)點(diǎn)類別判斷較好，但是針對(duì)更精細(xì)的、文檔樹(shù)參考價(jià)值低的、特征過(guò)于寬泛復(fù)雜的內(nèi)容效果還不夠，尤其未考慮到內(nèi)容之間序的關(guān)系。

技術(shù)實(shí)現(xiàn)要素：

基于背景技術(shù)存在的技術(shù)問(wèn)題，本發(fā)明提出了一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法和系統(tǒng)。

本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法，包括：

s1、將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和學(xué)術(shù)報(bào)告的內(nèi)容開(kāi)頭替換為對(duì)應(yīng)的固定表示標(biāo)記，并根據(jù)相鄰兩個(gè)固定表示標(biāo)記對(duì)學(xué)術(shù)報(bào)告進(jìn)行分割，得到初步分割結(jié)果集合；

s2、刪除初步分割結(jié)果集合中匹配預(yù)設(shè)黑名單的初步分割結(jié)果，得到有效分割結(jié)果集合；

s3、獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，再根據(jù)各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置合并提取出各有效分割結(jié)果對(duì)應(yīng)的屬性內(nèi)容；

s4、判斷步驟s3中屬性是否出現(xiàn)重復(fù)，當(dāng)判斷結(jié)果為是時(shí)，根據(jù)屬性排列方式將不同屬性對(duì)應(yīng)的屬性內(nèi)容分配到相應(yīng)的學(xué)術(shù)報(bào)告中；

s5、獲取學(xué)術(shù)報(bào)告的報(bào)告人信息和時(shí)間并匹配到學(xué)術(shù)報(bào)告中報(bào)告人信息和時(shí)間中。

優(yōu)選地，步驟s1，具體包括：將html轉(zhuǎn)義字符還原，并將表示開(kāi)始、結(jié)束標(biāo)記的html代碼替換為表示結(jié)尾的固定表示標(biāo)記；依次替換題目、報(bào)告人、時(shí)間、地點(diǎn)、報(bào)告人簡(jiǎn)介、報(bào)告簡(jiǎn)介、主辦單位的內(nèi)容開(kāi)頭標(biāo)識(shí)為相應(yīng)的固定表示標(biāo)記；

優(yōu)選地，在步驟s1中，所述固定表示標(biāo)記代表的標(biāo)記類別是唯一的。

優(yōu)選地，在步驟s2中，所述黑名單為一組模糊匹配方法的集合，黑名單包括所有屬性適用黑名單和單一屬性適用黑名單，其中，所述屬性為目標(biāo)學(xué)術(shù)報(bào)告中一段內(nèi)容的類別特征；

優(yōu)選地，在步驟s3中，所述獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，具體包括：有效分割結(jié)果起始位置為有效分割結(jié)果的開(kāi)頭位置，有效分割結(jié)果中連續(xù)空白內(nèi)容出現(xiàn)次數(shù)達(dá)到預(yù)設(shè)次數(shù)的位置為有效分割結(jié)果的結(jié)尾位置。

優(yōu)選地，步驟s4中，所述判斷步驟s3中屬性是否出現(xiàn)重復(fù)，其中所述屬性不包括舉辦單位；

優(yōu)選地，步驟s4中，在根據(jù)屬性排列方式將不同屬性對(duì)應(yīng)的屬性內(nèi)容分配到相應(yīng)的學(xué)術(shù)報(bào)告中之后，還包括：當(dāng)某個(gè)屬性在多個(gè)學(xué)術(shù)報(bào)告中出現(xiàn)且僅出現(xiàn)一次時(shí)，將此屬性添加到其他學(xué)術(shù)報(bào)告中。

優(yōu)選地，步驟s5，具體包括：

根據(jù)已有報(bào)告人職稱生成一個(gè)對(duì)應(yīng)列表，將列表按職稱詞語(yǔ)包含與被包含的順序由高職位到低職位的順序進(jìn)行排序，再根據(jù)職稱生成的對(duì)應(yīng)列表在報(bào)告人和報(bào)告人簡(jiǎn)介中提取出職稱最高的作為此報(bào)告職稱并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的機(jī)構(gòu)，并結(jié)合相關(guān)的、正確的前綴、后綴作為此報(bào)告的報(bào)告人單位并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的名字，作為此報(bào)告的報(bào)告人姓名并匹配到報(bào)告人信息中；

按照預(yù)設(shè)策略將報(bào)告時(shí)間補(bǔ)充為utc時(shí)間并匹配到報(bào)告人信息中，其中，預(yù)設(shè)策略包括：獲取學(xué)術(shù)報(bào)告對(duì)應(yīng)機(jī)構(gòu)的最新的時(shí)間記為最新時(shí)間，對(duì)所述最新時(shí)間出現(xiàn)不規(guī)范的時(shí)間進(jìn)行規(guī)范化，將12小時(shí)進(jìn)制轉(zhuǎn)化為24小時(shí)進(jìn)制，并按照從整體到部分的捕獲策略得到精準(zhǔn)的年月日時(shí)分，當(dāng)學(xué)術(shù)報(bào)告原數(shù)據(jù)沒(méi)有年份，則使用發(fā)布時(shí)間中的年份，當(dāng)發(fā)布時(shí)間中沒(méi)有年份，則看最新時(shí)間是否為空，若不為空則取最新時(shí)間的年份，否則放入沒(méi)有年份的等待隊(duì)列，當(dāng)報(bào)告至少具有年月日，則將此時(shí)間賦值給所述的最新時(shí)間，并查看所述的沒(méi)有年份的等待隊(duì)列，若其中不為空，則補(bǔ)上年份并從隊(duì)列中去除，其他情況不處理；當(dāng)開(kāi)始時(shí)間缺失時(shí)分、結(jié)束時(shí)間缺失年月日時(shí)分的情況時(shí)，進(jìn)行大致偏好時(shí)間的填補(bǔ)。

一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取系統(tǒng)，包括：

替換分割模塊，用于將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和學(xué)術(shù)報(bào)告的內(nèi)容開(kāi)頭替換為對(duì)應(yīng)的固定表示標(biāo)記，并根據(jù)相鄰兩個(gè)固定表示標(biāo)記對(duì)學(xué)術(shù)報(bào)告進(jìn)行分割，得到初步分割結(jié)果集合；

黑名單模塊，用于刪除初步分割結(jié)果集合中匹配預(yù)設(shè)黑名單的初步分割結(jié)果，得到有效分割結(jié)果集合；

內(nèi)容提取模塊，用于獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，再根據(jù)各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置合并提取出各有效分割結(jié)果對(duì)應(yīng)的屬性內(nèi)容；

報(bào)告分類模塊，用于判斷內(nèi)容提取模塊中屬性是否出現(xiàn)重復(fù)，當(dāng)判斷結(jié)果為是時(shí)，根據(jù)屬性排列方式將不同屬性對(duì)應(yīng)的屬性內(nèi)容分配到相應(yīng)的學(xué)術(shù)報(bào)告中；

內(nèi)容補(bǔ)充模塊，獲取學(xué)術(shù)報(bào)告的報(bào)告人信息和時(shí)間并匹配到學(xué)術(shù)報(bào)告中報(bào)告人信息和時(shí)間中。

優(yōu)選地，所述替換分割模塊，具體用于：將html轉(zhuǎn)義字符還原，并將表示開(kāi)始、結(jié)束標(biāo)記的html代碼替換為表示結(jié)尾的固定表示標(biāo)記；依次替換題目、報(bào)告人、時(shí)間、地點(diǎn)、報(bào)告人簡(jiǎn)介、報(bào)告簡(jiǎn)介、主辦單位的內(nèi)容開(kāi)頭標(biāo)識(shí)為相應(yīng)的固定表示標(biāo)記；

優(yōu)選地，替換分割模塊，還用于：將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和內(nèi)容開(kāi)頭標(biāo)識(shí)替換為對(duì)應(yīng)的固定表示標(biāo)記，其中所述固定表示標(biāo)記代表的標(biāo)記類別是唯一的。

優(yōu)選地，所述黑名單模塊，具體用于：黑名單為一組模糊匹配方法的集合，黑名單包括所有屬性適用黑名單和單一屬性適用黑名單，其中，所述屬性為目標(biāo)學(xué)術(shù)報(bào)告中一段內(nèi)容的類別特征；

優(yōu)選地，所述內(nèi)容提取模塊，具體用于：獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，其中有效分割結(jié)果起始位置為有效分割結(jié)果的開(kāi)頭位置，有效分割結(jié)果中連續(xù)空白內(nèi)容出現(xiàn)次數(shù)達(dá)到預(yù)設(shè)次數(shù)的位置為有效分割結(jié)果的結(jié)尾位置。

優(yōu)選地，所述報(bào)告分類模塊，具體用于：判斷內(nèi)容提取模塊中屬性是否出現(xiàn)重復(fù)，其中所述屬性不包括舉辦單位；

優(yōu)選地，報(bào)告分類模塊，還用于：當(dāng)某個(gè)屬性在多個(gè)學(xué)術(shù)報(bào)告中出現(xiàn)且僅出現(xiàn)一次時(shí)，將此屬性添加到其他學(xué)術(shù)報(bào)告中。

優(yōu)選地，所述內(nèi)容補(bǔ)充模塊，具體用于：

根據(jù)已有報(bào)告人職稱生成一個(gè)對(duì)應(yīng)列表，將列表按職稱詞語(yǔ)包含與被包含的順序由高職位到低職位的順序進(jìn)行排序，再根據(jù)職稱生成的對(duì)應(yīng)列表在報(bào)告人和報(bào)告人簡(jiǎn)介中提取出職稱最高的作為此報(bào)告職稱并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的機(jī)構(gòu)，并結(jié)合相關(guān)的、正確的前綴、后綴作為此報(bào)告的報(bào)告人單位并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的名字，作為此報(bào)告的報(bào)告人姓名并匹配到報(bào)告人信息中；

按照預(yù)設(shè)策略將報(bào)告時(shí)間補(bǔ)充為utc時(shí)間并匹配到報(bào)告人信息中，其中，預(yù)設(shè)策略包括：獲取學(xué)術(shù)報(bào)告對(duì)應(yīng)機(jī)構(gòu)的最新的時(shí)間記為最新時(shí)間，對(duì)所述最新時(shí)間出現(xiàn)不規(guī)范的時(shí)間進(jìn)行規(guī)范化，將12小時(shí)進(jìn)制轉(zhuǎn)化為24小時(shí)進(jìn)制，并按照從整體到部分的捕獲策略得到精準(zhǔn)的年月日時(shí)分，當(dāng)學(xué)術(shù)報(bào)告原數(shù)據(jù)沒(méi)有年份，則使用發(fā)布時(shí)間中的年份，當(dāng)發(fā)布時(shí)間中沒(méi)有年份，則看最新時(shí)間是否為空，若不為空則取最新時(shí)間的年份，否則放入沒(méi)有年份的等待隊(duì)列，當(dāng)報(bào)告至少具有年月日，則將此時(shí)間賦值給所述的最新時(shí)間，并查看所述的沒(méi)有年份的等待隊(duì)列，若其中不為空，則補(bǔ)上年份并從隊(duì)列中去除，其他情況不處理；當(dāng)開(kāi)始時(shí)間缺失時(shí)分、結(jié)束時(shí)間缺失年月日時(shí)分的情況時(shí)，進(jìn)行大致偏好時(shí)間的填補(bǔ)。

本發(fā)明在提取信息時(shí)做出了一個(gè)假設(shè)，同一類有用的信息是連續(xù)展現(xiàn)的，比如對(duì)于一個(gè)摘要，我們不會(huì)認(rèn)為第一段摘要和第二段摘要之間會(huì)有不屬于摘要信息的存在，那么，這樣就可以利用同信息連續(xù)展現(xiàn)特性、節(jié)點(diǎn)細(xì)化功能，將分類任務(wù)化為文本切割位置的選擇任務(wù)，本發(fā)明對(duì)于非連續(xù)展現(xiàn)的信息或無(wú)開(kāi)頭標(biāo)識(shí)的信息則缺乏適應(yīng)，本發(fā)明提供一個(gè)三層架構(gòu)來(lái)提高可擴(kuò)展性，即規(guī)范-合并-模式架構(gòu)；規(guī)范：解決標(biāo)簽格式多樣性問(wèn)題，提供一個(gè)可供定制的匹配選擇，使用戶可以在為新的網(wǎng)頁(yè)情況輕松得擴(kuò)展；合并：主要解決結(jié)尾位置問(wèn)題，使用黑名單方式進(jìn)行處理，不在名單中的可以去除，保證能正確的結(jié)尾；模式：一個(gè)網(wǎng)頁(yè)報(bào)告中可能有多個(gè)相同屬性的標(biāo)簽，比如多個(gè)報(bào)告時(shí)間、多個(gè)報(bào)告人簡(jiǎn)介等等，這里就是解決一頁(yè)多報(bào)告、多報(bào)告共享屬性等標(biāo)簽歸屬問(wèn)題，并進(jìn)行人工修改評(píng)測(cè)。這個(gè)架構(gòu)擺脫了傳統(tǒng)提取信息時(shí)最小粒度依賴于dom樹(shù)節(jié)點(diǎn)的分類，并利用了屬性順序特征分類，考慮到了內(nèi)容之間序的關(guān)系，本發(fā)明為了更高的利用所需信息，本發(fā)明利用屬性之間的一定聯(lián)系進(jìn)行深層次的信息提取、規(guī)范，如根據(jù)發(fā)布時(shí)間、時(shí)間及其前后的時(shí)間規(guī)范補(bǔ)充非標(biāo)準(zhǔn)時(shí)間，根據(jù)報(bào)告人、報(bào)告人簡(jiǎn)介用分詞、規(guī)則匹配方式得到更細(xì)的姓名、職稱、機(jī)構(gòu)，從而一定的克服了節(jié)點(diǎn)內(nèi)精細(xì)內(nèi)容的匹配問(wèn)題。

本發(fā)明擴(kuò)大了dom樹(shù)節(jié)點(diǎn)細(xì)化的能力，提高了規(guī)則適用性，利用了屬性順序特征分類。利用同信息連續(xù)展現(xiàn)特性等，將分類任務(wù)化為文本切割位置的選擇任務(wù)，從而準(zhǔn)確、規(guī)范并易于擴(kuò)展地提取和整理學(xué)術(shù)報(bào)告信息。

附圖說(shuō)明

圖1為本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法的流程示意圖；

圖2為圖1中步驟s1的具體流程圖；

圖3為圖1中步驟s2的具體流程圖；

圖4為圖1中步驟s3的具體流程圖；

圖5為圖1中步驟s4的具體流程圖；

圖6為圖1中步驟s5具體流程圖；

圖7為本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法的三層架構(gòu)示意圖；

圖8為本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取系統(tǒng)的模塊示意圖。

具體實(shí)施方式

參照?qǐng)D1，本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法，該方法包括：

步驟s1，將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和學(xué)術(shù)報(bào)告的內(nèi)容開(kāi)頭替換為對(duì)應(yīng)的固定表示標(biāo)記，并根據(jù)相鄰兩個(gè)固定表示標(biāo)記對(duì)學(xué)術(shù)報(bào)告進(jìn)行分割，得到初步分割結(jié)果集合；

本步驟具體包括：將html轉(zhuǎn)義字符還原，并將表示開(kāi)始、結(jié)束標(biāo)記的html代碼替換為表示結(jié)尾的固定表示標(biāo)記；依次替換題目、報(bào)告人、時(shí)間、地點(diǎn)、報(bào)告人簡(jiǎn)介、報(bào)告簡(jiǎn)介、主辦單位的內(nèi)容開(kāi)頭標(biāo)識(shí)為相應(yīng)的固定表示標(biāo)記；

具體地，在本步驟中，所述固定表示標(biāo)記代表的標(biāo)記類別是唯一的；

在本實(shí)施方式中，獲取學(xué)術(shù)網(wǎng)頁(yè)并對(duì)其中的html標(biāo)簽及屬性標(biāo)簽進(jìn)行規(guī)范化的處理，即將html標(biāo)簽及屬性標(biāo)簽聯(lián)合起來(lái)得到更細(xì)致的劃分點(diǎn)，其中，所述屬性標(biāo)簽為學(xué)術(shù)報(bào)告中特有的、表示內(nèi)容屬性的標(biāo)記，例如“報(bào)告人：”、“報(bào)告人簡(jiǎn)介：”；

參照?qǐng)D2，步驟s1具體包括以下步驟：

步驟s11，下載一個(gè)學(xué)術(shù)報(bào)告網(wǎng)站上的每一個(gè)學(xué)術(shù)報(bào)告網(wǎng)頁(yè)，

步驟s12，從已經(jīng)下載好的學(xué)術(shù)報(bào)告網(wǎng)頁(yè)中按順序提取一個(gè)學(xué)術(shù)報(bào)告網(wǎng)頁(yè)，如果提取完畢則結(jié)束；

例如，提取報(bào)告：“<p>\r\n\t報(bào)告題目一:</p>\n<p>aaaaaa</p>aaa<p>報(bào)告時(shí)間:bbb</p>bbb<p>報(bào)告地點(diǎn):ccc</p><p>報(bào)\xa0告\xa0人:ddd</p>ddd<p>內(nèi)容摘要:</p><p>eeeeee</p><p>eee</p><p>報(bào)告人簡(jiǎn)介:</p><p>fff</p><p>r\n\t報(bào)告題目二:</p><p>aaa</p>aaa<p>報(bào)告時(shí)間:bbb</p><p>報(bào)告地點(diǎn)：ccc</p><p>報(bào)\xa0告\xa0人:ddd</p><p>ddd內(nèi)容摘要:</p><p>eeeeee</p><p></p><p>報(bào)告人簡(jiǎn)介:</p><p>fff</p>fff<p>”；

步驟s13，將html轉(zhuǎn)義字符還原，并將表示開(kāi)始、結(jié)束標(biāo)記的html代碼替換為一個(gè)固定的結(jié)尾表示標(biāo)記，然后去掉html代碼；

例如，由上例得到：“報(bào)告題目一:{結(jié)尾}aaaaaa{結(jié)尾}aaa報(bào)告時(shí)間:bbb{結(jié)尾}bbb報(bào)告地點(diǎn):ccc{結(jié)尾}報(bào)告人:ddd{結(jié)尾}ddd內(nèi)容摘要:{結(jié)尾}eeeeee{結(jié)尾}eee{結(jié)尾}報(bào)告人簡(jiǎn)介:{結(jié)尾}fff{結(jié)尾}報(bào)告題目二:{結(jié)尾}aaa{結(jié)尾}aaa報(bào)告時(shí)間:bbb{結(jié)尾}報(bào)告地點(diǎn)：ccc{結(jié)尾}報(bào)告人:ddd{結(jié)尾}ddd內(nèi)容摘要:{結(jié)尾}eeeeee{結(jié)尾}{結(jié)尾}報(bào)告人簡(jiǎn)介:{結(jié)尾}fff{結(jié)尾}fff”；

步驟s14，根據(jù)屬性出現(xiàn)規(guī)則多層次的依次替換題目、報(bào)告人、時(shí)間、地點(diǎn)、報(bào)告人簡(jiǎn)介、報(bào)告簡(jiǎn)介、主辦單位等模糊屬性為固定的表示標(biāo)記；

例如，由上例得到：“{題目}{結(jié)尾}aaaaaa{結(jié)尾}aaa{時(shí)間}bbb{結(jié)尾}bbb{地點(diǎn)}ccc{結(jié)尾}{報(bào)告人}ddd{結(jié)尾}ddd{報(bào)告簡(jiǎn)介}{結(jié)尾}eeeeee{結(jié)尾}eee{結(jié)尾}{報(bào)告人簡(jiǎn)介}{結(jié)尾}fff{結(jié)尾}{題目}{結(jié)尾}aaa{結(jié)尾}aaa{時(shí)間}bbb{結(jié)尾}{地點(diǎn)}ccc{結(jié)尾}{報(bào)告人}ddd{結(jié)尾}ddd{報(bào)告簡(jiǎn)介}{結(jié)尾}eeeeee{結(jié)尾}{結(jié)尾}{報(bào)告人簡(jiǎn)介}{結(jié)尾}fff{結(jié)尾}fff”；

步驟s15，整體替換修正，在上一個(gè)步驟全部完成的基礎(chǔ)上再替換更為復(fù)雜的、屬性直接存在一定聯(lián)系的模糊屬性標(biāo)簽為固定的表示標(biāo)記，并有偏好的替換一些模凌兩可的標(biāo)簽；

步驟s16，按已經(jīng)確定好的固定表示標(biāo)記將這段文本分割；

例如，由上例得到：“屬性:內(nèi)容,1:,0:aaaaaa,0:aaa,3:bbb,0:bbb,4:ccc,0:,2:ddd,0:ddd,6:,0:eeeeee,0:eee,0:,5:,0:fff,0:,1:,0:aaa,0:aaa,3:bbb,0:,4:ccc,0:,2:ddd,0:ddd,6:,0:eeeeee,0:,0:,5:,0:fff,0:fff”，其中0代表結(jié)尾，123456代表一般屬性。

步驟s2，刪除初步分割結(jié)果集合中匹配預(yù)設(shè)黑名單的初步分割結(jié)果，得到有效分割結(jié)果集合；

在本步驟中，所述黑名單為一組模糊匹配方法的集合，黑名單包括所有屬性適用黑名單和單一屬性適用黑名單，其中，所述屬性為目標(biāo)學(xué)術(shù)報(bào)告中一段內(nèi)容的類別特征；

在本實(shí)施方式中，根據(jù)建立的多樣化黑名單確定結(jié)尾的位置，這是一種分類的方式，其中，所述黑名單是指一組模糊匹配方法的集合，可以是一組正則表達(dá)式，用于確定內(nèi)容是否屬于當(dāng)前屬性；

參照?qǐng)D3，步驟s2具體包括以下步驟：

步驟s21，根據(jù)網(wǎng)頁(yè)的規(guī)則和需要，從所有屬性適用和單一屬性適用的角度分別建立2種黑名單。其中，所述單一屬性適用是指某個(gè)特定的屬性使用的黑名單；

步驟s22，從分割結(jié)果中提取一個(gè)分割塊，如果沒(méi)有則結(jié)束。所述分割結(jié)果是指步驟s16所得到的文本分割結(jié)果；

步驟s23，判斷分割塊開(kāi)頭是否為普通屬性，若不是則進(jìn)入步驟s22，否則進(jìn)入在步驟s24。所述分割塊開(kāi)頭是指分割塊起始處的分割節(jié)點(diǎn)。所述普通屬性是指所需提取內(nèi)容的屬性之一，不是指代表結(jié)尾的屬性；

步驟s24，判斷分割塊內(nèi)容是否匹配黑名單，從所有屬性適用和單一屬性適用的角度分別一次，若不是則進(jìn)入步驟s25，否則進(jìn)入在步驟s22；

步驟s25，此分割塊作為一類開(kāi)頭；

步驟s26，從分割結(jié)果中再提取一個(gè)分割塊，如果沒(méi)有則結(jié)束；

步驟s27，判斷分割塊開(kāi)頭是否為普通屬性，若不是則進(jìn)入步驟s28，否則進(jìn)入在步驟s24；

步驟s28，判斷分割塊內(nèi)容是否匹配黑名單，從所有屬性適用和單一屬性適用的角度分別一次，若不是則進(jìn)入步驟s29，否則進(jìn)入在步驟s26；

在步驟s29中，此分割塊內(nèi)容加入此類，繼續(xù)步驟s21。所述此類是指步驟s25所創(chuàng)建的一類。

步驟s3，獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，再根據(jù)各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置合并提取出各有效分割結(jié)果對(duì)應(yīng)的屬性內(nèi)容；

在本步驟中，所述獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，具體包括：有效分割結(jié)果起始位置為有效分割結(jié)果的開(kāi)頭位置，有效分割結(jié)果中連續(xù)空白內(nèi)容出現(xiàn)次數(shù)達(dá)到預(yù)設(shè)次數(shù)的位置為有效分割結(jié)果的結(jié)尾位置；

在本實(shí)施方式中，由開(kāi)頭和結(jié)尾的位置合并提取出所有不同屬性的內(nèi)容；

參照?qǐng)D4，步驟s3具體包括以下步驟：

步驟s31，抽取一個(gè)類，從開(kāi)頭到最后內(nèi)容，抽完則結(jié)束，所述一個(gè)類是指步驟s2中得到的所有類別中的一個(gè)；

步驟s32，判斷所抽取類別中空白塊連續(xù)次數(shù)是否超過(guò)閾值，是則進(jìn)入步驟s33，否則進(jìn)入步驟s34。所述空白塊是指類別中的分割塊只有開(kāi)頭或中間沒(méi)有內(nèi)容；

步驟s33，丟棄此連續(xù)空白塊及其之后的內(nèi)容；

步驟s34，判斷此類屬性是否與上類一致，是則進(jìn)入步驟s35，否則進(jìn)入步驟s36，所述上類是指上一次在步驟s31中所抽取的一個(gè)類，如果是第一次則沒(méi)有上一次；

步驟s35，將此類與上一類合并成一個(gè)類。

步驟s36，合并此類別的內(nèi)容，成功分出類別，繼續(xù)步驟s31；

例如，經(jīng)過(guò)步驟s13后，由上例得到：“屬性:內(nèi)容,1:aaaaaaaaa,3:bbbbbb,4:ccc,2:dddddd,6:eeeeeeeee,5:fff,1:aaaaaa,3:bbb,4:ccc,2:dddddd,6:eeeeee,5:ffffff”，其中0代表結(jié)尾，123456代表一般屬性。

步驟s4，判斷步驟s3中屬性是否出現(xiàn)重復(fù)，當(dāng)判斷結(jié)果為是時(shí)，根據(jù)屬性排列方式將不同屬性對(duì)應(yīng)的屬性內(nèi)容分配到相應(yīng)的學(xué)術(shù)報(bào)告中；

本步驟中，判斷步驟s3中屬性是否出現(xiàn)重復(fù)，其中所述屬性不包括舉辦單位；

具體的，在本步驟中，判斷網(wǎng)頁(yè)有多個(gè)學(xué)術(shù)報(bào)告之后，還包括：當(dāng)某個(gè)屬性在多個(gè)學(xué)術(shù)報(bào)告中出現(xiàn)且僅出現(xiàn)一次時(shí)，將此屬性添加到其他學(xué)術(shù)報(bào)告中。

具體的，在本步驟中，根據(jù)學(xué)術(shù)報(bào)告的屬性排列方式將不同屬性內(nèi)容分屬到對(duì)應(yīng)的學(xué)術(shù)報(bào)告中之后，還包括：根據(jù)同一頁(yè)面下不同報(bào)告的屬性缺失差異、每個(gè)報(bào)告的屬性缺失狀況、黑白名單關(guān)鍵字的判斷、屬性字符長(zhǎng)度的限制對(duì)分析結(jié)果進(jìn)行可信任程度評(píng)估；

在本實(shí)施方式中，根據(jù)類別內(nèi)容的屬性的排列方式確定類別內(nèi)容的屬性分屬哪一個(gè)報(bào)告，達(dá)到分離一個(gè)網(wǎng)頁(yè)的多個(gè)報(bào)告的效果；

參照?qǐng)D5，步驟s4具體包括以下步驟：

步驟s41，生成一個(gè)空的報(bào)告。所述空的報(bào)告是用來(lái)存儲(chǔ)一個(gè)報(bào)告的屬性內(nèi)容的，可以是數(shù)組或結(jié)構(gòu)體等的形式；

步驟s42，判斷分類結(jié)果是否遍歷完，是則進(jìn)入步驟s47，否則進(jìn)入步驟s43，所述分類結(jié)果是指步驟s3分出的所有類別；

步驟s43中，從分好的結(jié)果中抽取一個(gè)類及其屬性；

步驟s44中，判斷所取的屬性是否在生成的報(bào)告中已有，是則進(jìn)入步驟s45，否則進(jìn)入步驟s46；

步驟s45，再生成一個(gè)空的報(bào)告，放在上一個(gè)報(bào)告之前，作為被加入的報(bào)告。

步驟s46中，將所取的類加入報(bào)告之中，然后進(jìn)入步驟s42；

例如，直到步驟s407時(shí)，由上例得到：“{題目}aaaaaaaaa,{報(bào)告人}dddddd,{時(shí)間}bbbbbb,{地點(diǎn)}ccc,{報(bào)告人簡(jiǎn)介}fff,{報(bào)告簡(jiǎn)介}eeeeeeeee；{題目}aaaaaa,{報(bào)告人}dddddd,{時(shí)間}bbb,{地點(diǎn)}ccc,{報(bào)告人簡(jiǎn)介}ffffff,{報(bào)告簡(jiǎn)介}eeeeee”；

步驟s47，對(duì)本網(wǎng)頁(yè)所有報(bào)告缺失屬性進(jìn)行公共信息延展，所述公共信息延展是指將多個(gè)報(bào)告中出現(xiàn)且僅出現(xiàn)一次的屬性類別添加到本網(wǎng)頁(yè)其他的所有報(bào)告之中；

步驟s48，分析計(jì)算結(jié)果可信度，所述結(jié)果可信度是根據(jù)同一網(wǎng)頁(yè)下不同報(bào)告的屬性缺失差異、每個(gè)報(bào)告的屬性缺失狀況、黑白名單關(guān)鍵字的判斷、屬性字符長(zhǎng)度的限制的角度綜合得到的結(jié)果，本發(fā)明實(shí)施例對(duì)此并不加以限定；

至此分析完一個(gè)網(wǎng)頁(yè)的所有報(bào)告以后，再回到步驟s12，直到分析完所有的網(wǎng)頁(yè)再進(jìn)行步驟s5。

步驟s5，獲取學(xué)術(shù)報(bào)告的報(bào)告人信息和時(shí)間并匹配到學(xué)術(shù)報(bào)告中報(bào)告人信息和時(shí)間中；

本步驟具體包括：

根據(jù)已有報(bào)告人職稱生成一個(gè)對(duì)應(yīng)列表，將列表按職稱詞語(yǔ)包含與被包含的順序由高職位到低職位的順序進(jìn)行排序，再根據(jù)職稱生成的對(duì)應(yīng)列表在報(bào)告人和報(bào)告人簡(jiǎn)介中提取出職稱最高的作為此報(bào)告職稱并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的機(jī)構(gòu)，并結(jié)合相關(guān)的、正確的前綴、后綴作為此報(bào)告的報(bào)告人單位并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的名字，作為此報(bào)告的報(bào)告人姓名并匹配到報(bào)告人信息中；

按照預(yù)設(shè)策略將報(bào)告時(shí)間補(bǔ)充為utc時(shí)間并匹配到報(bào)告人信息中，其中，預(yù)設(shè)策略包括：獲取學(xué)術(shù)報(bào)告對(duì)應(yīng)機(jī)構(gòu)的最新的時(shí)間記為最新時(shí)間，對(duì)所述最新時(shí)間出現(xiàn)不規(guī)范的時(shí)間進(jìn)行規(guī)范化，將12小時(shí)進(jìn)制轉(zhuǎn)化為24小時(shí)進(jìn)制，并按照從整體到部分的捕獲策略得到精準(zhǔn)的年月日時(shí)分，當(dāng)學(xué)術(shù)報(bào)告原數(shù)據(jù)沒(méi)有年份，則使用發(fā)布時(shí)間中的年份，當(dāng)發(fā)布時(shí)間中沒(méi)有年份，則看最新時(shí)間是否為空，若不為空則取最新時(shí)間的年份，否則放入沒(méi)有年份的等待隊(duì)列，當(dāng)報(bào)告至少具有年月日，則將此時(shí)間賦值給所述的最新時(shí)間，并查看所述的沒(méi)有年份的等待隊(duì)列，若其中不為空，則補(bǔ)上年份并從隊(duì)列中去除，其他情況不處理；當(dāng)開(kāi)始時(shí)間缺失時(shí)分、結(jié)束時(shí)間缺失年月日時(shí)分的情況時(shí)，進(jìn)行大致偏好時(shí)間的填補(bǔ)；

在本實(shí)施方式中，使用分詞和模糊匹配技術(shù)深度規(guī)范時(shí)間和細(xì)化報(bào)告人信息；

參照?qǐng)D參照?qǐng)D6，步驟s5具體包括以下步驟：

步驟s51，從前面所有步驟得到的報(bào)告中取出一份報(bào)告，若取完則結(jié)束。

步驟s52，根據(jù)職稱列表從報(bào)告人及其簡(jiǎn)介中匹配出最高職稱，所述職稱列表是根據(jù)已有的報(bào)告人職稱生成的一個(gè)對(duì)應(yīng)列表，列表按職稱詞語(yǔ)包含與被包含、高職位到低職位的順序進(jìn)行排序，每個(gè)職稱可能有著不同的表達(dá)形式，一般由正則表達(dá)式展現(xiàn)；

步驟s53，從報(bào)告人及其簡(jiǎn)介中匹配出報(bào)告人機(jī)構(gòu)，利用分詞算法和一定規(guī)則的正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的機(jī)構(gòu)，并帶上相關(guān)的、正確的前綴、后綴作為此報(bào)告的報(bào)告人單位；

步驟s54，從報(bào)告人及其簡(jiǎn)介中匹配出報(bào)告人精確姓名，利用分詞算法和一定規(guī)則的正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的名字，作為此報(bào)告的報(bào)告人姓名；

步驟s55中，將報(bào)告時(shí)間補(bǔ)充并化為utc時(shí)間，再返回步驟s51；

最后，針對(duì)分析完的數(shù)據(jù)，和數(shù)據(jù)庫(kù)中的信息進(jìn)行一定偏好的匹配，丟棄冗余的數(shù)據(jù)，并將所有分析完畢的報(bào)告信息分條存入數(shù)據(jù)庫(kù)。

參照?qǐng)D7，圖7為本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取方法的三層架構(gòu)示意圖，本發(fā)明提供一個(gè)三層架構(gòu)來(lái)提高可擴(kuò)展性，即規(guī)范-合并-模式架構(gòu)；規(guī)范：解決標(biāo)簽格式多樣性問(wèn)題，提供一個(gè)可供定制的匹配選擇，使用戶可以在為新的網(wǎng)頁(yè)情況輕松得擴(kuò)展；合并：主要解決結(jié)尾位置問(wèn)題，使用黑名單方式進(jìn)行處理，不在名單中的可以去除，保證能正確的結(jié)尾；模式：一個(gè)網(wǎng)頁(yè)報(bào)告中可能有多個(gè)相同屬性的標(biāo)簽，比如多個(gè)報(bào)告時(shí)間、多個(gè)報(bào)告人簡(jiǎn)介等等，這里就是解決一頁(yè)多報(bào)告、多報(bào)告共享屬性等標(biāo)簽歸屬問(wèn)題，并進(jìn)行人工修改評(píng)測(cè)。這個(gè)架構(gòu)擺脫了傳統(tǒng)提取信息時(shí)最小粒度依賴于dom樹(shù)節(jié)點(diǎn)的分類，并利用了屬性順序特征分類，考慮到了內(nèi)容之間序的關(guān)系，本發(fā)明為了更高的利用所需信息，本發(fā)明利用屬性之間的一定聯(lián)系進(jìn)行深層次的信息提取、規(guī)范，如根據(jù)發(fā)布時(shí)間、時(shí)間及其前后的時(shí)間規(guī)范補(bǔ)充非標(biāo)準(zhǔn)時(shí)間，根據(jù)報(bào)告人、報(bào)告人簡(jiǎn)介用分詞、規(guī)則匹配方式得到更細(xì)的姓名、職稱、機(jī)構(gòu)，從而一定的克服了節(jié)點(diǎn)內(nèi)精細(xì)內(nèi)容的匹配問(wèn)題。

參照?qǐng)D2，本發(fā)明提出的一種網(wǎng)頁(yè)學(xué)術(shù)報(bào)告信息抽取系統(tǒng)，包括：

替換分割模塊，用于將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和學(xué)術(shù)報(bào)告的內(nèi)容開(kāi)頭替換為對(duì)應(yīng)的固定表示標(biāo)記，并根據(jù)相鄰兩個(gè)固定表示標(biāo)記對(duì)學(xué)術(shù)報(bào)告進(jìn)行分割，得到初步分割結(jié)果集合；

替換分割模塊，具體用于：將html轉(zhuǎn)義字符還原，并將表示開(kāi)始、結(jié)束標(biāo)記的html代碼替換為表示結(jié)尾的固定表示標(biāo)記；依次替換題目、報(bào)告人、時(shí)間、地點(diǎn)、報(bào)告人簡(jiǎn)介、報(bào)告簡(jiǎn)介、主辦單位的內(nèi)容開(kāi)頭標(biāo)識(shí)為相應(yīng)的固定表示標(biāo)記；

具體的，替換分割模塊，還用于：將學(xué)術(shù)報(bào)告網(wǎng)頁(yè)html標(biāo)簽和內(nèi)容開(kāi)頭標(biāo)識(shí)替換為對(duì)應(yīng)的固定表示標(biāo)記，其中所述固定表示標(biāo)記代表的標(biāo)記類別是唯一的；

在本實(shí)施方式中，獲取學(xué)術(shù)網(wǎng)頁(yè)并對(duì)其中的html標(biāo)簽及屬性標(biāo)簽進(jìn)行規(guī)范化的處理，即將html標(biāo)簽及屬性標(biāo)簽聯(lián)合起來(lái)得到更細(xì)致的劃分點(diǎn)，其中，所述屬性標(biāo)簽為學(xué)術(shù)報(bào)告中特有的、表示內(nèi)容屬性的標(biāo)記，例如“報(bào)告人：”、“報(bào)告人簡(jiǎn)介：”。

黑名單模塊，用于刪除初步分割結(jié)果集合中匹配預(yù)設(shè)黑名單的初步分割結(jié)果，得到有效分割結(jié)果集合；

黑名單模塊，具體用于：黑名單為一組模糊匹配方法的集合，黑名單包括所有屬性適用黑名單和單一屬性適用黑名單，其中，所述屬性為目標(biāo)學(xué)術(shù)報(bào)告中一段內(nèi)容的類別特征；

在本實(shí)施方式中，根據(jù)建立的多樣化黑名單確定結(jié)尾的位置，這是一種分類的方式，其中，所述黑名單是指一組模糊匹配方法的集合，可以是一組正則表達(dá)式，用于確定內(nèi)容是否屬于當(dāng)前屬性。

內(nèi)容提取模塊，用于獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，再根據(jù)各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置合并提取出各有效分割結(jié)果對(duì)應(yīng)的屬性內(nèi)容；

內(nèi)容提取模塊，具體用于：獲取有效分割結(jié)果集合中各有效分割結(jié)果的開(kāi)頭位置和結(jié)尾位置，其中有效分割結(jié)果起始位置為有效分割結(jié)果的開(kāi)頭位置，有效分割結(jié)果中連續(xù)空白內(nèi)容出現(xiàn)次數(shù)達(dá)到預(yù)設(shè)次數(shù)的位置為有效分割結(jié)果的結(jié)尾位置。

在本實(shí)施方式中，由開(kāi)頭和結(jié)尾的位置合并提取出所有不同屬性的內(nèi)容。

報(bào)告分類模塊，用于判斷內(nèi)容提取模塊中屬性是否出現(xiàn)重復(fù)，當(dāng)判斷結(jié)果為是時(shí)，表示網(wǎng)頁(yè)有多個(gè)學(xué)術(shù)報(bào)告，此時(shí)根據(jù)屬性排列方式將不同屬性對(duì)應(yīng)的屬性內(nèi)容分配到相應(yīng)的學(xué)術(shù)報(bào)告中；；

報(bào)告分類模塊，具體用于：判斷內(nèi)容提取模塊中屬性是否出現(xiàn)重復(fù)，其中所述屬性不包括舉辦單位；

具體的，報(bào)告分類模塊，還用于：當(dāng)某個(gè)屬性在多個(gè)學(xué)術(shù)報(bào)告中出現(xiàn)且僅出現(xiàn)一次時(shí)，將此屬性添加到其他學(xué)術(shù)報(bào)告中。

報(bào)告分類模塊，還用于：根據(jù)同一頁(yè)面下不同報(bào)告的屬性缺失差異、每個(gè)報(bào)告的屬性缺失狀況、黑白名單關(guān)鍵字的判斷、屬性字符長(zhǎng)度的限制對(duì)分析結(jié)果進(jìn)行可信任程度評(píng)估；

在本實(shí)施方式中，根據(jù)類別內(nèi)容的屬性的排列方式確定類別內(nèi)容的屬性分屬哪一個(gè)報(bào)告，達(dá)到分離一個(gè)網(wǎng)頁(yè)的多個(gè)報(bào)告的效果。

內(nèi)容補(bǔ)充模塊，獲取學(xué)術(shù)報(bào)告的報(bào)告人信息和時(shí)間并匹配到學(xué)術(shù)報(bào)告中報(bào)告人信息和時(shí)間中；

內(nèi)容補(bǔ)充模塊，具體用于：

根據(jù)已有報(bào)告人職稱生成一個(gè)對(duì)應(yīng)列表，將列表按職稱詞語(yǔ)包含與被包含的順序由高職位到低職位的順序進(jìn)行排序，再根據(jù)職稱生成的對(duì)應(yīng)列表在報(bào)告人和報(bào)告人簡(jiǎn)介中提取出職稱最高的作為此報(bào)告職稱并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的機(jī)構(gòu)，并結(jié)合相關(guān)的、正確的前綴、后綴作為此報(bào)告的報(bào)告人單位并匹配到報(bào)告人信息中；

利用分詞算法和正則匹配方法分離出報(bào)告人、報(bào)告人簡(jiǎn)介中的名字，作為此報(bào)告的報(bào)告人姓名并匹配到報(bào)告人信息中；

按照預(yù)設(shè)策略將報(bào)告時(shí)間補(bǔ)充為utc時(shí)間并匹配到報(bào)告人信息中，其中，預(yù)設(shè)策略包括：獲取學(xué)術(shù)報(bào)告對(duì)應(yīng)機(jī)構(gòu)的最新的時(shí)間記為最新時(shí)間，對(duì)所述最新時(shí)間出現(xiàn)不規(guī)范的時(shí)間進(jìn)行規(guī)范化，將12小時(shí)進(jìn)制轉(zhuǎn)化為24小時(shí)進(jìn)制，并按照從整體到部分的捕獲策略得到精準(zhǔn)的年月日時(shí)分，當(dāng)學(xué)術(shù)報(bào)告原數(shù)據(jù)沒(méi)有年份，則使用發(fā)布時(shí)間中的年份，當(dāng)發(fā)布時(shí)間中沒(méi)有年份，則看最新時(shí)間是否為空，若不為空則取最新時(shí)間的年份，否則放入沒(méi)有年份的等待隊(duì)列，當(dāng)報(bào)告至少具有年月日，則將此時(shí)間賦值給所述的最新時(shí)間，并查看所述的沒(méi)有年份的等待隊(duì)列，若其中不為空，則補(bǔ)上年份并從隊(duì)列中去除，其他情況不處理；當(dāng)開(kāi)始時(shí)間缺失時(shí)分、結(jié)束時(shí)間缺失年月日時(shí)分的情況時(shí)，進(jìn)行大致偏好時(shí)間的填補(bǔ)。

本實(shí)施方式擴(kuò)大了dom樹(shù)節(jié)點(diǎn)細(xì)化的能力，提高了規(guī)則適用性，利用了屬性順序特征分類。利用同信息連續(xù)展現(xiàn)特性等，將分類任務(wù)化為文本切割位置的選擇任務(wù)，從而準(zhǔn)確、規(guī)范并易于擴(kuò)展地提取和整理學(xué)術(shù)報(bào)告信息。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。