CN113742483A

CN113742483A - 文档分类的方法、装置、电子设备和存储介质

Info

Publication number: CN113742483A
Application number: CN202110994014.XA
Authority: CN
Inventors: 李煜林; 庾悦晨; 钦夏孟; 章成全; 姚锟; 韩钧宇; 刘经拓
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-08-27
Filing date: 2021-08-27
Publication date: 2021-12-03
Also published as: WO2023024614A1

Abstract

本公开提供了一种文档分类的方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于智慧城市和智慧金融场景下。具体实现方案为：一种文档分类的方法，包括：获取待处理文档包括的文本的文本信息和图像信息；基于所述文本信息和所述图像信息进行融合得到融合特征；根据所述融合特征获取所述文本的特征序列；基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别。本公开提供的技术方案解决了文档分类中的文档混淆的技术问题，提升了分类的精度。

Description

文档分类的方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域。

背景技术

文档是一种重要的信息载体，被广泛用于各种商业、办公等场景。在自动化办公或者录入***中，对不同文档进行分类是最关键的流程之一。

发明内容

本公开提供了一种用于文档分类的方法、装置、电子设备和存储介质。

根据本公开的一方面，提供了一种文档分类的方法，包括：

获取待处理文档包括的文本的文本信息和图像信息；

基于所述文本信息和所述图像信息进行融合得到融合特征；

根据所述融合特征获取所述文本的特征序列；

基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别。

根据本公开的第二方面，还提供一种文档分类的装置，包括：

获取模块：获取待处理文档包括的文本的文本信息和图像信息；

融合特征模块：基于所述文本信息和所述图像信息进行融合得到融合特征；

特征序列获取模块：根据所述融合特征获取所述文本的特征序列；

分类模块：基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别。

根据本公开的第三方面，还提供一种文档分类模型的训练方法，包括：

预定义测试文档的类别，并且预定义每个类别文档的正确概率值；

获取测试文档的文本的文本信息和图像信息；

基于所述文本信息和所述图像信息进行处理得到文本的特征序列；

根据所述文本的特征序列，以及预定义测试文档的类别，确定所述测试文档的预测类别和所述测试文档属于每个类别文档的预测概率分布值；

基于所述正确概率值和所述预测概率分布值调整文档分类模型参数，响应于预设条件，获得目标文档分类模型。

根据本公开的第四方面，还提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法技术方案中任一项所述的方法。

根据本公开的第五方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述方法技术方案中任一项所述的方法。

根据本公开的第六方面，还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述方法技术方案中任一项所述的方法。

本公开提供的技术方案具有如下的有益效果：

(1)本公开提供的技术方案提出一种多模态特征融合的文档分类方法。该方法将文字内容、文字图像块和文字的坐标作为输入信息，增强文档特征的语义表达。

(2)本公开提供的技术方案通过搭建深度自注意力网络融合文档的多模态特征，能有效地解决文档混淆，提升分类精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开文档分类的方法的示意图；

图2是根据本公开光学字符识别法的示意图；

图3是根据本公开根据所述文本的特征序列，以及预先定义的文档类别，确定所述文档的类别的示意图；

图4是根据本公开文档分类的装置的示意图；

图5是根据本公开文档分类模型的训练方法的示意图；

图6是用来实现本公开实施例的文档分类的方法的电子设备的框图。

附图标记：

400文档分类的装置

401获取模块 402融合特征模块

403特征序列获取模块 404分类模块

600电子设备 601计算单元

602只读存储器 603随机访问存储器

604总线 605 I/O接口

606输入单元 607输出单元

608存储单元 609通信单元

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

术语解释：

感兴趣区域池化算法：ROI Pooling(RegionOFInterest)；池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合；如果输入是图像的话，那么池化层的最主要作用就是压缩图像。

OCR：光学光学字符识别法，Optical Character Recognition。

现有技术中，处理文档分类的方法包括：人工途径：该途径在于上传人员填报或者审核员人工分类，耗时费力，效率底下；图像分类：通过文档的视觉信息对图像进行分类；文本分类：基于获取的文档文字内容，利用文本进行分类；基于图像和文本内容的分类：分别基于图像和文本获得分类结果，并基于投票或者预定义规则给出最终结果。

目前的文档分类技术大多考虑单一特征的方法，忽略文档排版和文字的关联性。本公开提供的技术方案解决了上述技术问题。

如图1所示，根据本公开的实施例，本公开提供一种文档分类的方法，包括：

S101：获取待处理文档包括的文本的文本信息和图像信息；利用摄像头获取打算分类的文档的图像，可以用手机、相机、平板电脑、扫描仪等获取。图像中必定包含文字信息，否则，也不属于本公开分类的文档。通过文本识别算法获取了图像中的文本、文字信息，是用于文档分类的依据之一；所述图像信息包括图像的颜色特征、纹理特征、形状特征和空间关系特征。

S102：基于所述文本信息和所述图像信息进行融合得到融合特征；

S103：根据所述融合特征获取所述文本的特征序列；

S104：基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别。

本公开将所述文本信息和所述图像信息进行处理，融合得到的可以是行文本，也可以是列文本的特征序列，也可以是其他排列方式的文本。所谓文本的特征序列举个例子，即是有文字如：“我很幸福”，那么该文本的特征序列是：M＝{m_r；r∈[1，4]}；m表示一个单字的特征序列。

将所述文本的特征序列进行处理，并结合预先定义的文档类别确定所述文档的类别。所述预先定义的文档类别，举例如：***中的增值税***、出租车票、通行费、火车票、行程单等票据。对同类型的***进行分类，可以采用本公开的技术方案。也可以是其他类别的文档，例如在医院场景中的病例单，处方单、病案首页、检查报告等文档。

所述文本包括至少一行文本内容；所述获取待处理文档包括的文本的文本信息，包括：获取所述至少一行文本内容和所述至少一行文本内容的位置信息。

获取所述至少一行文本内容和所述至少一行文本内容的位置信息，包括：利用光学字符识别法获取所述至少一行文本。现有的文本识别算法中，多采用所述光学字符识别法，即OCR。利用OCR可以获取所述至少一行文本。

如图2所示，本技术方案中，还包括：

S201：文字检测算法：用于获取所述待处理文档中的所述至少一行文本内容的位置信息；以及，

S202：文字识别算法：用于获取所述至少一行文本内容。所谓的文本包括了文本内容的位置，文本的内容，以及文本的横竖排列、斜向排列或者其他排列方式。本技术方案即可识别行文本，也可识别列文本，也可以是其他排列方式的文本，使得本公开的应用范围较广。文字检测算法包括：EAST算法，其是现有技术，在此不赘述。所述文字检测算法获取的是文档中所述至少一行文本内容的位置信息。具体的输出一行文本内容的左上、右上、左下、右下坐标S＝{s_i；i∈N}。文字识别算法包括：CTC算法，也是现有技术，在此不赘述。所述文字识别算法得到一行文本内容T＝{t_i；i∈N}，定义一行文本内容t_i具有k_i个单字t_i＝{c_ij；j∈k_i}。当OCR识别出了一行文本内容的位置、一行文本的内容，则表示获取了该待处理文档中的文本的文本信息。

所述基于所述文本信息和所述图像信息进行融合得到融合特征，包括：

将所述图像信息和所述至少一行文本内容的位置信息相加，再与所述至少一行文本内容串联，获得融合特征。

获得了文档的所述文本信息和所述图像信息，并对其进行融合是本技术方案不同于现有技术的技术特征。通过融合多模态特征增强文本语义表达。所谓多模态，即是文档的所述文本信息和所述图像信息两个模态。

所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征中的至少一行文本内容中的第一单字特征进行算术平均，并将算术平均的结果与所述至少一行文本中的第一位置特征做乘积，得到文本的特征序列。

所述至少一行文本内容中的第一单字特征，是将至少一行文本内容中每个单字t_i编码成一个768维的向量

该维度也可以是其他的数目。只要能够将所述第一单字特征提取出来即可。所述至少一行文本内容的位置信息中的第一位置特征，是利用池化算法(pooling)提取出的文档中的一行文本在整个文档中的768维的图像信息

该维度也可以是其他数目，但是，必须与单字t_i编码成的向量维度一致；该第一位置特征还包括：对于至少一行文本的4维空间坐标，同样编码为768维的向量

该维度也可以是其他维度，但是必须与单字t_i编码成的向量维度一致。所述至少一行文本的4维空间坐标，即是每段文本的左上、右上、左下、右下坐标。

至此，已经可以对文档进行分类，根据所述文本的特征序列，以及预先定义的文档类别，确定所述文档的类别。

但是，为了进一步增强融合特征在空间、视觉，语义等维度上的信息表示，可以采用基于多层自注意力网络堆叠深度网络的技术方案。

所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征输入堆叠自注意力网络获得增强的融合特征；所述自注意力网络的初始权重为所述融合特征。

所述自注意力网络的表示如下：

H₀＝V

其中，W_l*表示多个学习参数不共享的全连接层的可学习参数矩阵，*为正整数；d表示特征维度，在上述技术方案中为768维；H_l表示第l层自注意力网络的输出；V表示融合特征；σ表示归一化函数，本实施例中，归一化函数采用的是sigmoid函数。将融合特征作为初始权重，逐步堆叠所述H_l。自注意力网络首先使用两个全连接层(W_l1和W_l2)对输入特征H_l-1进行计算，对计算后的特征使用矩阵乘法，并通过sigmoid函数σ进行归一化，从而获得权重矩阵，该权重矩阵再与H_l-1进行相乘得到到新的特征H_l并作为第l层输出。

所述获取所述文本的特征序列，包括：将经过所述自注意力网络输出的特征H_l组成的所述至少一行文本内容中的第二单字特征进行算术平均，并将算术平均的结果与所述一行文本内容中的第二位置特征做乘积，得到文本的特征序列。所述第二单字特征是将所述至少一行文本内容中每个单字t_i编码成一个768维的向量

并且经过上述深度自注意力网络输出的编码后的特征，用x表示。所述第二位置特征是利用池化算法(pooling)提取出的文档中的至少一行文本在整个文档中的768维的图像信息

并且经过上述深度自注意力网络输出的编码后的特征，用y表示，y对应于图像信息F和一行文本内容的位置s的编码后特征。所述768维度是实施例中的一种实现，也可以是其他维度。不过，编码前后都必须保持维度一致。编码后的H表示为：

H＝(x_1，1，x_1，2，...，x_1，k1，x_2，1，x_2，2，...，x_2，k2，...，x_n，1，...，x_n，kn，y₁，...，y_n)

所述将经过所述自注意力网络输出的特征H_l组成的所述至少一行文本内容中的第二单字特征进行算术平均，并将算术平均的结果与所述一行文本内容中的第二位置特征做乘积，得到文本的特征序列。具体实施方式为：针对于一行文本内容(例如第r行，第r列或其他排列方式的第r排序)的所有第二单字特征x_r，*，将这些第二单字特征进行算术平均并将结果与第二位置特征y_r做哈达玛积，得到一行文本内容的特征序列：

M＝{m_r；r∈[1，N]}；

其中，

所述融合特征表示如下：

V＝concat(T，F+S)

其中，T为所述至少一行文本内容中的编码后的单字的向量；F为使用感兴趣区域池化算法提取所述至少一行文本内容在整个图像上的图像信息的向量；S为所述至少一行文本内容的位置编码后的向量；所述T、F和S的向量维度相同。

所述获取待处理文档包括的文本的文本信息和图像信息，包括：利用神经网络提取所述待处理文档的图像信息。所述神经网络包括：卷积神经网络。

如图3所示，所述根据所述文本的特征序列，以及预先定义的文档类别，确定所述文档的类别，包括：

S301：预定义文档类别；首先，确定文档的类别，例如是***或医院检查单据等等。

S302：使用分类器函数获取所述文本的特征序列在所述预定义文档类别上的概率；所述分类器函数包括：softmax函数。

M′＝mean(M)，把文本特征序列M中所有元素m做平均，然后使用一个全连接层到预定义类别大小的向量，然后使用softmax函数映射为概率分布，表示如下：

其中，scores为映射出的概率分布值；fc为全连接层。

S303：取所述概率中概率值最高的所述预定义文档类别作为所述文档的类别。

cls＝argmax(scores)

其中，cls为文档的分类类别，argmax是取最大值的函数。

至此，在融合特征，以及增强融合特征在空间、视觉、语义等维度上的信息表示后，基于所述文本的特征序列进行分类，达到了文档分类的要求。

如图4所示，根据本公开的第二方面，还提供一种文档分类的装置400，包括：

获取模块401：获取待处理文档包括的文本的文本信息和图像信息；

融合特征模块402：基于所述文本信息和所述图像信息进行融合得到融合特征；

特征序列获取模块403：根据所述融合特征获取所述文本的特征序列；

分类模块404：基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别。

所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征中的至少一行文本内容中的第一单字特征进行算术平均，并将算术平均的结果与所述至少一行文本内容中的第一位置特征做乘积，得到文本的特征序列。

所述自注意力网络的表示如下：

H₀＝V

其中，W_l*表示多个学习参数不共享的全连接层的可学习参数矩阵，*为正整数；d表示特征维度；H_l表示第l层自注意力网络的输出；V表示融合特征；σ表示归一化函数。

所述获取所述文本的特征序列，包括：将经过所述自注意力网络输出的特征H_l组成的所述至少一行文本内容中的第二单字特征进行算术平均，并将算术平均的结果与所述一行文本内容中的第二位置特征做乘积，得到文本的特征序列。

所述融合特征表示如下：

V＝concat(T，F+S)

所述获取模块，包括：利用神经网络提取所述待处理文档的图像信息。

所述分类模块，包括：预定义文档类别；

使用分类器函数获取所述文本的特征序列在所述预定义文档类别上的概率；

取所述概率中概率值最高的所述预定义文档类别作为所述文档的类别。

如图5所示，根据本公开的第三方面，还提供一种文档分类模型的训练方法，包括：

S501：预定义测试文档的类别，并且预定义每个类别文档的正确概率值；预定义测试文档的类别，举例如下：例如表格、合同、票据、证照等。正确概率值，举例如下：对应被标注的类别概率为1，其余为0。

S502：获取测试文档的文本的文本信息和图像信息；

S503：基于所述文本信息和所述图像信息进行处理得到文本的特征序列；

S504：根据所述文本的特征序列，以及预定义测试文档的类别，确定所述测试文档的预测类别和所述测试文档属于每个类别文档的预测概率分布值；

S505：基于所述正确概率值和所述预测概率分布值调整文档分类模型参数，响应于预设条件，获得目标文档分类模型。

所述预设条件包括：训练的轮数，训练的时间，训练样本是否已训练完毕；预设条件还可以包括：训练后期模型是否收敛，例如：我们将正确的概率(对应被标注的类别概率为1，其余为0)与预测概率分布使用最小交叉熵函算法计算和优化模型参数，并在固定间隔保存模型快照，等待模型收敛后，即训练后期交叉熵不再下降，获取交叉熵最小的快照版本作为最优的模型用于实际预测。

根据本公开的第四方面，还提供一种电子设备，包括：

至少一个处理器；以及

本公开提供的技术方案将多模态融合在一起，即将文字内容，文字位置和图像信息融合在一起，避免了仅将单一模态的信息进行处理得到文档分类的结果。利用多模态融合在一起的方法，有效的解决了基于文档的视觉属性，局限于文档的板式，无法处理相似文档；解决了使用纯文本进行分类，忽略了文档中内容的视觉排版以及文档中会存在的图片信息，容易导致语义混淆问题；解决了图像和文字的使用相互独立，没有考虑到两种模态信息的相关性，存在相互冲突的可能。本公开提供的技术方案能有效地解决文档混淆，提升分类精度。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如文档分类方法例如，在一些实施例中，文档分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的文档分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文档分类方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种文档分类的方法，包括：

获取待处理文档包括的文本的文本信息和图像信息；

基于所述文本信息和所述图像信息进行融合得到融合特征；

根据所述融合特征获取所述文本的特征序列；

2.根据权利要求1所述的方法，其中，所述文本包括至少一行文本内容；所述获取待处理文档包括的文本的文本信息，包括：获取所述至少一行文本内容和所述至少一行文本内容的位置信息。

3.根据权利要求2所述的方法，其中，所述基于所述文本信息和所述图像信息进行融合得到融合特征，包括：

4.根据权利要求3中所述的方法，其中，所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征中的至少一行文本内容中的第一单字特征进行算术平均，并将算术平均的结果与所述至少一行文本内容中的第一位置特征做乘积，得到文本的特征序列。

5.根据权利要求3所述的方法，其中，所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征输入堆叠自注意力网络获得增强的融合特征；所述自注意力网络的初始权重为所述融合特征。

6.根据权利要求5所述的方法，其中，所述自注意力网络的表示如下：

H₀＝V

7.根据权利要求6所述的方法，其中，所述获取所述文本的特征序列，包括：将经过所述自注意力网络输出的特征H_l组成的所述至少一行文本内容中的第二单字特征进行算术平均，并将算术平均的结果与所述一行文本内容中的第二位置特征做乘积，得到文本的特征序列。

8.根据权利要求3所述的方法，其中，所述融合特征表示如下：

V＝concat(T，F+S)

9.根据权利要求1所述的方法，其中，所述获取待处理文档包括的文本的文本信息和图像信息，包括：利用神经网络提取所述待处理文档的图像信息。

10.根据权利要求1所述的方法，其中，所述基于预先定义的文档类别和所述特征序列，确定所述待处理文档的类别，包括：

预定义文档类别；

11.一种文档分类的装置，包括：

12.根据权利要求11所述的装置，其中，所述文本包括至少一行文本内容；所述获取待处理文档包括的文本的文本信息，包括：获取所述至少一行文本内容和所述至少一行文本内容的位置信息。

13.根据权利要求12所述的装置，其中，所述基于所述文本信息和所述图像信息进行融合得到融合特征，包括：

14.根据权利要求13所述的装置，其中，所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征中的至少一行文本内容中的第一单字特征进行算术平均，并将算术平均的结果与所述至少一行文本内容中的第一位置特征做乘积，得到文本的特征序列。

15.根据权利要求13所述的装置，其中，所述根据所述融合特征获取所述文本的特征序列，包括：将所述融合特征输入堆叠自注意力网络获得增强的融合特征；所述自注意力网络的初始权重为所述融合特征。

16.根据权利要求15所述的装置，其中，所述自注意力网络的表示如下：

H₀＝V

17.根据权利要求16所述的装置，其中，所述获取所述文本的特征序列，包括：将经过所述自注意力网络输出的特征H_l组成的所述至少一行文本内容中的第二单字特征进行算术平均，并将算术平均的结果与所述一行文本内容中的第二位置特征做乘积，得到文本的特征序列。

18.根据权利要求13所述的装置，其中，所述融合特征表示如下：

V＝concat(T，F+S)

19.根据权利要求11所述的装置，其中，所述获取模块，包括：利用神经网络提取所述待处理文档的图像信息。

20.根据权利要求1所述的装置，其中，所述分类模块，包括：

预定义文档类别；

21.一种文档分类模型的训练方法，包括：

获取测试文档的文本的文本信息和图像信息；

22.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

23.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。

24.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。