(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 202210373116.4 (22)申请日 2022.04.11 (71)申请人 税友软件集团股份有限公司 地址 310053 浙江省杭州市滨江区浦沿街 道南环路3738号 (72)发明人 郑庆华　关海山　郑玉龙　魏笔凡　 施建生　张镇潮　董博　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 王燕 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 40/211(2020.01) G06F 40/30(2020.01)G06N 3/08(2006.01) (54)发明名称 税收优惠文档特征提取方法、 装置、 电子设 备及存储介质 (57)摘要 本发明提供一种税收优惠文档特征提取方 法、 装置、 电子设备及存储介质， 涉及税务信息处 理领域， 方法包括： 获取税收优惠文档， 并对税收 优惠文档进行分割， 得到初始条款文本； 利用第 一神经网络模型提取初始条款文本中的税收优 惠条款文本； 利用预设的特征提取正则表达式 和/或第二神经网络模型提取税收优惠条款文本 中不同预设特征类型的特征信息； 根据预设特征 类型将特征信息保存至数据库； 可采用正则表达 式和神经网络模型提取税收优惠文档中的特征 信息， 其中正则表达式可提取结构特征较为明显 的特征信息， 神经网络模型可提取结构较为离散 且无明显规律的特征信息， 进而有效提升对税收 优惠文档中特征信息的提取效率， 便于税务领域 可用数据集的生成。 权利要求书2页 说明书11页 附图1页 CN 114722151 A 2022.07.08 CN 114722151 A 1.一种税收优惠文档特 征提取方法， 其特 征在于， 包括： 获取税收优惠文档， 并对所述税收优惠文档进行分割， 得到初始条款文本； 利用第一神经网络模型提取 所述初始条款文本中的税收优惠条款文本； 利用预设的特征提取正则表达 式和/或第 二神经网络模型提取所述税收优惠条款文本 中不同预设特 征类型的特 征信息； 根据所述预设特 征类型将所述特 征信息保存至数据库。 2.根据权利要求1所述的税收优惠文档特征提取方法， 其特征在于， 所述利用预设的特 征提取正则表达式提取 所述税收优惠条款文本中不同预设特 征类型的特 征信息， 包括： 利用目标预设特征类型对应的特征提取正则表达式从所述税收优惠条款文本中提取 所述目标 预设特征类型对应的特 征信息。 3.根据权利要求1所述的税收优惠文档特征提取方法， 其特征在于， 所述对所述税收优 惠文档进行分割， 得到初始条款文本， 包括： 利用预设索引确定所述初始条款文本在所述税收优惠文档中的文本位置； 在所述文本位置利用预设的文本分割正则表达 式对所述税收优惠文档进行分割， 得到 所述初始条款文本 。 4.根据权利要求1所述的税收优惠文档特征提取方法， 其特征在于， 所述获取税收优惠 文档， 包括： 利用预设爬虫程序在指定网站中获取 所述税收优惠文档。 5.根据权利要求1至4任一项所述的税收优惠文档特征提取方法， 其特征在于， 所述第 一神经网络模 型为BERT模型， 所述利用第一神经网络模 型提取所述初始条款文本中的税收 优惠条款文本， 包括： 判断所述初始条款文本的文本 长度是否等于预设上限长度； 若是， 则将所述初始条款文本设置为待处 理文本； 若否， 则对所述初始条款文本进行填充或截取， 直至完成处理的文本长度等于所述预 设上限长度， 得到所述待处 理文本； 在所述待处理文本首部添加预设标记， 并将完成添加的待处理文本转换为词嵌入向 量； 将所述词嵌入向量输入所述第 一神经网络模型， 以使所述第 一神经网络模型对接收到 的词嵌入向量进行 特征提取， 得到第一隐藏层向量； 利用线性连接层对所述预设标记在所述第 一隐藏层向量中对应的特征向量进行降维， 得到第一输出向量； 所述第一输出向量的维度值 为二； 利用所述第一输出向量及Softmax函数确定所述初始条款文本对应的分类标签； 所述 分类标签为税收优惠相关或税收优惠无关； 将所述分类标签为所述税收优惠相关的初始条款文本设置为所述税收优惠条款文本 。 6.根据权利要求5所述的税收优惠文档特征提取方法， 其特征在于， 所述第 二神经网络 模型为所述BERT模型， 所述利用第二神经网络模型提取所述税收优惠条款文本中不同预设 特征类型的特 征信息， 包括： 将所述税收优惠条款文本对应的词嵌入向量输入目标预设特征类型对应的第二神经 网络模型， 以使 所述目标预设特征类型的第二神经网络模型对接收到的词嵌入向量进 行特权　利　要　求　书 1/2 页 2 CN 114722151 A 2征提取， 得到第二隐藏层向量； 利用双向长短时记忆层及线性连接层对所述第 二隐藏层向量进行降维， 得到第 二输出 向量； 所述第二输出向量的维度值 为所述预设特 征类型的数量； 利用条件随机场层对所述第二输出向量进行约束处 理， 得到标注序列； 利用所述标注序列从所述税收优惠条款文本中提取所述目标预设特征类型对应的特 征信息。 7.根据权利要求5所述的税收优惠文档特征提取方法， 其特征在于， 所述对所述初始条 款文本进行填充或截取， 包括： 若所述文本长度小于所述预设上限长度， 则在所述初始条款文本中填充空字符， 并将 完成填充的初始条款文本设置为所述待处 理文本； 若所述文本长度大于所述预设上限长度， 则将所述初始条款文本切分为句子， 并确定 所述句子的句子 长度； 若所述句子 长度等于所述预设上限长度， 则将所述句子设置为所述待处 理文本； 若所述句子长度小于所述预设上限长度， 则在所述句子中填充空字符， 并将完成填充 的句子设置为所述待处 理文本； 若所述句子的句子长度 大于所述预设上限长度， 则从所述句子的头部提取第 一预设长 度的第一字符串， 以及从所述句 子的尾部提取第二预设长度的第二字符串， 将所述第一字 符串和所述第二字符串 进行拼接， 并将拼接结果设置为所述待处 理文本。 8.一种税收优惠文档特 征提取装置， 其特 征在于， 包括： 文档获取及 分割模块， 用于获取税收优惠文档， 并对所述税收优惠文档进行分割， 得到 初始条款文本； 税收优惠条款文本提取模块， 用于利用第 一神经网络模型提取所述初始条款文本 中的 税收优惠条款文本； 特征提取模块， 用于利用预设的特征提取正则表达式和/或第二神经网络模型提取所 述税收优惠条款文本中不同预设特 征类型的特 征信息； 保存模块， 用于根据所述预设特 征类型将所述特 征信息保存至数据库。 9.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1至7任一项所述的税收优惠文档 特征提取方法。 10.一种存储介质， 其特征在于， 所述存储介质中存储有计算机可执行指令， 所述计算 机可执行指令被处理器加载并执行时， 实现如权利要求 1至7任一项 所述的税收优惠 文档特 征提取方法。权　利　要　求　书 2/2 页 3 CN 114722151 A 3