一种基于文本挖掘的科技文献数据自动抽取方法及系统

摘要

本发明公开了一种基于文本挖掘的科技文献数据自动抽取方法及系统，该方法包括：获取待抽取数据的文件(XML、HTML或纯文本)；提取出XML和HTML文件中的纯文本并过滤掉其中的出版信息和URL信息，形成文本语料；筛选出文本语料中包含预设信息的句子，作为目标句子；对XML和HTML文件进行表格识别与表格解析，并筛选出其中包含预设信息的表格，作为目标表格；对目标句子和目标表格分别进行命名实体识别，识别出其中包含的目标实体，并确定目标实体之间的关系；对同一文献中相互关联的目标实体进行拼接，形成完整的结构化数据集。本发明方案抽取精度高、全流程自动化且易于实现。