公开(公告)号：CN111680127A

公开(公告)日：2020-09-18

申请号：CN202010527938.4

申请日：2020-06-11

Applicant: 暨南大学

Inventor： 潘定 ,  梁倬骞 ,  曹志鹏

IPC: G06F16/33 ,  G06F16/35 ,  G06F40/289 ,  G06K9/62

Abstract: 发明公开了一种面向年报的公司名称和关系抽取方法，一种面向年报的公司名称和关系抽取方法，具体步骤为：步骤1、进行词向量模型的训练，步骤2、对公司关系的分类进行定义，将SVM分类的标签设为三类，分别是非投资关系、投资关系、无关系，步骤3、人工筛选反应公司关系的句子，步骤4、将公司关系文本语料中的句子用jieba分词分词后通过WORD2VEC词向量模型转换成向量表示，本发明涉及关系抽取技术领域。该面向年报的公司名称和关系抽取方法，解决了对于专家的过于依懒以及局限性很大，无法从一套关系模板中拓展出广泛采用的模板的问题。

公开(公告)号：CN111666378A

公开(公告)日：2020-09-15

申请号：CN202010527929.5

申请日：2020-06-11

Applicant: 暨南大学

Inventor： 梁倬骞 ,  潘定 ,  曹志鹏

IPC: G06F16/33 ,  G06F16/35 ,  G06F40/289 ,  G06K9/62

Abstract: 发明公开了一种基于词向量的中文年报标题分类方法，具体步骤为：步骤1、输入企业年报数据集，步骤2、对数据进行人工标注，并划分训练集，步骤3、对数据进行预处理，并训练Word2vector模型，步骤4、待抽取标题的年报通过Word2vector模型进行计算特征向量，步骤5、通过分类抽取得到目录，步骤3预处理具体为分词和去掉停用词，步骤3中Word2vector模型采用CBOW模型，本发明涉及标题分类技术领域。该基于词向量的中文年报标题分类方法，解决了传统的人工提取方式需要耗费巨大的人力和时间成本，而词向量的抽取方法效果差，准确力低的问题。

公开(公告)号：CN110928989A

公开(公告)日：2020-03-27

申请号：CN201911059126.5

申请日：2019-11-01

Applicant: 暨南大学

Inventor： 潘定 ,  梁倬骞 ,  温秋华 ,  曹志鹏 ,  翁秀木

IPC: G06F16/33 ,  G06F16/36 ,  G06F16/903 ,  G06F16/951

Abstract: 本发明公开了一种基于语言模型的年报语料库构建方法，具体步骤为：步骤1、通过网络爬取进行数据收集，并使用PDFBox进行数据提取；步骤2、利用正则表达式进行目录提取；步骤3、运用语言模型进行数据分析；步骤4、进行模型训练并建立语料库，本发明涉及语料库构技术领域。该基于语言模型的年报语料库构建方法，解决了一般的规则对种类繁多、各式各样的标题适应性很差，需要人为不断修改规则进行改良，加上财务报告中含有众多表格，从中产生了许多干扰项，对机器自动识别造成阻碍的问题。

公开(公告)号：CN110889401A

公开(公告)日：2020-03-17

申请号：CN201911059127.X

申请日：2019-11-01

Applicant: 暨南大学

Inventor： 潘定 ,  梁倬骞 ,  温秋华 ,  曹志鹏 ,  翁秀木

IPC: G06K9/20 ,  G06K9/34 ,  G06K9/62

Abstract: 本发明公开了一种基于opencv库的文本版面识别方法，一种基于opencv库的文本版面识别方法，具体步骤为：步骤1、通过Smallpdf将所需pdf文件转成多张图片，每一页pdf一张图；步骤2、使用OpenCV对图片进行膨胀操作；步骤3、调用开源的Tesseract OCR API进行文字识别本发明涉及文本版面识别技术领域。该基于opencv库的文本版面识别方法，解决了常常由于文本标题的格式不规范、不统一的问题，给计算机的自动识别带来困难，最后的提取结果会不够精准，常有赘余，难以广泛应用题的问题。