CN115690816A - 一种文本要素提取方法、装置、设备和介质 - Google Patents
一种文本要素提取方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115690816A CN115690816A CN202211433844.6A CN202211433844A CN115690816A CN 115690816 A CN115690816 A CN 115690816A CN 202211433844 A CN202211433844 A CN 202211433844A CN 115690816 A CN115690816 A CN 115690816A
- Authority
- CN
- China
- Prior art keywords
- text
- element extraction
- extraction
- text element
- file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明实施例公开了一种文本要素提取方法、装置、设备和介质。其中,方法包括:获取待识别文件,并识别其中的文本信息和文件版式;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,提高要素提取的效率和准确率。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种文本要素提取方法、装置、设备和介质。
背景技术
在一些企业或单位的业务运行的各个环节中,会有各种各样的合同文件的流转。若是从各类型的合同文件中提取出关键信息,需要投入时间和人力进行识别,或者通过预先对大量文本内容进行标注,并基于标注结果进行要素抽自动取模型的训练,当有新的文件版式需要进行识别时,就要消耗大量人工标注及模型训练的时间成本。
发明内容
本发明提供了一种文本要素提取方法、装置、设备和介质,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,提高要素提取的效率和准确率。
根据本发明的一方面,提供了一种文本要素提取方法,该方法包括:
获取待识别文件,并识别待识别文件中的文本信息和文件版式;
当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;
根据用户对各待提取文本要素的所述候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;
将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
根据本发明的另一方面,提供了一种文本要素提取装置,该装置包括:
文本处理模块,用于获取待识别文件,并识别待识别文件中的文本信息和文件版式;
第一文本要素提取模块,用于当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;
文本标签确定模块,用于根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;
第二文本要素提取模块,用于将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
根据本发明的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的文本要素提取方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的文本要素提取方法。
本发明实施例的技术方案,通过获取待识别文件,并识别待识别文件中的文本信息和文件版式;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。本发明实施例的技术方案,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,提高要素提取的效率和准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种文本要素提取方法的流程图;
图2是本发明实施例提供的另一种文本要素提取方法的流程图;
图3是本发明实施例提供的又一种文本要素提取方法的流程图;
图4是本发明实施例提供的一种文本要素提取装置的结构框图;
图5是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明实施例提供的一种文本要素提取方法的流程图,本实施例可适用于文本要素提取的场景中,如各式合同的文本要素提取。该方法可以由一种文本要素提取装置来执行,该一种文本要素提取装置可以采用硬件和/或软件的形式实现,也可以配置于电子设备中。
如图1所示,一种文本要素提取方法包括以下步骤:
S110、获取待识别文件,并识别待识别文件中的文本信息和文件版式。
文本信息是表示文本中文字信息的内容,文本信息在待识别文件中的呈现形式可以图片、表格和对话等形式。
文件版式用于确定文件中文字信息的排版和布局分类,例如,可以是包括图片、表格和对话中一种或多种呈现形式的文本信息的布局。一种文件版式对应一种文本要素提取模型。
为了便于计算机处理,需要将待识别文件中的不同呈现形式的文本信息转换为计算机可以识别的内容。获取待识别文件之后,可以通过对待识别文件中的文本内容进行数值转换,将非数值转换为数值,空值填充等操作,将待识别文件的文本内容转换为对应的文本向量;然后,进行文字识别,得出识别待识别文件的文本内容对应的文本信息。
空值填充是基于统计学原理,根据初始数据集中其余对象取值的分布情况进行填充。其中,填充补齐的方法包括:人工填写、特殊值填充、平均值填充和K邻近法等。
特殊值填充是将空值作为一种特殊的属性值来处理,它不同于其他的任何属性值,例如,可以将所有的空值都用“unknown”填充。
平均值填充是将初始数据集中的属性分为数值属性和非数值属性来分别进行处理。如果空值是数值型的,就根据该属性在其他所有对象的取值的平均值来填充该缺失的属性值;如果空值是非数值型的,就根据统计学中的众数原理,来补齐该缺失的属性值。与其相似的另一种方法叫条件平均值填充法。条件平均值填充法求平均值的数据并不是从数据集的所有对象中取,而是从与该对象具有相同决策属性值的对象中取,以概率可能的取值来补充缺失的属性值。
K邻近法(K-means clustering)根据欧式距离或相关分析来确定距离具有缺失数据样本邻近的K个样本,将K个样本的值加权平均来估计该样本的缺失数据。
S120、当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签。
可以理解的是,需要根据文件版式设置对应的文本要素提取模型进行文本要素提取,预设文本要素提取模型库中包括各种文件版式和与其对应的文本要素提取模型。
文本要素提取模型是具有分类功能的模型,用于对文本信息进行分类,文本要素提取模型中包括各种文本信息和与其对应的要素标签。要素标签用于表示文本要素的类别,例如可以是名称、代码、地点和数量等标签。常用的分类模型包括逻辑回归、朴素贝叶斯、决策树、支持向量机(Support Vector Machine,SVM)、随机森林和梯度提升树等。其中,逻辑回归(logistic regression)又称logistic回归分析,模型的计算量只有特征的数目有关,模型的训练速度快,内存资源占用小,只需要存储特征权重等信息。对待识别文件来说,可以通过文件版式和文件信息确定它的主题,所以需要通过特征选择来提高朴素贝叶斯分类器的分类效率。决策树(Decision Tree)是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别,对连续性的字段预测效率低。梯度提升树(gradient boosting decision tree,GBDT)在处理多分类问题时,可以采用softmax函数求解。
具体的,当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,不能根据文本要素提取模型库中的要素提取模型直接对待识别文件的文本信息进行分类,因此需要将待识别文件的文本信息对应的文本向量输入到第一文本要素提取模型中,进行文本要素提取,得到各待提取文本要素的一个或多个候选要素标签供用户进行选择。
S130、根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签。
可以理解的是,当第一文本要素提取模型针对待识别文件的文本信息输出对应的一个或多个候选要素,需要人工干预来确定该文本信息对应的要素标签,用户可以通过可视化的人机交互界面进行要素标签的选择;若候选要素标签中没有该文本要素对应的标签,用户也可以新增一个标签作为该文本信息对应的要素标签。将用户选择或新增的要素标签作为待提取文本要素的准确要素标签。
S140、将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
第二文本要素提取模型用于针对准确要素标签对文本信息执行要素提取,得到文本要素模型提取结果。例如,可以是对文本信息中表格的单元格进行要素提取,得到该单元格文本信息对应的要素。
可以理解的是,将标记有准确要素标签对应的待识别文件的文本信息输入到第二文本要素提取模型中,第二文本要素提取模型对该标签对应的待识别文件的文本信息进行文本要素提取,得到待识别文件中的文本信息对应的要素,完成要素提取过程。
在一种可选的实施方式中,该方法还包括:将完成要素提取过程的第二文本要素提取模型保存到预设文本要素提取模型库中,并建立完成要素提取过程的第二文本要素提取模型与文件版式的对应关系。
可以理解的是,需要将完成要素提取过程的第二文本要素提取模型保存到预设文本要素提取模型库中,并建立完成要素提取过程的第二文本要素提取模型与文件版式的对应关系,这样做的好处是:当下次识别到该文本版式时,可以直接从预设文本要素提取模型库读取相关内容,进行文本要素提取,减少了文本要素提取模型训练的时间,进一步提高了文本要素提取的效率。
本发明实施例的技术方案,通过获取待识别文件,并识别待识别文件中的文本信息和文件版式;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。本发明实施例的技术方案,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,提高要素提取的效率和准确率。
图2是本发明实施例提供的另一种文本要素提取方法的流程图,本实施例可适用于文本要素提取的场景中,特别的,适用于各式合同的文本要素提取场景中。本实施例与上述实施例中的一种文本要素提取方法属于同一个发明构思,在上述实施例的基础上进一步的描述了在完成要素提取过程之前,得到最终提取结果的过程。该方法可以由一种文本要素提取装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的电子设备中。
如图2所示,一种文本要素提取方法包括以下步骤:
S210、获取待识别文件,识别待识别文件中的文件版式和文件类型,并分别针对不同文件类型的待识别文件进行文本格式处理,得到目标格式文件内容。
文件类型可以是图片、文档和对话等用于描述具有共同性质和特征的文件所形成的种类。每种版式的文件中包括一种或多种文件类型的内容。
目标格式文件内容是针对不同文件类型设置的,通过对待识别文件进行处理得到预设的格式,例如,对图片和/或文档中的表格进行OCR(optical character recognition)文字识别将其转换为文本格式,也可以是对文档和对话进行空格过滤和字符替换等处理,将其转换为文本的格式,便于计算机对其进行处理。
S220、将目标格式文件内容输入到经过预训练的BERT模型中,得到相应的文本向量矩阵,作为文本信息。
将目标格式文件内容输入到经过预训练的BERT模型中,对目标格式文件的文字内容进行特征提取,得到对应的文本向量矩阵,作为文本信息。
预训练语言表征模型(Bidirectional Encoder Representation fromTransformers,BERT)是一个双向编码模型,BERT使用的是Transformer算法,Transformer算法基于多头注意力(Multi-Head attention)机制,而BERT又堆叠了多个Transfromer模型,并通过调节所有层中的双向Transformer来预先训练双向深度表示,而且预训练的BERT模型可以通过对一个额外的输出层进行设置,适用性广,减少重复性的模型训练工作。
BERT模型的基本步骤:首先,随机遮盖或替换文字的内容中的一句话里面任意字或词,然后在预训练中让模型通过上下文的理解预测那一个被遮盖或替换的部分,之后做的时候只对遮盖部分的内容进行预测;然后在报告的内容中选出连续的上下文语句,并使用Transformer模型识别语句的连续性,实现通过上下文进行双向预测的BERT模型;载入预训练好的BERT模型,在目标格式文件内容上再继续训练。
Transformer模型可以实现并行计算,是一个编码模块-解码模块的结构。其中,编码模块由多层编码器组成,解码模块也是由相同层数的解码器(Decoder)组成,每个编码器由两个子层组成:Self-Attention层(自注意力层)和FFN(前馈网络,Position-wise FeedForward Network)。编码器的输入会先流入Self-Attention层。用于使编码器在对特定词进行编码时使用输入句子中的其他词的信息,然后,Self-Attention层的输出会流入前馈网络;解码器也有Self-Attention层和FNN,但是它们之间还有一个注意力层,用于使解码器关注输入的目标格式文件内容的相关部分。
S230、当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签。
其中,第一文本要素提取模型是基于长短期记忆(Long Short-Term Memory,LSTM)训练得到的神经网络模型。
LSTM是一种时间循环神经网络,含有LSTM区块(blocks)或其他的一种类神经网络,可以记忆不定时间长度的数值,区块中有一个门决定输入是否能被记住及是否被输出。LSTM的变体包括:双向循环神经网络和深层循环神经网络。双向循环神经网络的主体结构是由两个单向循环神经网络组成的。在每一个时刻,输入会同时提供给这两个方向相反的循环神经网络,而输出则是由这两个单向循环神经网络共同决定;深层循环神经网络是为了增强模型的表达能力,在每一个时刻上将循环体结构复制多次,每一层的循环体中参数是一致的,而不同层中的参数可以不同。
S240、根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签。
S250、将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
第二文本要素提取模型也可以是基于长短期记忆训练得到的神经网络模型。
本发明实施例的技术方案,通过获取待识别文件,识别待识别文件中的文件版式和文件类型,并分别针对不同文件类型的待识别文件进行文本格式处理,得到目标格式文件内容;将目标格式文件内容输入到经过预训练的BERT模型中,得到相应的文本向量矩阵,作为文本信息;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。本实施例的技术方案,对待识别文件的文件内容处理得到对应的文本向量矩阵,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,进一步提高要素提取的效率和准确率。
图3是本发明实施例提供的又一种文本要素提取方法的流程图,本实施例可适用于文本要素提取的场景中,尤其适用于对各式合同进行文本要素提取的场景中。本实施例与上述实施例中的一种文本要素提取方法属于同一个发明构思,在上述实施例的基础上进一步的描述了在完成要素提取模型之前,根据预先配置的要素提取规则对文本信息进行要素提取的过程。该方法可以由一种文本要素提取装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的电子设备中。
如图3所示,一种文本要素提取方法包括以下步骤:
S310、获取待识别文件,并识别待识别文件中的文本信息和文件版式。
S320、当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签。
S330、根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签。
S340、将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果。
S350、根据预先配置的要素提取规则对文本信息进行要素提取,得到文本要素规则提取结果。
在一种可选的实施方式中,第二文本要素提取模型中还预先配置了要素提取规则,用于对文本信息进行要素提取,得到文本要素规则提取结果。
进一步的,根据预先配置的要素提取规则对文本信息进行要素提取,包括:
首先,针对待识别文件中的表格,识别表格的框线并确定表格中各单元格位置信息,基于单元格位置信息和单元内文本语义信息进行要素提取。
单元格位置信息用于表示单元格在待识别文件中位置,例如,可以是坐标等。
具体的,首先,通过OCR(optical character recognition,光学字符识别)算法对待识别文件中的表格进行识别,得到识别表格的框线并确定表格中各单元格位置信息;然后,基于单元格位置信息和单元内文本语义信息进行要素提取。
OCR算法是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,用字符识别方法将形状翻译成计算机文字的过程。具体的,对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的过程。
使用OCR算法进行表格识别主要包括三个步骤:文本检测、文本识别和表格结构识别。
(1)、文本检测:识别出文本的坐标值和文本框。
(2)、文本识别:识别出文本框中的值也就是文本框中的文字。
(3)、表格结构识别:识别出表格结构和单元格坐标。
具体的,通过OCR算法实现要素提取主要包括以下步骤:
1、图像输入:对于不同的图像格式有对应的存储格式和压缩方式。
2、图像预处理:主要包括二值化,噪声去除、字符切割和倾斜较正等方法。
二值化:输入的骨科耗材的原始图像是彩色图像,为了加快识别速度,提高识别效率,对于彩色图像的内容,可以将图像分为前景与背景,对应的图像只包括前景信息与背景信息,可以定义前景信息为黑色,背景信息为白色,完成二值化。
常用的噪声去除方法是:使用一个一维的离散微分模板在一个方向上或者同时在水平和垂直两个方向上对骨科耗材的原始图像进行处理。
字符切割:用于解决骨科耗材的原始图像造成的字符粘连的问题,需要OCR分析算法进行字符切割,将原始图像中的字符切割成单个字符的图像。
倾斜校正:用于解决原始图像倾斜的问题,需要在字符识别之前进行倾斜校正,校正原始图像的方向。
3、进行文本检测:对经过预处理的文本图像进行文本检测,通过文本检测模型识别出文本所在的文本框和文本框对应的坐标值。
用于文本检测的算法主要包括基于回归和基于分割这两类算法。例如,可以是基于回归的算法:EAST(Efficient and Accuracy Scene Text,高效而准确的场景文本检测)算法和TextBoxes算法等算法、或基于分割的DBNet算法、PAN算法和FCENet算法等。
4、进行文本识别:可以通过模板匹配进行字符识别,识别出图像中存在的文本框中的文字和对应的文字的坐标。
具体的,使用模板匹配进行字符识别:首先,制作字符模板,模板的要求是与要识别的字符的字体格式一致;然后,进行字符模板归一化,使用归一化后的字符模板识别可以提升运算速度;最后,进行字符识别,将待识别字符与字符模板做同样的归一化处理,遍历与字符模板比较,先将待识别字符和字符模板作差,然后计算作差后的图像的总像素值,与设定的字符阈值比较,如果小于设定的字符阈值,则表示该待识别字符和该模板是同一个字符。
5、进行表格结构识别:识别表格的框线并确定表格中各单元格位置信息。
6、文字拼接:首先,将表格的各单元格位置信息与文本框中的文字的坐标进行聚合;其次,对文本框进行排序,从上到下,从左到右进行排序;根据文本框中的文字的坐标找到对应的单元格;然后,对单元格内的文字进行拼接,最终得到单元格内的文本;最后,根据预先设置的表格单元格的位置信息和单元格内文本的对应关系,对当前表格的含有文本的单元格进行要素提取,完成该待识别文件中的表格的要素提取。
然后,针对待识别文件中的文本内容,对文本内容进行段落划分,并基于段落划分结果,按照预设正则匹配策略进行段落要素提取。
正则匹配策略通过正则表达式(regular expression,regex)实现,正则表达式又称规则表达式,是由字符和特殊符号组成的字符串,表达了对字符串的一种过滤逻辑,通过按照预设模式匹配一系列有相似特征的字符串实现段落划分,例如,段落可以设定为连续一行或多行,且每行至少有一个字符,行与行之间有换行符,还可以设定关于空白字符的匹配。
用户可以通过可视化人机交互界面对正则匹配策略进行选择,例如,可以选择前后段落的拼接距离,选择文本的当前段落与设定数量的相邻段落进行拼接,相邻段落包括当前段落的向前段落和/或向后段落,可以选择向前拼接一段或两段。
具体的,针对待识别文件中的文本内容,用户可以通过可视化人机交互界面进行选择正则匹配策略,选择前后段落的拼接距离,按照预设模式匹配一系列有相似特征的字符串实现段落划分,进行段落要素提取。
S360、当任一待提取文本要素的文本要素模型提取结果和文本要素规则提取结果不一致时,按照预设结果选取策略,在文本要素模型提取结果和文本要素规则提取结果中确定最终提取结果。
预设结果选取策略是针对文本要素模型提取结果和文本要素规则提取结果进行对比和去重,去除文本要素模型提取结果和文本要素规则提取结果中相同的内容,找到文本要素模型提取结果和文本要素规则提取结果中不一致的内容。
具体的,先定义一个新的数组,用于存储文本要素模型提取结果和文本要素规则提取结果中不重复的要素;利用循环遍历文本要素模型提取结果的每个要素,与文本要素规则提取结果中的每个要素进行比较;如果没有重复的要素就把该要素存入新集合;如果循环结束后新集合的长度与新集合的循环变量相等,那么说明新集合中没有与文本要素规则提取结果重复的元素。
可以理解的是,针对待识别文件的文本信息,通过文本要素提取模型得到的得到文本要素模型提取结果,与根据预先配置的要素提取规则得到的文本要素规则提取结果可能会不一致。当结果不一致时,将根据预先配置的要素提取规则得到的文本要素提取结果作为最终提取结果。
进一步的,该方法还包括:对待识别文件的最终要素提取结果进行格式和/或内容修正处理。
可以理解的是,需要对待识别文件的最终要素提取结果进行校验和修改,例如,可以针对英文单词拼写、英文单词大小写、标点符号、人名、地名和中文数字大小写等进行校验和修改。
本发明实施例的技术方案,通过获取待识别文件,并识别待识别文件中的文本信息和文件版式;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中;根据预先配置的要素提取规则对文本信息进行要素提取,得到文本要素规则提取结果。当任一待提取文本要素的文本要素模型提取结果和文本要素规则提取结果不一致时,按照预设结果选取策略,在文本要素模型提取结果和文本要素规则提取结果中确定最终提取结果。本实施例的技术方案,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,进一步提高要素提取的效率和准确率。
图4是本发明实施例提供的一种文本要素提取装置的结构框图,本实施例可适用于文本要素提取的场景中,该装置可以采用硬件和/或软件的形式实现,集成于具有应用开发功能的电子设备中。
如图4所示,一种文本要素提取装置包括:文本处理模块410、第一文本要素提取模块420、文本标签确定模块430和第二文本要素提取模块440。
其中,文本处理模块410,用于获取待识别文件,并识别待识别文件中的文本信息和文件版式;
第一文本要素提取模块420,用于当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;
文本标签确定模块430,用于根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;
第二文本要素提取模块440,用于将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
本发明实施例的技术方案,通过获取待识别文件,并识别待识别文件中的文本信息和文件版式;当在预设文本要素提取模型库中未匹配到与文件版式对应的要素提取模型时,将文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;根据用户对各待提取文本要素的候选要素标签的标签选择操作,确定各待提取文本要素的准确要素标签;将标记有准确要素标签的文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程,解决了开发对新的文件版式进行要素提取的算法模型效率低的问题,实现了高效地对基础文本要素提取模型算法进行优化,提高要素提取的效率和准确率。
可选的,该装置用于:
将完成要素提取过程的第二文本要素提取模型保存到预设文本要素提取模型库中,并建立完成要素提取过程的第二文本要素提取模型与文件版式的对应关系。
可选的,文本处理模块410用于:
识别待识别文件中的文件类型,并分别针对不同文件类型的待识别文件进行文本格式处理,得到目标格式文件内容;
将目标格式文件内容输入到经过预训练的BERT模型中,得到相应的文本向量矩阵,作为文本信息。
可选的,第二文本要素提取模块440用于:
根据预先配置的要素提取规则对文本信息进行要素提取,得到文本要素规则提取结果;
当任一待提取文本要素的文本要素模型提取结果和文本要素规则提取结果不一致时,按照预设结果选取策略,在文本要素模型提取结果和文本要素规则提取结果中确定最终提取结果。
可选的,第二文本要素提取模块440还用于:
针对待识别文件中的表格,识别表格的框线并确定表格中各单元格位置信息,基于单元格位置信息和单元内文本语义信息进行要素提取;
针对待识别文件中的文本内容,对文本内容进行段落划分,并基于段落划分结果,按照预设正则匹配策略进行段落要素提取。
可选的,该装置还用于:
对待识别文件的最终要素提取结果进行格式和/或内容修正处理。
本发明实施例所提供的一种文本要素提取装置可执行本发明任一实施例所提供的一种文本要素提取方法,具备执行方法相应的功能模块和有益效果。
图5是本发明的实施例提供的一种电子设备的结构框图。电子设备10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、大型计算机或其它适合的计算机。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(如头盔、眼镜、手表等)或其它类似的计算装置。本文所示的部件、它们的连接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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘或鼠标等;输出单元17,例如各种类型的显示器或扬声器等;存储单元18,例如磁盘或光盘等;以及通信单元19,例如网卡、调制解调器或无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、数字信号处理器(DSP)、任何适当的处理器、控制器或微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种文本要素提取方法。
在一些实施例中,一种文本要素提取方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种文本要素提取方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种文本要素提取方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行或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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,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电子设备。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)、区块链网络和互联网。
计算***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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种文本要素提取方法,其特征在于,包括:
获取待识别文件,并识别所述待识别文件中的文本信息和文件版式;
当在预设文本要素提取模型库中未匹配到与所述文件版式对应的要素提取模型时,将所述文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;
根据用户对所述各待提取文本要素的所述候选要素标签的标签选择操作,确定所述各待提取文本要素的准确要素标签;
将标记有所述准确要素标签的所述文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将完成所述要素提取过程的第二文本要素提取模型保存到所述预设文本要素提取模型库中,并建立完成所述要素提取过程的第二文本要素提取模型与所述文件版式的对应关系。
3.根据权利要求1所述的方法,其特征在于,所述识别所述待识别文件中的文本信息,包括:
识别所述待识别文件中的文件类型,并分别针对不同文件类型的待识别文件进行文本格式处理,得到目标格式文件内容;
将所述目标格式文件内容输入到经过预训练的BERT模型中,得到相应的文本向量矩阵,作为所述文本信息。
4.根据权利要求1所述的方法,其特征在于,所述第一文本要素提取模型和所述第二文本要素提取模型是基于长短期记忆循环神经网络训练得到的神经网络模型。
5.根据权利要求1所述的方法,其特征在于,在完成要素提取过程之前,所述方法还包括:
根据预先配置的要素提取规则对所述文本信息进行要素提取,得到文本要素规则提取结果;
当任一待提取文本要素的文本要素模型提取结果和文本要素规则提取结果不一致时,按照预设结果选取策略,在所述文本要素模型提取结果和所述文本要素规则提取结果中确定最终提取结果。
6.根据权利要求5所述的方法,其特征在于,所述根据预先配置的要素提取规则对所述文本信息进行要素提取,包括:
针对所述待识别文件中的表格,识别所述表格的框线并确定所述表格中各单元格位置信息,基于所述单元格位置信息和单元格内文本语义信息进行要素提取;
针对所述待识别文件中的文本内容,对所述文本内容进行段落划分,并基于段落划分结果,按照预设正则匹配策略进行段落要素提取。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述方法还包括:
对所述待识别文件的最终要素提取结果进行格式和/或内容修正处理。
8.一种文本要素提取装置,其特征在于,包括:
文本处理模块,用于获取待识别文件,并识别所述待识别文件中的文本信息和文件版式;
第一文本要素提取模块,用于当在预设文本要素提取模型库中未匹配到与所述文件版式对应的要素提取模型时,将所述文本信息输入到第一文本要素提取模型中,得到各待提取文本要素的至少一个候选要素标签;
文本标签确定模块,用于根据用户对所述各待提取文本要素的所述候选要素标签的标签选择操作,确定所述各待提取文本要素的准确要素标签;
第二文本要素提取模块,用于将标记有所述准确要素标签的所述文本信息输入到第二文本要素提取模型中,得到文本要素模型提取结果,完成要素提取过程。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的文本要素提取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的文本要素提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433844.6A CN115690816A (zh) | 2022-11-16 | 2022-11-16 | 一种文本要素提取方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433844.6A CN115690816A (zh) | 2022-11-16 | 2022-11-16 | 一种文本要素提取方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690816A true CN115690816A (zh) | 2023-02-03 |
Family
ID=85054439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211433844.6A Pending CN115690816A (zh) | 2022-11-16 | 2022-11-16 | 一种文本要素提取方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361463A (zh) * | 2023-03-27 | 2023-06-30 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种地震灾情信息提取方法、装置、设备及介质 |
-
2022
- 2022-11-16 CN CN202211433844.6A patent/CN115690816A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361463A (zh) * | 2023-03-27 | 2023-06-30 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种地震灾情信息提取方法、装置、设备及介质 |
CN116361463B (zh) * | 2023-03-27 | 2023-12-08 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种地震灾情信息提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313022B (zh) | 文字识别模型的训练方法和识别图像中文字的方法 | |
WO2020005731A1 (en) | Text entity detection and recognition from images | |
CN110580308B (zh) | 信息审核方法及装置、电子设备、存储介质 | |
CN109598517B (zh) | 商品通关处理、对象的处理及其类别预测方法和装置 | |
CN113989593A (zh) | 图像处理方法、检索方法、训练方法、装置、设备及介质 | |
CN113254654B (zh) | 模型训练、文本识别方法、装置、设备和介质 | |
CN116049397B (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN108734159B (zh) | 一种图像中敏感信息的检测方法及*** | |
CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
CN112070138A (zh) | 多标签混合分类模型的构建方法、新闻分类方法及*** | |
CN114596566B (zh) | 文本识别方法及相关装置 | |
CN114612921B (zh) | 表单识别方法、装置、电子设备和计算机可读介质 | |
CN114818708B (zh) | 关键信息抽取方法、模型训练方法、相关装置及电子设备 | |
CN115564469A (zh) | 广告创意选取和模型训练方法、装置、设备及存储介质 | |
CN114429633A (zh) | 文本识别方法、模型的训练方法、装置、电子设备及介质 | |
CN115862040A (zh) | 文本纠错方法、装置、计算机设备及可读存储介质 | |
CN115690816A (zh) | 一种文本要素提取方法、装置、设备和介质 | |
CN114724156A (zh) | 表单识别方法、装置及电子设备 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
US11972625B2 (en) | Character-based representation learning for table data extraction using artificial intelligence techniques | |
CN116110066A (zh) | 票据文本的信息提取方法、装置、设备及存储介质 | |
CN113361522B (zh) | 用于确定字符序列的方法、装置和电子设备 | |
CN115393870A (zh) | 一种文本信息处理方法、装置、设备及存储介质 | |
CN116416640A (zh) | 文档元素确定的方法、装置、设备以及存储介质 | |
CN115761770A (zh) | 实体识别模型的训练方法、图像识别方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |