KR20200063841A

KR20200063841A - Method for standardizing recognized term from document image

Info

Publication number: KR20200063841A
Application number: KR1020180150036A
Authority: KR
Inventors: 양경용; 이유미; 이상훈
Original assignee: 삼성생명보험주식회사
Priority date: 2018-11-28
Filing date: 2018-11-28
Publication date: 2020-06-05
Also published as: KR102145858B1

Abstract

Provided is a method of standardizing a term recognized from a document image, capable of reducing user confusion. In order to achieve the objective as described above, according to an embodiment of the present disclosure, a computer program stored in a computer-readable storage medium is disclosed. When the computer program is executed by at least one processor, the computer program is configured to standardize a term recognized from a document image through the operations of: extracting a recognition word group including two or more recognition words by computing a basic document image set through a character recognition model; analyzing a relation between the recognition words to generate association information; generating a standardization database at least partially based on the recognition word group and the association information; and standardizing a non-standard word recognized in a target document image at least partially based on the association information.

Description

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법{METHOD FOR STANDARDIZING RECOGNIZED TERM FROM DOCUMENT IMAGE}Method for standardizing terms recognized from document images{METHOD FOR STANDARDIZING RECOGNIZED TERM FROM DOCUMENT IMAGE}

본 개시는 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 관한 것으로서, 보다 구체적으로 인식 단어 간의 연관성 정보에 기초하여 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 관한 것이다.The present disclosure relates to a method for standardizing terms recognized from a document image, and more particularly, to a method for standardizing terms recognized from a document image based on association information between recognized words.

약국, 보험 회사, 병원 등에서 처방전에 대한 OCR 기기와 같은 광학 인식 모듈을 이용하여, 처방전에 기재된 환자 정보, 처방 내역, 수급 정보 등을 자동으로 인식하고 있다.Pharmacies, insurance companies, hospitals, etc., automatically recognize patient information, prescription details, and supply/receipt information on prescriptions using optical recognition modules such as OCR devices for prescriptions.

다만, 사람이 직접 확인해서 작업하는 것이 아니기 때문에, OCR 기기를 통한 인식은 유사도가 높은 숫자 또는 문자 간의 인식 오류가 발생할 확률이 높다. 약국의 경우, 처방전의 OCR 기기 인식 오류가 발생하게 되면 환자에게 잘못된 약을 처방하게 될 수 있고, 보험사의 경우 피보험자에게 잘못된 금액을 지급하게 될 수도 있다.However, since the person does not directly check and work, the recognition through the OCR device is likely to cause a recognition error between numbers or characters with high similarity. In the case of a pharmacy, if a prescription OCR device recognition error occurs, the patient may be prescribed the wrong medicine, and the insurer may pay the wrong amount to the insured.

따라서, OCR 기기의 인식률 제고에 대한 방안에 대한 수요가 늘어나고 있다. 이러한 수요에 따라, 특히, 딥러닝을 이용한 OCR 솔루션에 대한 인식률 제고 방안에 대한 연구가 증가하고 있다.Accordingly, there is an increasing demand for a method for raising the recognition rate of OCR devices. In response to these demands, in particular, research is being conducted on ways to increase awareness of OCR solutions using deep learning.

대한민국 등록특허 제10-0717734호는 광학 마크 또는 문자 판독기의 입력 오류 방지 장치를 개시한다.Republic of Korea Patent Registration No. 10-0717734 discloses an input error prevention device for an optical mark or text reader.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 제공하기 위함이다.The present disclosure has been devised in response to the background art described above, and is intended to provide a method for standardizing terms recognized from a document image.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 문서 이미지로부터 인식된 용어를 표준화하기 위한 이하의 동작들을 수행하도록 하며 상기 동작들은 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하는 동작, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작, 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 동작 및 타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는 동작을 포함할 수 있다.Disclosed is a computer program stored in a computer readable storage medium in accordance with one embodiment of the present disclosure for realizing the above-described problems. The computer program, when executed on one or more processors, performs the following operations for standardizing the terms recognized from the document image, and the operations are a group of recognized words by calculating a set of basic document images through a character recognition model—the recognized words Extracting a group containing two or more recognized words, generating association information by analyzing a relationship between the recognized words, and generating a standardized database based at least in part on the recognized word group and the association information And normalizing non-standard words recognized in the target document image based at least in part on the association information.

대안적으로, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은 상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, analyzing the relationship between the recognized words and generating association information may include generating the association information based on semantic similarity between the recognized words.

대안적으로, 상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하는 동작은 상기 인식 단어 각각에 대해서 연관 질병 정보를 결정하는 동작, 상기 인식 단어 각각에 대해서 결정된 상기 연관 질병 정보 간의 유사도를 산출하는 동작 및 상기 연관 질병 정보 간의 유사도에 기초하여 상기 인식 단어 간의 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, the operation of generating the association information based on the semantic similarity between the recognized words calculates the associated disease information for each of the recognized words, and calculates the similarity between the associated disease information determined for each of the recognized words And generating association information between the recognized words based on the similarity between the operation and the related disease information.

대안적으로, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은 사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하는 동작을 포함하고, 그리고 상기 사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하는 동작은 상기 사용자 정보에 기초하여 상기 기초 문서 이미지 세트 중 상기 사용자 정보에 해당하는 사용자에 관련한 기초 문서 이미지를 식별하는 동작 및 상기 사용자에 관련한 기초 문서 이미지에서 인식된 상기 인식 단어들 간의 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, analyzing the relationship between the recognized words to generate association information may include generating the association information based on the recognized words related to user information, and to the recognized words related to the user information Based on the user information, the operation of generating the association information may include identifying a basic document image associated with a user corresponding to the user information among the set of basic document images, and recognizing the basic document image associated with the user. And generating association information between recognized words.

대안적으로, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은 상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하는 동작 및 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작을 포함하고, 그리고, 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작은 상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 진료과목 정보를 결정하는 동작 및 상기 인식 단어와 상기 진료과목 정보 간의 상기 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, analyzing the relationship between the recognized words to generate association information may include performing context analysis on each basic document image included in the set of basic document images and recognition words recognized in the basic document image And generating the association information based on the relationship between the context of the basic document image, and based on the relationship between the recognition word recognized in the basic document image and the context of the basic document image. The generating operation may include an operation of determining medical information related to the basic document image through context analysis of the basic document image, and generating the association information between the recognition word and the medical information.

대안적으로, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은 상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하는 동작 및 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작을 포함하고, 그리고, 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작은 상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 문서 구조 정보를 결정하는 동작 및 상기 인식 단어의 위치와 상기 문서 구조 정보 간의 상기 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, analyzing the relationship between the recognized words to generate association information may include performing context analysis on each basic document image included in the set of basic document images and recognition words recognized in the basic document image And generating the association information based on the relationship between the context of the basic document image, and based on the relationship between the recognition word recognized in the basic document image and the context of the basic document image. The generating operation may include determining the document structure information related to the basic document image through context analysis of the basic document image and generating the association information between the position of the recognized word and the document structure information. have.

대안적으로, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은 상기 인식 단어 그룹이 포함하는 제 1 인식 단어와 제 2 인식 단어―상기 제 2 인식 단어는 상기 제 1 인식 단어와 상이함―에 대해서 컨텍스트 분석을 수행하는 동작 및 상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하는 동작을 포함하고, 그리고 상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하는 동작은 상기 제 1 인식 단어에 대한 제 1 컨텍스트 분석 정보를 결정하는 동작, 상기 제 2 인식 단어에 대한 제 2 컨텍스트 분석 정보를 결정하는 동작, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작 및 상기 공통 연관 단어 정보에 기초하여 상기 연관성 정보를 생성하는 동작을 포함할 수 있다.Alternatively, the operation of analyzing the relationship between the recognized words to generate association information may include a first recognized word and a second recognized word included in the recognized word group—the second recognized word is different from the first recognized word And-generating the association information based on the context analysis of the first recognition word and the second recognition word, and performing the context analysis on the first recognition word and the second recognition word. The generating of the association information based on the context analysis of the operation includes: determining first context analysis information for the first recognition word, determining second context analysis information for the second recognition word, and the second The method may include determining common related word information based on the first context analysis information and the second context analysis information, and generating the related information based on the common related word information.

대안적으로, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작은 상기 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 급여 항목 정보를 비교하여, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보가 공통적으로 포함하는 상기 급여 항목 정보를 상기 공통 연관 단어 정보로 결정하는 동작을 포함할 수 있다.Alternatively, the operation of determining common related word information based on the first context analysis information and the second context analysis information includes salary item information included in the first context analysis information and the second context analysis information And comparing the salary item information to determine the salary item information commonly included in the first context analysis information and the second context analysis information as the common association word information.

대안적으로, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작은 상기 제 1 컨텍스트 분석 정보가 포함하는 상기 제 1 인식 단어의 항목과 유사한 제 1 유사 항목 단어 그룹과 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 제 2 인식 단어의 항목과 유사한 제 2 유사 항목 단어 그룹을 비교하여, 상기 제 1 유사 항목 단어 그룹이 포함하는 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어 그룹이 포함하는 제 2 유사 항목 단어 각각의 의미 유사도를 산출하는 동작 및 상기 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어의 상기 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 상기 제 1 유사 항목 단어 및 상기 제 2 유사 항목 단어를 상기 공통 연관 단어 정보로 결정하는 동작을 포함할 수 있다.Alternatively, determining the common related word information based on the first context analysis information and the second context analysis information may include a first similarity to an item of the first recognition word included in the first context analysis information. The first similar word and the first similar word included in the first similar word word group are compared by comparing the similar word word group similar to the item of the second recognized word included in the item word group and the second context analysis information. Calculating the semantic similarity of each of the second similarity word included in the second similarity word group, and when the semantic similarity of the first similarity word and the second similarity word is equal to or greater than a preset reference semantic similarity; And determining the first similarity word and the second similarity word as the common related word information.

대안적으로, 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 동작은 상기 인식 단어 그룹이 포함하는 상기 인식 단어 및 상기 인식 단어 각각에 관한 상기 연관성 정보에 기초하여 하나 이상의 클러스터(cluster)를 형성하는 동작 및 상기 클러스터에 관한 표준 단어를 결정하는 동작을 포함할 수 있다.Alternatively, generating a standardized database based at least in part on the recognition word group and the association information may include: generating one or more of the recognition words included in the recognition word group and the association information about each of the recognition words; It may include forming a cluster and determining a standard word for the cluster.

대안적으로, 상기 클러스터에 관한 표준 단어를 결정하는 동작은 사용자 입력에 기초해서 상기 표준 단어를 결정하거나, 또는 상기 클러스터가 포함하는 상기 인식 단어 중 하나를 통계적으로 결정하는 동작을 포함할 수 있다.Alternatively, determining the standard word for the cluster may include determining the standard word based on user input, or statistically determining one of the recognized words included in the cluster.

또한, 본 개시의 다른 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법이 개시된다. 상기 방법은 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하는 단계, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 단계, 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 단계 및 타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는 단계를 포함할 수 있다.Also disclosed is a method for standardizing terms recognized from document images according to another embodiment of the present disclosure. The method comprises extracting a recognition word group (the recognition word group includes two or more recognition words) by calculating a basic document image set through a character recognition model, and analyzing the relationship between the recognition words to generate association information The method may include generating a standardization database based at least in part on the recognition word group and the association information, and normalizing non-standard words recognized in a target document image based at least in part on the association information.

그리고, 본 개시의 다른 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서 및 메모리를 포함하고, 상기 프로세서는 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하고, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하고, 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하고, 그리고 타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 할 수 있다.In addition, a computing device for standardizing terms recognized from document images according to another embodiment of the present disclosure is disclosed. The computing device includes a processor and a memory including one or more cores, and the processor computes a set of basic document images through a character recognition model to recognize a group of recognized words, wherein the group of recognized words includes two or more recognized words. Extracting, analyzing the relationship between the recognized words to generate association information, generating a standardized database based at least in part on the recognized word group and the association information, and the association information to non-standard words recognized in a target document image Can be standardized based at least in part on.

본 개시는 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 제공할 수 있다.The present disclosure can provide a method for standardizing terms recognized from document images.

도 1은 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 관한 예시를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 관한 모식도이다.
도 4는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 순서도이다.
도 5는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.1 is a block diagram of a computing device performing an operation for standardizing terms recognized from a document image according to an embodiment of the present disclosure.
2 is a diagram illustrating an example of a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure.
3 is a schematic diagram of a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure.
4 is a flowchart of a method for standardizing terms recognized from document images according to an embodiment of the present disclosure.
5 is a block diagram illustrating logic for implementing a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure.
6 is a block diagram of a computing device according to an embodiment of the present disclosure.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. Various embodiments are now described with reference to the drawings, and like reference numbers throughout the drawings are used to denote similar elements. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is clear that these embodiments can be practiced without these specific details.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다. As used herein, the terms “component”, “module”, “system” and the like refer to computer-related entities, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component can be, but is not limited to, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both the application and the computing device running on the computing device can be components. One or more components can reside within a processor and/or thread of execution, and one component can be localized within one computer, or distributed between two or more computers. In addition, these components can execute from various computer readable media having various data structures stored therein. Components are, for example, signals having one or more data packets (e.g., data from one component interacting with another component in a local system, distributed system, and/or data via a network such as the Internet with other systems via signals and/or signals). ) Through local and/or remote processes.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless specified otherwise or unclear in context, "X uses A or B" is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses A or B" can be applied in either of these cases. It should also be understood that the term “and/or” as used herein refers to and includes all possible combinations of one or more of the listed related items.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다. Also, the terms “comprises” and/or “comprising” should be understood as meaning that the corresponding features and/or components are present. It should be understood, however, that the terms “comprises” and/or “comprising” do not exclude the presence or addition of one or more other features, components, and/or groups thereof. In addition, unless otherwise specified or contextually unclear as indicating a singular form, the singular in the specification and claims should generally be construed to mean "one or more."

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. Descriptions of the presented embodiments are provided to enable any person skilled in the art to use or practice the present disclosure. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure, and the general principles defined herein can be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure should not be limited to the embodiments presented herein, but should be interpreted in the broadest scope consistent with the principles and novel features presented herein.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. In one embodiment of the present disclosure, the server may include other configurations for performing the server environment of the server. The server can include any type of device. The server is a digital device, and may be a digital device equipped with a processor and having computing power, such as a laptop computer, a notebook computer, a desktop computer, a web pad, and a mobile phone. The server may be a web server that processes services. The above-described types of servers are only examples, and the present disclosure is not limited thereto.

본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.Throughout this specification, models, neural networks, network functions, and neural networks may be used in the same sense. A neural network may consist of a set of interconnected computational units, which may generally be referred to as "nodes." These “nodes” may also be referred to as “neurons”. The neural network comprises at least one node. Nodes (or neurons) constituting neural networks may be interconnected by one or more “links”.

본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다. 모델은 다른 모델과 함께 데이터의 처리를 수행할 수 있다. 모델은 다른 모델과 직렬 또는 병렬로 상호 연결될 수 있다.In this specification, the network function may include one or more neural networks, and in this case, the output of the network function may be an ensemble of the output of the one or more neural networks. The model can perform data processing with other models. The models can be interconnected in series or in parallel with other models.

도 1은 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 동작을 수행하는 컴퓨팅 장치(100)의 블록 구성도를 도시한 도면이다.1 is a block diagram of a computing device 100 performing an operation for standardizing terms recognized from a document image according to an embodiment of the present disclosure.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있다.The configuration of the computing device 100 illustrated in FIG. 1 is merely an example for simplicity. In one embodiment of the present disclosure, the computing device 100 may include other configurations for performing the computing environment of the computing device 100.

본 개시의 일 실시예에 따른 기초 문서 이미지 상에서 글자를 인식하기 위한 방법을 위한 컴퓨팅 장치(100)는 하나 이상의 글자를 포함하는 기초 문서 이미지 상에서 글자 인식 모델을 통해 글자를 인식하고, 용어를 표준화하기 위해 사용될 수 있다. 본 개시에서 용어는 사용자(예컨대, 병원, 보험사 등)마다 상이한 표현을 사용하여 표준화되지 않은 임의의 용어를 의미할 수 있다. 예컨대, 본 개시에서 용어는 의료 업종에 관련한 용어를 포함할 수 있고, 금융 업종에서 사용되는 용어를 포함할 수 있다. 예를 들어, 용어는 A 병원에서 발급된 진료비 세부내역서 상에서의 인식 단어 및 B 병원에서 발급된 진단서 상에서의 인식 단어를 포함할 수 있다. 전술한 용어에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.The computing device 100 for a method for recognizing a character on a basic document image according to an embodiment of the present disclosure recognizes a character through a character recognition model on a basic document image including one or more characters and standardizes terms Can be used for In the present disclosure, the term may mean any term that is not standardized using different expressions for different users (eg, hospitals, insurance companies, etc.). For example, terms in the present disclosure may include terms related to the medical industry, and may include terms used in the financial industry. For example, the term may include the recognition word on the medical bill details issued by hospital A and the recognition word on the medical certificate issued by hospital B. The description of the above-mentioned terms is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다. The computing device 100 for a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure may include a network unit 110, a processor 120, and a memory 130.

네트워크부(110)는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 인식 단어의 항목과 속성의 연관성 정보를 서버로부터 수신할 수 있다. 또한, 네트워크부(110)는 하나 이상의 기초 문서 이미지(210, 220, 230, 240)를 포함하는 기초 문서 이미지 세트를 수신하거나, 또는, 타겟 문서 이미지(300)를 수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 모델을 이용한 이미지의 글자 인식을 분산 처리할 수 있도록 할 수 있다.The network unit 110 may transmit and receive data, etc. for performing a method for standardizing terms recognized from document images according to an embodiment of the present disclosure to other computing devices, servers, and the like. The network unit 110 may receive association information of items and attributes of recognized words from a server. Also, the network unit 110 may receive a basic document image set including one or more basic document images 210, 220, 230, and 240, or may receive a target document image 300. In addition, the network unit 110 may enable communication between a plurality of computing devices so that learning of a model is distributed in each of the plurality of computing devices. The network unit 110 may enable communication between a plurality of computing devices so that character recognition of images using a model can be distributed.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기초 문서 이미지 상에서 글자를 인식하기 위한 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 계산을 수행할 수 있다.The processor 120 may be composed of one or more cores, a central processing unit (CPU) of a computing device, a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU). unit), and a processor for data analysis and deep learning. The processor 120 may read a computer program stored in the memory 130 and perform a method for recognizing characters on a basic document image according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 120 may perform calculation for learning a neural network.

프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.At least one of the CPU, GPGPU, and TPU of the processor 120 may process training of the model. Further, the computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, GPGPU, or TPU executable program.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.In one embodiment of the present disclosure, the computing device 100 may distribute and process a model using at least one of a CPU, GPGPU, and TPU. In addition, in one embodiment of the present disclosure, the computing device 100 may distribute and process a model together with other computing devices.

이하에서는, 프로세서(120)가 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹을 추출하는 방법에 관하여 설명한다. 여기서 인식 단어는 기초 문서 이미지(210, 220, 230, 240) 상에서 인식되는 단어를 포함할 수 있다. 그리고, 인식 단어 그룹은 둘 이상의 인식 단어를 포함할 수 있다. 또한, 인식 단어 세트는 기초 문서 이미지 세트(200)에서 인식되는 모든 인식 단어의 집합을 의미할 수 있다.Hereinafter, a method of extracting a group of recognized words by the processor 120 calculating a basic document image set through a character recognition model will be described. Here, the recognized words may include words recognized on the basic document images 210, 220, 230, and 240. Also, the recognized word group may include two or more recognized words. Also, the recognition word set may mean a set of all recognition words recognized in the basic document image set 200.

프로세서(120)는 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹을 추출할 수 있다. 본 개시에서 기초 문서 이미지 세트는 기초 문서 이미지(210, 220, 230, 240)의 집합으로서, 용어를 수집하고 이를 군집화하여 표준화 데이터베이스(400)를 생성하기 위한 기초 자료가 될 수 있다. 본 개시에서 기초 문서 이미지(210, 220, 230, 240)는 임의의 한 분야(예컨대, 의료, 보험, 금융 등)의 관련 기관에서 생성된 문서들에 대해서, 이미지 인식 기술(예컨대, 딥 OCR 등)을 통해 이미지화 된 문서를 포함할 수 있다. 그리고, 본 개시에서 타겟 문서 이미지(300)는 표준화 데이터베이스(400) 생성 이후, 입력되는 문서 이미지로서 하나 이상의 인식 대상 글자를 포함하는 문서에 대한 이미지 일 수 있다. 또한, 기초 문서 이미지(210, 220, 230, 240) 및 타겟 문서 이미지(300)는 각각 하나 이상의 글자 이미지를 포함할 수 있다. 글자 이미지는 하나의 글자를 포함하는 이미지일 수 있다. 예를 들어, 글자 이미지는 "가"라는 글자 하나를 포함하고 있는 이미지일 수 있다. 프로세서(120)는 네트워크부(110)를 통해 기초 문서 이미지(210, 220, 230, 240)를 수신할 수도 있고, 카메라부(미도시)를 통해 타겟 문서 이미지(300)를 수신할 수도 있다. 예를 들어, 글자 인식 모델을 약국에서 사용하는 경우, 기초 문서 이미지(210, 220, 230, 240)는 처방전일 수도 있고, 보험회사에서 사용하는 경우, 기초 문서 이미지(210, 220, 230, 240)는 진료비 세부내역서일 수도 있다. 전술한 기초 문서 이미지 및 글자 이미지에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.The processor 120 may extract a group of recognized words by calculating a basic document image set through a letter recognition model. In the present disclosure, the basic document image set is a set of basic document images 210, 220, 230, and 240, and may be basic data for generating a standardized database 400 by collecting terms and clustering them. In the present disclosure, the basic document images 210, 220, 230, and 240 are image recognition technologies (eg, deep OCR, etc.) for documents generated by related organizations in any one field (eg, medical, insurance, finance, etc.). ) To include the imaged document. In addition, in the present disclosure, the target document image 300 may be an image of a document including one or more recognition target characters as an input document image after the standardization database 400 is generated. In addition, the basic document images 210, 220, 230, and 240 and the target document image 300 may each include one or more text images. The letter image may be an image including one letter. For example, the letter image may be an image including one letter “A”. The processor 120 may receive the basic document images 210, 220, 230, and 240 through the network unit 110, or may receive the target document image 300 through a camera unit (not shown). For example, when the character recognition model is used in a pharmacy, the basic document images 210, 220, 230, and 240 may be prescriptions, and when used by an insurance company, the basic document images 210, 220, 230, and 240 ) May be a detailed statement of medical expenses. The description of the basic document image and the text image described above is merely an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따르면, 프로세서(120)는 기초 문서 이미지(210, 220, 230, 240)에 포함된 하나 이상의 글자 이미지를 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 하나 이상의 글자 이미지 각각이 포함하는 글자를 인식할 수 있다. 이 경우, 글자 인식 모델은 하나 이상의 네트워크 함수를 포함할 수 있으며, 하나 이상의 네트워크 함수는 딥러닝 알고리즘을 통해 학습될 수 있다. According to an embodiment of the present disclosure, the processor 120 classifies the one or more letter images included in the basic document images 210, 220, 230, and 240 into each letter through a letter recognition model, and the one or more letter images You can recognize the characters each contains. In this case, the character recognition model may include one or more network functions, and one or more network functions may be trained through a deep learning algorithm.

또한, 프로세서(120)는 기초 문서 이미지에 대한 글자 세그먼테이션을 수행할 수 있으며, 글자 각각에 대한 세그먼테이션을 수행할 수 있다. 즉, 프로세서(120)는 기초 문서 이미지에 포함된 하나 이상의 글자 이미지를 인식할 수 있다. 또한, 프로세서(120)는 글자 인식 모델을 통해 글자 이미지의 피쳐를 추출하여, 하나 이상의 클래스 각각에 대한 스코어를 추출할 수 있다. 여기서 클래스는 글자 이미지가 의미하는 글자일 수 있다. 예를 들어, 하나 이상의 클래스 각각은, 가, 나, 다, 라 등일 수 있다. 프로세서(120)는 글자 이미지의 클래스 각각에 대한 스코어 값에 기초하여 글자 이미지를 글자로 분류할 수 있다. 프로세서(120)는 글자 인식 모델을 통하여 글자 이미지를 연산한 결과, 가장 높은 스코어 값을 가지는 클래스로 글자 이미지를 분류하여, 하나 이상의 글자 이미지 각각이 포함하는 글자를 결정할 수 있다. 전술한 글자 이미지의 클래스에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. In addition, the processor 120 may perform character segmentation for the basic document image, and may perform segmentation for each character. That is, the processor 120 may recognize one or more letter images included in the basic document image. Also, the processor 120 may extract features of the character image through the character recognition model, and extract scores for each of one or more classes. Here, the class may be a character that a character image means. For example, each of the one or more classes may be A, B, C, D, or the like. The processor 120 may classify the text image into text based on the score value for each class of the text image. As a result of calculating the character image through the character recognition model, the processor 120 may classify the character image into a class having the highest score value and determine a character included in each of the one or more character images. The detailed description of the above-described class of character images is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따르면, 프로세서(120)는 인식된 글자를 조합할 수 있다. 구체적으로, 프로세서(120)는 기초 문서 이미지(210)에 포함된 하나 이상의 글자 이미지 각각의 위치 관계에 기초하여 하나 이상의 글자 이미지 각각에 대응하는 글자를 조합할 수 있다. 자세히 설명하면, 프로세서(120)는 특정 글자 이미지와 다른 글자 이미지의 거리에 기초하여 각각의 글자 이미지에 대응하는 글자를 조합할 수 있다. 즉, 프로세서(120)는 각각의 글자 이미지 간의 거리에 기초하여 인접한 거리에 위치한 글자 이미지에 대응하는 글자를 조합할 수 있다.According to an embodiment of the present disclosure, the processor 120 may combine recognized characters. Specifically, the processor 120 may combine letters corresponding to each of the one or more text images based on the positional relationship of each of the one or more text images included in the basic document image 210. In detail, the processor 120 may combine letters corresponding to each letter image based on a distance between a specific letter image and another letter image. That is, the processor 120 may combine letters corresponding to the letter images located at adjacent distances based on the distance between each letter image.

또한, 프로세서(120)는 조합된 글자를 메모리(130)에 저장된 기준 단어와 비교하여 인식 단어로 결정할 수 있다. 보다 구체적으로, 기초 문서 이미지(210)는 하나 이상의 글자 이미지를 포함할 수 있다. 그리고, 프로세서(120)는 상기 기초 문서 이미지(210) 내에서 인식되는 하나 이상의 글자 이미지 각각을 글자 인식 모델을 통해 연산함으로써, 각각의 글자를 분류 결과로 출력할 수 있다. 또한, 프로세서(120)는 각각의 분류 결과로 결정된 글자를 글자 이미지의 위치 관계에 따라 조합할 수 있다. 그리고, 프로세서(120)는 기초 문서 이미지(210)의 도메인에 기초하여, 조합된 글자를 메모리에 저장된 기준 단어 테이블의 기준 단어들과 비교할 수 있다. 이에 따라, 프로세서(120)는 조합된 글자와 매칭되는 기준 단어가 기준 단어 테이블에 존재하는 경우, 조합된 단어를 인식 단어로써 결정할 수 있다. 그리고, 프로세서(120)는 기초 문서 이미지 세트에 포함되는 각각의 기초 문서 이미지(210)에서 결정된 하나 이상의 인식 단어들을 그룹화할 수 있다. 즉, 프로세서(120)는 기초 문서 이미지 세트에서 인식 단어 그룹을 추출할 수 있다.In addition, the processor 120 may determine a recognized word by comparing the combined letter with a reference word stored in the memory 130. More specifically, the basic document image 210 may include one or more text images. Then, the processor 120 may output each character as a classification result by calculating each of one or more character images recognized in the basic document image 210 through a character recognition model. Also, the processor 120 may combine letters determined as a result of each classification according to the positional relationship of the letter image. Then, the processor 120 may compare the combined letters with the reference words in the reference word table stored in the memory based on the domain of the basic document image 210. Accordingly, when the reference word matching the combined letter exists in the reference word table, the processor 120 may determine the combined word as the recognition word. In addition, the processor 120 may group one or more recognition words determined in each basic document image 210 included in the basic document image set. That is, the processor 120 may extract a group of recognized words from the set of basic document images.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.Throughout this specification, neural networks, network functions, and neural networks may be used in the same sense. A deep neural network (DNN) may mean a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can be used to identify potential latent structures in data. In other words, it is possible to grasp the potential structure of photos, text, video, voice, and music (for example, what objects are in the picture, what the content and emotions of the text are, what the content and emotions of the speech, etc.) are. . Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), and deep belief networks (DBNs). , Q network, U network, Siam network, and the like.

컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.The convolutional neural network is a kind of deep neural network, and includes a neural network including a convolutional layer. Convolutional neural networks are a type of multilayer perceptorns designed to use minimal preprocessing. The CNN may consist of one or several convolutional layers and artificial neural network layers combined with it. CNN may additionally utilize weights and pooling layers. Thanks to this structure, CNN can fully utilize the input data of the two-dimensional structure. Convolutional neural networks can be used to recognize objects in an image. Convolutional neural networks can process image data as a matrix with dimensions. For example, in the case of red-green-blue (RGB)-encoded image data, each of R, G, and B colors may be represented as a two-dimensional (for example, two-dimensional image) matrix. That is, the color value of each pixel of the image data can be a component of the matrix, and the size of the matrix can be the same as the size of the image. Therefore, the image data can be represented by three two-dimensional matrices (three-dimensional data array).

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.A convolutional process (input/output of the convolutional layer) can be performed by moving the convolutional filter in the convolutional neural network and multiplying the convolutional filter and matrix components at each position of the image. The convolutional filter may be configured as an n*n matrix. The convolutional filter may generally consist of a fixed type filter smaller than the total number of pixels in the image. That is, when an m*m image is input to a convolutional layer (for example, a convolutional layer having a size of n*n of a convolutional filter), a matrix representing n*n pixels including each pixel of the image It can be multiplied by this convolutional filter (ie, the product of each component of the matrix). A component matching the convolutional filter in the image may be extracted by multiplying with the convolutional filter. For example, a 3*3 convolutional filter for extracting a vertical line component from an image may be configured as [[0,1,0], [0,1,0], [0,1,0]] Can be. When a 3*3 convolutional filter for extracting vertical components from the image is applied to the input image, vertical components that match the convolutional filter from the image may be extracted and output. The convolutional layer may apply a convolutional filter to each matrix for each channel representing an image (ie, R, G, and B colors in the case of R, G, and B coded images). The convolutional layer can apply a convolutional filter to the input image to extract features matching the convolutional filter from the input image. The filter value of the convolutional filter (that is, the value of each component of the matrix) may be updated by back propagation in the learning process of the convolutional neural network.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.A subsampling layer is connected to the output of the convolutional layer, thereby simplifying the output of the convolutional layer to reduce memory usage and computation. For example, if the output of the convolutional layer is input to a pooling layer having a 2*2 max pooling filter, the maximum value included in each patch is output for each 2*2 patch in each pixel of the image to compress the image. You can. The aforementioned pooling may be a method of outputting a minimum value in a patch or outputting an average value of patches, and any pooling method may be included in the present disclosure.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.The convolutional neural network may include one or more convolutional layers and sub-sampling layers. The convolutional neural network can extract features from an image by repeatedly performing a convolutional process and a subsampling process (for example, the Max pooling described above). Through the iterative convolutional and subsampling process, the neural network can extract global features of the image.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.The output of the convolutional layer or subsampling layer may be input to a fully connected layer. A fully connected layer is a layer in which all neurons in one layer are connected to all neurons in a neighboring layer. The full connected layer may refer to a structure in which all nodes of each layer are connected to all nodes of another layer in a neural network.

본 개시의 일 실시예에서 이미지 데이터의 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.In one embodiment of the present disclosure, in order to perform segmentation of image data, the neural network may include a deconvolutional neural network (DCNN). The deconvolutional neural network performs an operation similar to that of calculating the convolutional neural network in the reverse direction. The deconvolutional neural network may output features extracted from the convolutional neural network as a feature map related to original data. The description of the specific configuration for the convolutional neural network is discussed in more detail in US patent US9870768B2, which is incorporated herein by reference in its entirety.

먼저 본 명세서에서 사용되는 인식 단어, 표준 단어, 비표준 단어, 기준 단어 및 타겟 단어에 대해서 정의한다. First, recognition words, standard words, non-standard words, reference words, and target words used in the specification are defined.

본 개시에서 인식 단어는 기초 문서 이미지(210, 220, 230, 240) 및 타겟 문서 이미지(300) 상에서 인식되는 단어를 포함할 수 있다. 그리고, 인식 단어 그룹은 둘 이상의 인식 단어를 포함할 수 있다. 또한, 인식 단어 세트는 기초 문서 이미지 세트(200)에서 인식되는 모든 인식 단어의 집합을 의미할 수 있다.Recognition words in the present disclosure may include words recognized on the base document image 210, 220, 230, and 240 and the target document image 300. Also, the recognized word group may include two or more recognized words. Also, the recognition word set may mean a set of all recognition words recognized in the basic document image set 200.

본 개시에서 표준 단어는 표준화 데이터베이스(400)가 포함하는 하나 이상의 클러스터(cluster)를 대표하는 단어일 수 있다. 보다 구체적으로, 프로세서(120)는 인식 단어를 표준화 데이터베이스(400)에 저장함에 있어서, 각각 인식 단어와 그와 연관된 연관성 정보에 기초하여 하나 이상의 클러스터로 군집화 할 수 있다. 이에 따라, 표준화 데이터베이스(400)는 하나 이상의 클러스터를 포함할 수 있다. 그리고, 표준 단어는 각각의 클러스터를 대표하는 단어를 의미할 수 있다. 예를 들어, 프로세서(120)는 인식 단어 중 "도수치료" 및 "근육 마사지"를 포함하는 클러스터에 대해서, "도수치료"를 표준 단어로 결정할 수 있다. 전술한 클러스터의 표준 단어 결정은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 표준 단어의 결정에 대한 설명은 도 2 및 3을 참고하여 후술한다.In this disclosure, the standard word may be a word representing one or more clusters included in the standardization database 400. More specifically, in storing the recognized words in the standardized database 400, the processor 120 may cluster them into one or more clusters based on the recognized words and association information associated with the recognized words. Accordingly, the standardization database 400 may include one or more clusters. In addition, the standard word may mean a word representing each cluster. For example, the processor 120 may determine “hydrotherapy” as a standard word for a cluster including “hydrotherapy” and “muscle massage” among recognition words. The standard word determination of the aforementioned cluster is merely an example, and the present disclosure is not limited thereto. The description of the standard word will be described later with reference to FIGS. 2 and 3.

또한, 본 개시에서 기준 단어는 표준화 데이터베이스(400) 상에 클러스터로 각각 분류되어 저장된 인식 단어를 포함할 수 있다. 즉, 기준 단어는 표준 단어와 매칭된 비표준 단어일 수 있다. 그리고, 각각의 기준 단어는 매칭되는 클러스터와의 매칭 정보가 함께 저장될 수 있다. 그리고, 기준 단어는 프로세서(120)가 이후에 입력되는 비표준 단어를 표준화 하는 동작에서 참고 될 수 있다.In addition, in the present disclosure, the reference words may include recognition words classified and stored as clusters on the standardization database 400. That is, the reference word may be a non-standard word matched with the standard word. In addition, each reference word may store matching information with a matching cluster. Further, the reference word may be referred to in an operation in which the processor 120 standardizes a non-standard word inputted thereafter.

본 개시에서 비표준 단어는 기준 단어 및 타겟 단어를 포함할 수 있다. 보다 구체적으로, 비표준 단어는 타겟 문서 이미지(300)에서 글자 인식 모델을 통해 인식된 하나 이상의 인식 단어 중 표준 단어와 상이한 모든 단어를 포함할 수 있다. 그리고, 프로세서(120)는 각각의 비표준 단어를 표준화 데이터베이스(400)의 매칭 정보에 기초하여 탐색함으로써, 기준 단어와 매칭할 수 있다. 그리고, 프로세서(120)는 기준 단어와 매칭되는 비표준 단어를 상기 기준 단어와 동일한 클러스터에 매칭시켜 저장할 수 있다. 즉, 비표준 단어 중 기준 단어는 표준화 데이터베이스(400)를 참고하여 표준화 될 수 있다. 또한, 프로세서(120)는 기준 단어와 매칭되지 않는 비표준 단어를 타겟 단어로 결정할 수 있다.In the present disclosure, non-standard words may include reference words and target words. More specifically, the non-standard word may include all words different from the standard word among one or more recognized words recognized through the character recognition model in the target document image 300. Then, the processor 120 may match each reference word by searching for each non-standard word based on matching information of the standardization database 400. Then, the processor 120 may match and store the non-standard word matching the reference word in the same cluster as the reference word. That is, a reference word among non-standard words may be standardized by referring to the standardization database 400. Also, the processor 120 may determine a non-standard word that does not match the reference word as the target word.

그리고, 본 개시에서 타겟 단어는 표준화 데이터베이스(400)에 저장되지 않은 인식 단어를 의미할 수 있다. 즉, 타겟 단어는 새로이 표준화를 수행해야 하는 인식 단어를 포함할 수 있다. 보다 구체적으로, 프로세서(120)가 타겟 문서 이미지(300) 상에서 획득한 하나 이상의 인식 단어를 획득할 수 있다. 또한, 프로세서(120)는 각각의 인식 단어를 표준 단어와 동일 여부 비교 결과에 기초하여 비표준 단어로 결정하고, 기준 단어와 매칭되는지 여부를 판단할 수 있다. 그리고, 프로세서(120)는 매칭되지 않는 비표준 단어를 타겟 단어로 결정하고, 연관성 정보에 기초하여 연관되는 기준 단어를 탐색할 수 있다. 그리고, 프로세서(120)는 기준 단어에 기초하여 타겟 단어를 표준화 할 수 있다. 즉, 프로세서(120)는 타겟 단어를 연관된 기준 단어의 클러스터에 매칭시켜 저장함으로써, 기준 단어화 할 수 있다. 이에 따라, 프로세서(120)는 이후에 타겟 단어와 동일한 인식 단어가 입력되는 경우, 기준 단어에 기초하여 상기 인식 단어를 표준화 데이터베이스(400)에 바로 저장할 수 있다.In addition, in the present disclosure, the target word may mean a recognition word that is not stored in the standardization database 400. That is, the target word may include a recognized word that needs to be newly standardized. More specifically, the processor 120 may acquire one or more recognition words acquired on the target document image 300. Also, the processor 120 may determine each recognized word as a non-standard word based on the comparison result of whether it is the same as the standard word, and determine whether or not it matches the reference word. Then, the processor 120 may determine a non-matching non-standard word as a target word, and search for a reference word that is related based on the association information. In addition, the processor 120 may standardize the target word based on the reference word. That is, the processor 120 may make a reference word by matching and storing the target word in a cluster of related reference words. Accordingly, when the same recognition word as the target word is subsequently input, the processor 120 may directly store the recognized word in the standardization database 400 based on the reference word.

이하에서는, 프로세서(120)가 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 방법에 관하여 설명한다.Hereinafter, a method of generating correlation information by analyzing a relationship between recognized words by the processor 120 will be described.

프로세서(120)는 인식 단어 간의 관계를 분석하여 연관성 정보를 생성할 수 있다. The processor 120 may generate association information by analyzing a relationship between recognized words.

본 개시의 일 실시예에 따른 프로세서(120)는 인식 단어 간의 의미 유사도에 기초하여 연관성 정보를 생성할 수 있다. 본 개시에서 연관성 정보는 타겟 문서 이미지(300)가 네트워크부(110)를 통해 수신될 때, 타겟 문서 이미지(300) 상에서 인식되는 인식 단어를 표준화하기 위해 사용되는 정보일 수 있다. 또한, 연관성 정보는 프로세서(120)가 인식 단어에 대한 표준화 데이터베이스(400)를 생성할 때, 각각의 인식 단어를 군집화(clustering)하기 위해 사용될 수 있다. 이에 따라, 프로세서(120)는 서로 연관성이 강한 인식 단어들을 하나의 군으로 분류할 수 있다. 또한, 프로세서(120)는 서로 연관성이 존재하는 인식 단어들을 서로 유사한 군, 즉, 인접한 영역에 각각 배치할 수 있다. 예컨대, 프로세서(120)는 벡터 변환 방식을 통해 인식 단어 각각을 다차원 공간 상에 배치할 수 있다. 그리고, 프로세서(120)는 연관성 정보가 강한 인식 단어에 해당하는 벡터들을 서로 인접하게 배치할 수 있다. 전술한 연관성 정보의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.The processor 120 according to an embodiment of the present disclosure may generate association information based on semantic similarity between recognized words. In the present disclosure, the relevance information may be information used to standardize recognition words recognized on the target document image 300 when the target document image 300 is received through the network unit 110. In addition, the association information may be used to cluster each recognition word when the processor 120 generates a standardization database 400 for the recognition word. Accordingly, the processor 120 may classify recognition words having strong correlation with each other as a group. In addition, the processor 120 may place recognition words that are related to each other in a group similar to each other, that is, adjacent regions. For example, the processor 120 may place each recognized word on a multidimensional space through a vector conversion method. In addition, the processor 120 may arrange vectors corresponding to recognition words having strong association information adjacent to each other. The description of association information described above is merely an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따른 프로세서(120)는 인식 단어 각각에 대해서 연관 질병 정보를 결정할 수 있다. 여기서 연관 질병 정보란 인식 단어와 연관 있는 하나 이상의 질병 목록을 포함할 수 있다. 보다 구체적으로, 프로세서(120)는 인식된 글자의 조합과 메모리(130)에 저장된 기준 단어를 비교하여 인식 단어를 결정할 수 있다. 그리고, 프로세서(120)는 각각의 인식 단어 및 메모리(130)에 인식 단어 별로 저장된 연관 질병 테이블에 기초하여 하나 이상의 질병을 연결시킬 수 있다. 예컨대, 프로세서(120)는 기초 문서 이미지(210)에서 "라미부딘"이라는 인식 단어를 인식할 수 있다. 그리고, 프로세서(120)는 메모리(130)에 저장된 연관 질병 테이블을 탐색하여, "라미부딘"이"B형 간염" 및 "에이즈"라는 질병과 연관되어 있다는 것을 결정할 수 있다. 또한, 실시예에 따라 프로세서(120)는 사전 설정된 연관도(즉, 주로 쓰이는 질병)를 기준으로"B형 간염"을 1순위 연관 질병 정보로, 그리고 "에이즈"를 2순위 연관 질병 정보로 결정할 수 있다. 전술한 인식 단어 및 연관 질병 정보의 결정은 예시일 뿐, 본 개시는 이에 제한되지 않는다.The processor 120 according to an embodiment of the present disclosure may determine related disease information for each recognition word. Here, the related disease information may include a list of one or more diseases associated with the recognition word. More specifically, the processor 120 may determine a recognized word by comparing a combination of recognized letters and a reference word stored in the memory 130. Also, the processor 120 may connect one or more diseases based on the associated disease table stored for each recognition word and each recognition word in the memory 130. For example, the processor 120 may recognize the recognition word “lamivudine” in the base document image 210. Then, the processor 120 may search the related disease table stored in the memory 130 and determine that "lamibudin" is associated with diseases such as "hepatitis B" and "AIDS". Also, according to an embodiment, the processor 120 determines “hepatitis B” as the first-related disease information and “Aids” as the second-related disease information based on a predetermined association degree (ie, a disease mainly used). Can be. Determination of the above-mentioned recognition word and related disease information is only an example, and the present disclosure is not limited thereto.

그리고, 프로세서(120)는 인식 단어 각각에 대해서 결정된 연관 질병 정보 간의 유사도를 산출할 수 있다. 그리고, 프로세서(120)는 연관 질병 정보 간의 유사도에 기초하여 인식 단어 간의 연관성 정보를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 기초 문서 이미지 세트에 기초하여 둘 이상의 인식 단어를 인식할 수 있다. 또한, 프로세서(120)는 각각의 인식 단어에 대한 연관 질병 정보를 결정할 수 있다. 그리고, 프로세서(120)는 각각의 인식 단어에 대해서 결정된 연관 질병들이 동일한지에 기초하여 인식 단어 간의 연관성 정보를 생성할 수 있다. Then, the processor 120 may calculate the similarity between the related disease information determined for each recognition word. In addition, the processor 120 may generate association information between recognized words based on the similarity between the associated disease information. More specifically, the processor 120 may recognize two or more recognition words based on a set of basic document images. Also, the processor 120 may determine relevant disease information for each recognized word. Also, the processor 120 may generate association information between the recognition words based on whether the related diseases determined for each recognition word are the same.

예를 들어, 프로세서(120)는 약 처방전을 도메인으로 하는 제 1 기초 문서 이미지 상에서 "라미부딘"이라는 제 1 인식 단어를 식별할 수 있다. 그리고, 프로세서(120)는 "라미부딘"이라는 인식 단어에 대해서 연관 질병 테이블을 탐색하여, "B형 간염" 및 "에이즈"라는 연관 질병을 결정할 수 있다. 또한, 프로세서(120)는 약 처방전을 도메인으로 하는 제 2 기초 문서 이미지 상에서 "클레부딘"이라는 제 2 인식 단어를 식별할 수 있다. 그리고, 프로세서(120)는 "클레부딘"이라는 인식 단어에 대해서 연관 질병 테이블을 탐색하여, "B형 간염" 및 "당뇨병"이라는 연관 질병을 결정할 수 있다. 이에 따라, 프로세서(120)는 제 1 인식 단어 "라미부딘"의 연관 질병과 제 2 인식 단어 "클레부딘"의 연관 질병이 서로 공통적으로 "B형 간염"을 포함하는 것에 기초하여, "라미부딘"과 "클레부딘"이 서로 밀접한 연관이 있다는 연관성 정보를 생성할 수 있다. 전술한 프로세서(120)의 연관 질병 정보에 기초한 연관성 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, the processor 120 may identify a first recognition word “lamibudin” on the first basic document image with the medicine prescription as a domain. Then, the processor 120 may determine a related disease such as “hepatitis B” and “AIDS” by searching a related disease table for the recognized word “lamibudin”. Further, the processor 120 may identify the second recognition word “clevudine” on the second basic document image using the medicine prescription as a domain. In addition, the processor 120 may determine a related disease such as “hepatitis B” and “diabetes” by searching the related disease table for the recognized word “clevudine”. Accordingly, the processor 120 is based on that the related disease of the first recognition word "lamibudin" and the related disease of the second recognition word "clevudine" commonly include "hepatitis B" and "lamivudine" and " Clevudine" may generate association information that is closely related to each other. Generation of association information based on the association disease information of the above-described processor 120 is only an example, and the present disclosure is not limited thereto.

또한, 본 개시의 일 실시예에 따른 프로세서(120)는 사용자 정보에 관련한 인식 단어에 기초하여 연관성 정보를 생성할 수 있다. 기초 문서 이미지 세트(200)는 특정 사용자에 대해서 수집된 의료기록의 기초 문서 이미지(210)를 포함할 수 있다. 그리고, 프로세서(120)는 각각의 기초 문서 이미지(210)에서 사용자 식별 정보 등의 사용자 정보와 관련한 인식 단어를 인식할 수 있다.Also, the processor 120 according to an embodiment of the present disclosure may generate association information based on recognition words related to user information. The set of basic document images 200 may include a basic document image 210 of medical records collected for a specific user. In addition, the processor 120 may recognize a recognition word related to user information, such as user identification information, from each basic document image 210.

보다 구체적으로, 프로세서(120)는 사용자 정보에 기초하여 기초 문서 이미지 세트 중 사용자 정보에 해당하는 사용자에 관련한 기초 문서 이미지를 식별할 수 있다. 예컨대, 기초 문서 이미지 세트(200)는 사용자 별 병원 내원 기록, 건강검진 결과서, 통원확인서, 사용자의 초진 차트 등의 개인에 대해서 생성된 의료기록의 이미지를 포함할 수 있다. 그리고, 프로세서(120)는 사용자 정보를 통해 각각의 사용자에 대해서 연관된 기초 문서 이미지(210)를 결정할 수 있다. 그리고, 프로세서(120)는 사용자에 관련한 기초 문서 이미지에서 인식된 인식 단어들 간의 연관성 정보를 생성할 수 있다.More specifically, the processor 120 may identify a basic document image related to a user corresponding to the user information from the set of basic document images based on the user information. For example, the basic document image set 200 may include an image of a medical record generated for an individual such as a hospital visit record for each user, a health checkup result, a visit confirmation letter, and a user's initial chart. Then, the processor 120 may determine an associated basic document image 210 for each user through user information. Also, the processor 120 may generate association information between recognized words recognized in the basic document image related to the user.

예를 들어, 도 2에 도시된 바와 같이, 프로세서(120)는 제 1 기초 문서 이미지(210) 상에서 "홍길동", "801231-XXXXXXX", "서울시 강남구 강남대로 476" 및 "전화 010-1122-3344"라는 사용자 정보(211)에 관련한 4개의 인식 단어를 식별할 수 있다. 또한, 프로세서(120)는 제 2 기초 문서 이미지(220) 상에서 "홍길동", "801231-XXXXXXX", "서울시 강남구 강남대로 476" 및 "(전화번호: 010-1122-3344)"라는 사용자 정보(221)에 관련한 4개의 인식 단어를 식별할 수 있다. 그리고, 프로세서(120)는 상기 사용자 정보가 포함하는 식별정보가 동일하다는 것에 기초하여, 제 1 기초 문서 이미지(210)와 제 2 기초 문서 이미지(220)를 동일한 환자에 대해서 생성된 것으로 판단할 수 있다. 또한, 프로세서(120)는 제 1 기초 문서 이미지(210)가 포함하는 발병일자 정보(212)"발병 연월일" 및 "2018.03.01"과, 제 2 기초 문서 이미지(220)가 포함하는 발병일자 정보(222)"발명 연월일" 및 "2018.11.01"에 기초하여 대상 환자가 기존과 다른 병원에 내원하여 일부 다른 명칭의 처리내역을 처방 받았다 라는 연관성 정보를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 제 1 기초 문서 이미지(210)에 기초하여 3월에 처방된 요추에 대한 도수치료 및 근이완제와, 제 2 기초 문서 이미지(220)에 기초하여 11월에 처방된 요추 근육 마사지 및 근이완제 처방을 인식할 수 있다. 그리고, 프로세서(120)는 제 1 기초 문서 이미지(210)에서 식별된 처리내역과 제 2 기초 문서 이미지(220)에서 식별된 처리 내역에 기초하여 "요추에 대한 도수치료"와 "요추 근육 마사지"가 동일한 처방일 수 있다는 연관성 정보를 생성할 수 있다. 전술한 사용자 정보에 기초한 연관성 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, as shown in FIG. 2, the processor 120 may display “Hong Gil-dong”, “801231-XXXXXXX”, “476 Gangnam-daero, Gangnam-gu, Seoul” and “Tel 010-1122-” on the first basic document image 210. It is possible to identify four recognized words related to the user information 211 "3344". In addition, the processor 120 includes user information ("Kil Gil-dong", "801231-XXXXXXX", "476, Gangnam-daero, Gangnam-gu, Seoul" and "(Phone number: 010-1122-3344)" on the second basic document image 220 ( 221) can be identified. In addition, the processor 120 may determine that the first basic document image 210 and the second basic document image 220 are generated for the same patient based on the same identification information included in the user information. have. In addition, the processor 120 includes information on the date of onset of disease information 212 included in the first basic document image 210 and "date of onset" and "2018.03.01", and information on the date of occurrence of the second basic document image 220 (222) Based on the "invention date and time" and "2018.11.01", it is possible to generate association information that the target patient has visited a different hospital and has been prescribed treatment history of some other name. More specifically, the processor 120 is prescribed in November based on the manual treatment and muscle relaxant for the lumbar spine prescribed in March based on the first basic document image 210 and the second basic document image 220. Recognize lumbar muscle massage and muscle relaxant prescriptions. Then, the processor 120 based on the processing history identified in the first basic document image 210 and the processing history identified in the second basic document image 220, "manual treatment for the lumbar spine" and "lumbar muscle massage" May generate association information that may be the same prescription. Generation of association information based on the above-described user information is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따른 프로세서(120)는 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행할 수 있다. The processor 120 according to an embodiment of the present disclosure may perform context analysis on each basic document image included in the basic document image set.

그리고, 본 개시의 일 실시예에 따른 프로세서(120)는 기초 문서 이미지(210)에서 인식되는 인식 단어와 기초 문서 이미지(210)의 컨텍스트 간의 관계에 기초하여 연관성 정보를 생성할 수 있다. In addition, the processor 120 according to an embodiment of the present disclosure may generate association information based on the relationship between the recognition word recognized in the basic document image 210 and the context of the basic document image 210.

보다 구체적으로, 프로세서(120)는 기초 문서 이미지(210)에 대한 컨텍스트 분석을 통해 기초 문서 이미지(210)에 관련된 진료과목 정보를 결정할 수 있다. 프로세서(120)는 기초 문서 이미지(210)에서 인식되는 하나 이상의 인식 단어들을 분석하여 상기 기초 문서 이미지(210)와 연관된 진료과목(예컨대, 정형외과, 내과, 소아과 등)을 결정할 수 있다. 프로세서(120)는 기초 문서 이미지(210)가 포함하는 의료기관의 명칭에 기초하여 진료과목 정보를 결정할 수 있다. 또한, 프로세서(120)는 기초 문서 이미지(210)에서 인식된 질병명들과 관련도가 높은 진료과목을 상기 기초 문서 이미지(210)에 대한 진료과목 정보로 결정할 수 있다.More specifically, the processor 120 may determine medical subject information related to the basic document image 210 through context analysis of the basic document image 210. The processor 120 may analyze one or more recognition words recognized in the basic document image 210 to determine a medical subject (eg, orthopedic surgery, internal medicine, pediatrics, etc.) associated with the basic document image 210. The processor 120 may determine medical subject information based on the name of the medical institution included in the basic document image 210. In addition, the processor 120 may determine a medical subject having high relevance to disease names recognized in the basic document image 210 as medical subject information for the basic document image 210.

그리고, 프로세서(120)는 인식 단어와 진료과목 정보 간의 연관성 정보를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 기초 문서 이미지(210) 상에서 인식되는 인식 단어들을, 상기 기초 문서 이미지(210)에 대해서 결정된 진료과목 정보와 연결시키는 연관성 정보를 생성할 수 있다.In addition, the processor 120 may generate association information between the recognition word and the subject information. More specifically, the processor 120 may generate association information that connects recognition words recognized on the basic document image 210 with medical subject information determined for the basic document image 210.

예를 들어, 도 2에 도시된 바와 같이, 프로세서(120)는 제 1 기초 문서 이미지(210) 상의 질병명 영역(213)에서 "우측 손등 심부열상", "우측 제1 중수골 개방성 골절", "우측 제1 수지 신전건들 파열" 및 "우측 제1 수지 수지신경 손상"이라는 4개 인식 단어를 획득할 수 있다. 그리고, 프로세서(120)는 상기 인식 단어에서 "열상", "골절" 및 "파열" 이라는 질병명을 추출할 수 있다. 그리고, 프로세서(120)는 각각의 질병명에 대해서 공통적으로 도출되는 "정형외과"를 진료과목 정보로 결정할 수 있다. 또한, 프로세서(120)는 "XX정형외과"라는 의료기관의 명칭(214)을 통해 "정형외과"라는 진료과목 정보를 결정할 수도 있다. 전술한 인식 단어를 통한 진료과목 정보 결정의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, as shown in FIG. 2, the processor 120 may select “right right hand deep proximal laceration”, “right first metacarpal open fracture”, and “right side” in the disease name region 213 on the first base document image 210. Four recognition words can be obtained: "rupture of the first resin extension tendons" and "damage to the right first resin resin nerve". Then, the processor 120 may extract disease names such as “thermal laceration”, “fracture”, and “rupture” from the recognition word. In addition, the processor 120 may determine “orthopedic surgery” that is commonly derived for each disease name as medical subject information. In addition, the processor 120 may determine the subject information of the “orthopedic surgery” through the name 214 of the medical institution “XX orthopedic surgery”. The description of the treatment subject information determination through the aforementioned recognition words is only an example, and the present disclosure is not limited thereto.

또한, 다른 실시예에 따른 프로세서(120)는 기초 문서 이미지에 대한 컨텍스트 분석을 통해 기초 문서 이미지에 관련된 문서 구조 정보를 결정할 수 있다. 그리고, 프로세서(120)는 인식 단어의 위치와 문서 구조 정보 간의 연관성 정보를 생성할 수 있다. 프로세서(120)는 기초 문서 이미지(210)에서 인식되는 하나 이상의 인식 단어들을 분석하여, 상기 기초 문서 이미지(210)에서 인식된 인식 단어들 간의 관계에 대한 문서 구조 정보를 결정할 수 있다. 프로세서(120)는 기초 문서 이미지(210)에서 인식되는 글자 간의 공백을 기준으로 문서 구조 정보를 결정할 수 있다. 예를 들어, 프로세서(120)는 인식 단어가 포함하는 글자 이미지의 크기에 비해서 다음 인식 단어와의 공백이 큰 경우(예컨대, 글자 이미지 크기의 1/2 이상), 각각의 인식 단어는 별개의 개체로 인식할 것을 결정할 수 있다. 또한, 프로세서(120)는 인식 단어가 포함하는 글자 이미지의 크기에 비해서 다른 인식 단어와의 공백이 작은 경우(예컨대, 글자 이미지 크기의 1/4 이하), 각각의 인식 단어의 의미가 연관된다는 문서 구조 정보를 생성할 수 있다. 전술한 프로세서(120)의 공백에 기초한 문서 구조 정보 결정의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.Also, the processor 120 according to another embodiment may determine document structure information related to the basic document image through context analysis of the basic document image. Then, the processor 120 may generate association information between the location of the recognized word and the document structure information. The processor 120 may analyze one or more recognized words recognized in the basic document image 210 to determine document structure information about a relationship between recognized words recognized in the basic document image 210. The processor 120 may determine document structure information based on a space between characters recognized in the basic document image 210. For example, when the space between the next recognized word and the space of the next recognized word is large compared to the size of the letter image included in the recognized word (eg, 1/2 or more of the size of the letter image), each recognized word is a separate entity. You can decide to recognize. In addition, the processor 120 is a document that the meaning of each recognized word is related when the space with other recognized words is small compared to the size of the letter image included in the recognized word (eg, less than 1/4 of the size of the letter image). Structure information can be generated. The description of the document structure information determination based on the blank of the processor 120 described above is merely an example, and the present disclosure is not limited thereto.

또한, 프로세서(120)는 기초 문서 이미지(210)에서 인식되는 인식 단어 간의 위치 정보에 기초하여 문서 구조 정보를 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 인식 단어 별로 기초 문서 이미지(210) 상에서의 위치 정보를 획득할 수 있다. 그리고, 프로세서(120)는 인식 단어 간의 위치상 연관성을 가지는 다른 인식 단어를 식별할 수 있다. 여기서 위치상 연관성이란 특정 인식 단어와 수평, 또는 수직 방향에 위치한 다른 인식 단어와의 관계를 의미할 수 있다. Also, the processor 120 may determine document structure information based on location information between recognized words recognized in the basic document image 210. More specifically, the processor 120 may acquire location information on the basic document image 210 for each recognized word. In addition, the processor 120 may identify other recognition words having a correlation in position between the recognition words. Here, the positional relevance may mean a relationship between a specific recognition word and other recognition words located in a horizontal or vertical direction.

예를 들어, 프로세서(120)는 인식 단어(225)가 "질병분류기호"이고 기초 문서 이미지(210)의 상단에 위치함을 식별할 수 있다. 그리고, 프로세서(120)는 "질병분류기호"의 수직 방향에서 "M54.16"이라는 인식 단어를 식별할 수 있다. 이에 따라, 프로세서(120)는 "질병분류기호"라는 인식 단어와 "M54.16"이 서로 연관되어 있다는 연관성 정보를 생성할 수 있다. 또한, 프로세서(120)는 기초 문서 이미지(210) 상의 실선을 인식하여 인식 단어의 문서 구조 정보를 생성할 수도 있다. 예를 들어, 프로세서(120)는 "질병분류기호"와 "M54.16" 사이의 실선을 인식할 수 있다. 그리고, 프로세서(120)는 인식한 실선 및 위치 정보에 기초하여 "질병분류기호"라는 인식 단어가 다른 인식 단어 "M54.16"을 포함한다는 정보를 포함하는 문서 구조 정보를 생성할 수 있다. 전술한 프로세서(120)의 위치 정보에 기초한 문서 구조 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, the processor 120 may identify that the recognition word 225 is a “disease classification code” and is located at the top of the base document image 210. In addition, the processor 120 may identify the recognition word “M54.16” in the vertical direction of the “disease classification code”. Accordingly, the processor 120 may generate association information that the recognition word “disease classification code” and “M54.16” are related to each other. Further, the processor 120 may recognize the solid line on the basic document image 210 to generate document structure information of the recognized word. For example, the processor 120 may recognize the solid line between “disease classification code” and “M54.16”. Then, the processor 120 may generate document structure information including information that the recognition word “disease classification code” includes another recognition word “M54.16” based on the recognized solid line and location information. Generation of document structure information based on the location information of the above-described processor 120 is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따른 프로세서(120)는 인식 단어 그룹이 포함하는 제 1 인식 단어와 제 2 인식 단어에 대해서 컨텍스트 분석을 수행할 수 있다. 여기서 제 2 인식 단어는 기초 문서 이미지 세트(200)에서 획득되고 제 1 인식 단어와 상이한 인식 단어일 수 있다.The processor 120 according to an embodiment of the present disclosure may perform context analysis on the first recognition word and the second recognition word included in the recognition word group. Here, the second recognition word may be a recognition word obtained from the basic document image set 200 and different from the first recognition word.

그리고, 프로세서(120)는 제 1 인식 단어와 제 2 인식 단어의 컨텍스트 분석에 기초하여 연관성 정보를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 제 1 인식 단어를 포함하는 기초 문서 이미지(210, 220, 230, 240)들에 기초하여, 제 1 인식 단어에 대한 컨텍스트 분석 정보를 결정할 수 있다. 여기서 제 1 인식 단어에 대한 컨텍스트 분석 정보는 프로세서(120)가 기초 문서 이미지 세트(200) 상에서 사용된 제 1 인식 단어에 대한 의미(예컨대, 연관 질병 정보), 제 1 인식 단어의 위치(예컨대, 제 1 인식 단어에 해당하는 항목 정보), 제 1 인식 단어와 기초 문서 이미지(210)와의 관계(예컨대, 정형외과 관련 단어) 중 적어도 하나에 기초하여 생성할 수 있다. 또한, 프로세서(120)는 제 2 인식 단어에 대해서도 마찬가지로, 제 2 컨텍스트 분석 정보를 생성할 수 있다. 그리고, 프로세서(120)는 제 1 컨텍스트 분석 정보 및 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정할 수 있다. 그리고, 프로세서(120)는 제 1 인식 단어와 제 2 인식 단어의 공통 연관 단어 정보에 기초하여 연관성 정보를 생성할 수 있다. Then, the processor 120 may generate association information based on the context analysis of the first recognition word and the second recognition word. More specifically, the processor 120 may determine context analysis information for the first recognized word based on the basic document images 210, 220, 230, and 240 including the first recognized word. Here, the context analysis information for the first recognition word includes the meaning (eg, related disease information) of the first recognition word used by the processor 120 on the base document image set 200, and the location of the first recognition word (eg, It may be generated based on at least one of a relationship between the first recognition word and the first recognition word and the basic document image 210 (eg, an orthopedic related word). Also, the processor 120 may generate second context analysis information similarly for the second recognition word. Then, the processor 120 may determine common related word information based on the first context analysis information and the second context analysis information. Also, the processor 120 may generate association information based on common association word information between the first recognition word and the second recognition word.

예를 들어, 도 2에 도시된 바와 같이, 프로세서(120)는 제 1 인식 단어 "도수치료"에 대해서 제 1 기초 문서 이미지(210)를 통해, 연관된 진료과목 정보가 "정형외과"이고, "근이완제"라는 인식 단어와 높은 연관성이 있다는 제 1 컨텍스트 분석 정보를 생성할 수 있다. 또한, 프로세서(120)는 제 2 인식 단어 "근육 마사지"에 대해서 제 2 기초 문서 이미지(220)를 통해, 연관된 진료과목 정보가 "재활치료의학과"이고, "근이완제"라는 인식 단어와 높은 연관성이 있다는 제 2 컨텍스트 분석 정보를 생성할 수 있다. 이에 따라, 프로세서(120)는 "정형외과" 및 "근이완제"라는 인식 단어를 제 1 인식 단어 "도수치료"와 제 2 인식 단어 "근육 마사지"의 공통 연관 단어 정보로 결정할 수 있다. 그리고, 프로세서(120)는 공통 연관 단어 정보가 두 개의 인식 단어를 포함하고, 하나(근이완제)가 정확하게 일치한다는 점에 기초하여 "도수치료"와 "근육 마사지"가 서로 밀접하게 관련이 있다는 연관성 정보를 생성할 수 있다. 전술한 프로세서(120)의 공통 연관 단어 정보에 기초한 연관성 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, as shown in FIG. 2, the processor 120, through the first basic document image 210 for the first recognition word "manual therapy", is associated with the subject information "orthopedic", " The first context analysis information having high association with the recognition word "muscular relaxer" may be generated. In addition, the processor 120, through the second basic document image 220 with respect to the second recognition word "muscle massage", the related medical subject information is "rehabilitation medicine", and a high association with the recognition word "muscular relaxation agent" The second context analysis information can be generated. Accordingly, the processor 120 may determine the recognition words “orthopedic” and “muscular relaxant” as common related word information of the first recognition word “manual therapy” and the second recognition word “muscle massage”. And, the processor 120 is based on the fact that the common related word information includes two recognized words, and one (muscular relaxer) exactly matches, the correlation information that "hand massage" and "muscle massage" are closely related to each other Can generate Generation of association information based on common association word information of the above-described processor 120 is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따른 프로세서(120)는 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와 제 2 컨텍스트 분석 정보가 포함하는 급여 항목 정보를 비교하여, 제 1 컨텍스트 분석 정보 및 제 2 컨텍스트 분석 정보가 공통적으로 포함하는 급여 항목 정보를 공통 연관 단어 정보로 결정할 수 있다.The processor 120 according to an embodiment of the present disclosure compares salary item information included in the first context analysis information and salary item information included in the second context analysis information, and analyzes the first context analysis information and the second context The salary item information commonly included in the information may be determined as common related word information.

보다 구체적으로, 프로세서(120)는 제 1 인식 단어와, 상기 제 1 인식 단어를 포함하는 기초 문서 이미지(210)에 기초하여 제 1 인식 단어에 대한 컨텍스트 정보를 생성할 수 있다. 그리고, 프로세서(120)는 제 1 인식 단어를 포함하는 기초 문서 이미지(210)가 포함하는 급여 항목 정보를 식별할 수 있다. 여기서 급여 항목 정보란 의료 진료비에서 건강보험의 혜택을 받을 수 있는 항목의 명칭(예컨대, 발치, 신경치료 등)을 포함할 수 있다. 그리고, 반대로 비급여 항목이란 의료 진료비에서 건강보험의 혜택을 받을 수 없는 항목을 포함할 수 있다. 그리고, 본 개시의 일 실시예에 따른 급여 항목 정보는 기초 문서 이미지 세트(200)가 포함하는 각각의 기초 문서 이미지(210) 상에서 동일한 명칭으로 사용될 수 있다. 즉, 프로세서(120)는 제 1 인식 단어에 대한 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와, 제 2 인식 단어에 대한 제 2 컨텍스트 분석 정보가 포함하는 급여 항목 정보가 동일한 항목을 포함하는 경우, 상기 항목을 공통 연관 단어 정보로 결정할 수 있다.More specifically, the processor 120 may generate context information for the first recognition word based on the first recognition word and the basic document image 210 including the first recognition word. Then, the processor 120 may identify salary item information included in the basic document image 210 including the first recognition word. Here, the salary item information may include a name (eg, extraction, neurotherapy, etc.) of an item that can receive health insurance benefits from medical expenses. And, on the contrary, the non-salary item may include an item that cannot receive health insurance benefits from medical expenses. And, the salary item information according to an embodiment of the present disclosure may be used with the same name on each basic document image 210 included in the basic document image set 200. That is, when the processor 120 includes the salary item information included in the first context analysis information for the first recognition word and the salary item information included in the second context analysis information for the second recognition word includes the same item. , The item may be determined as common related word information.

예를 들어, 프로세서(120)는 "대퇴부 분쇄골절"이라는 제 1 인식 단어를 포함하는 제 1 기초 문서 이미지(210) 상에서 "인공관절치환술(고관절)"이라는 인식 단어를 식별할 수 있다. 또한, 프로세서(120)는 "대퇴부의 복합 골절로 사료됨"이라는 제 2 인식 단어를 포함하는 제 2 기초 문서 이미지(220) 상에서 "인공관절치환술(고관절)"이라는 인식 단어를 식별할 수 있다. 그리고, 프로세서(120)는 "인공관절치환술(고관절)"이라는 인식 단어를 메모리(130)에 저장된 급여 항목 테이블과 비교하여, 급여 항목에 해당된다는 것을 확인할 수 있다. 이에 따라, 프로세서(120)는 제 1 인식 단어 "대퇴부 분쇄골절"과 제 2 인식 단어 "대퇴부의 복합 골절로 사료됨"이 서로 관련 있다는 연관성 정보를 생성할 수 있다. 전술한 프로세서(120)의 급여 항목에 기초한 연관성 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, the processor 120 may identify the recognized word “artificial joint replacement (hip)” on the first basic document image 210 including the first recognized word “femoral fracture”. In addition, the processor 120 may identify the recognized word “artificial joint replacement (hip)” on the second basic document image 220 including the second recognized word “which is considered to be a composite fracture of the femur”. Then, the processor 120 compares the recognized word "artificial joint replacement surgery (hip joint)" with a table of salary items stored in the memory 130, and confirms that it corresponds to a salary item. Accordingly, the processor 120 may generate association information that the first recognition word "femoral fracture" is related to the second recognition word "femoral fracture of the thigh". The above-described generation of association information based on the salary item of the processor 120 is merely an example, and the present disclosure is not limited thereto.

또한, 본 개시의 일 실시예에 따른 프로세서(120)는 제 1 컨텍스트 분석 정보가 포함하는 제 1 인식 단어의 항목과 유사한 제 1 유사 항목 단어 그룹과 제 2 컨텍스트 분석 정보가 포함하는 제 2 인식 단어의 항목과 유사한 제 2 유사 항목 단어 그룹을 비교하여, 제 1 유사 항목 단어 그룹이 포함하는 제 1 유사 항목 단어와 제 2 유사 항목 단어 그룹이 포함하는 제 2 유사 항목 단어 각각의 의미 유사도를 산출할 수 있다. 그리고, 프로세서(120)는 제 1 유사 항목 단어와 제 2 유사 항목 단어의 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 제 1 유사 항목 단어 및 제 2 유사 항목 단어를 공통 연관 단어 정보로 결정할 수 있다.In addition, the processor 120 according to an embodiment of the present disclosure includes a first similar word group similar to an item of the first recognized word included in the first context analysis information and a second recognized word included in the second context analysis information. Comparing the second similar word group similar to the items of, a semantic similarity of each of the first similar word included in the first similar word group and the second similar word included in the second similar word group is calculated. Can be. In addition, when the semantic similarity between the first similarity word and the second similarity word is equal to or greater than a preset reference semantic similarity, the processor 120 may determine the first similarity word and the second similarity word as common related word information. .

보다 구체적으로, 프로세서(120)는 제 1 인식 단어와, 상기 제 1 인식 단어를 포함하는 기초 문서 이미지(210)에 기초하여 제 1 인식 단어에 대한 컨텍스트 정보를 생성할 수 있다. 그리고, 프로세서(120)는 제 1 인식 단어와 연관된 하나 이상의 인식 단어를 그룹화함으로써 제 1 유사 항목 단어 그룹을 생성할 수 있다. 여기서 제 1 유사 항목 단어 그룹은 제 1 인식 단어와 연관성 정보가 존재하는 인식 단어 그룹일 수 있다. 또한, 제 1 유사 항목 단어 그룹은 프로세서(120)가 제 1 인식 단어를 표준화 데이터베이스(400)에 저장할 때, 하나의 군(즉, 클러스터)으로 묶는 단어의 집합일 수 있다. 또한, 본 개시의 일 실시예에 따른 프로세서(120)는 제 2 인식 단어에 대해서도 동일하게 제 2 유사 항목 단어 그룹을 생성할 수 있다. 그리고, 프로세서(120)는 각각의 유사 항목 단어 그룹이 포함하는 하나 이상의 인식 단어 별 유사도를 산출할 수 있다. 그리고, 프로세서(120)는 제 1 유사 항목 단어와 제 2 유사 항목 단어의 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 제 1 유사 항목 단어 및 제 2 유사 항목 단어를 공통 연관 단어 정보로 결정할 수 있다.More specifically, the processor 120 may generate context information for the first recognition word based on the first recognition word and the basic document image 210 including the first recognition word. Then, the processor 120 may generate a first similar word group by grouping one or more recognized words associated with the first recognized word. Here, the first similarity word group may be a recognition word group in which association information is associated with the first recognition word. Also, the first similar word group may be a set of words that are grouped into a group (ie, clusters) when the processor 120 stores the first recognized words in the standardized database 400. Also, the processor 120 according to an embodiment of the present disclosure may generate a second similar word group for the second recognized word. Then, the processor 120 may calculate the similarity of each of the recognition words included in each similarity word group. In addition, when the semantic similarity between the first similarity word and the second similarity word is equal to or greater than a preset reference semantic similarity, the processor 120 may determine the first similarity word and the second similarity word as common related word information. .

예를 들어, 프로세서(120)는 제 1 인식 단어 "타박상"에 대한 컨텍스트 분석을 통해, 제 1 유사 항목 단어 그룹 "멍", "부종" 및 "골절"을 결정할 수 있다. 또한, 프로세서(120)는 제 2 인식 단어 "찰과상"에 대한 컨텍스트 분석을 통해, 제 2 유사 항목 단어 그룹 "열상", "파상풍" 및 "흉터"을 결정할 수 있다. 그리고, 프로세서(120)는 각 유사 항목 단어 그룹이 포함하는 단어들에 대해서 3*3 형태의 유사도 테이블을 생성할 수 있다. 그리고, 프로세서(120)는"멍" 및 "흉터"에 대한 유사도가 "0.78"로 산출되어, 사전 설정된 기준 의미 유사도 0.75 이상일 수 있다. 이에 따라, 프로세서(120)는 "멍"와 "흉터"를 각각 공통 연관 단어 정보로 하는 연관성 정보를 생성할 수 있다. 전술한 유사 항목 단어 그룹을 통한 연관성 정보 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, the processor 120 may determine a first similarity word group “random”, “edema”, and “fracture” through context analysis of the first recognized word “bruise”. In addition, the processor 120 may determine the second similarity word group “thermal lace”, “tetanus”, and “scar” through context analysis on the second recognized word “abrasion”. In addition, the processor 120 may generate a 3*3 form similarity table for words included in each similarity word group. In addition, the processor 120 has a similarity degree of “a bruise” and a “scar” calculated as “0.78”, so that the preset reference semantic similarity may be 0.75 or more. Accordingly, the processor 120 may generate association information using “random” and “scar” as common association word information, respectively. The above-described generation of association information through the similar word group is merely an example, and the present disclosure is not limited thereto.

이하에서는, 프로세서(120)가 인식 단어 그룹과 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스(400)를 생성하는 방법 및 타겟 문서 이미지(300)에서 인식된 비표준 단어를 연관성 정보에 적어도 부분적으로 기초하여 표준화하는 방법에 관하여 설명한다.Hereinafter, a method in which the processor 120 generates the standardization database 400 based at least in part on the recognition word group and the association information, and based on the association information at least in part on the non-standard words recognized in the target document image 300. How to standardize is explained.

도 3은 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 관한 모식도이다.3 is a schematic diagram of a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure.

프로세서(120)는 인식 단어 그룹과 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스(400)를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 인식 단어 간의 의미 유사도에 기초하여 연관성 정보를 생성할 수 있다. 프로세서(120)는 인식 단어 그룹이 포함하는 인식 단어 및 인식 단어 각각에 관한 연관성 정보에 기초하여 하나 이상의 클러스터(cluster)를 형성할 수 있다. 즉, 프로세서(120)는 서로 연관성이 강한 인식 단어들을 하나의 군으로 분류할 수 있다. 또한, 프로세서(120)는 표준화 데이터베이스(400)에 인식 단어를 저장할 때, 서로 연관성이 존재하는 인식 단어들을 서로 유사한 클러스터, 즉, 인접한 영역에 각각 배치할 수 있다. 예컨대, 프로세서(120)는 벡터 변환 방식을 통해 인식 단어 각각을 다차원 공간 상에 배치할 수 있다. 그리고, 프로세서(120)는 연관성 정보가 강한 인식 단어에 해당하는 벡터들을 서로 인접하게 배치할 수 있다. 그리고, 프로세서(120)는 사전 설정된 거리 이내의 벡터를 하나의 그룹으로 군집화(clustering)할 수 있다. 전술한 프로세서(120)의 군집화 동작의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.The processor 120 may generate the standardization database 400 based at least in part on the recognition word group and association information. More specifically, the processor 120 may generate association information based on semantic similarity between recognized words. The processor 120 may form one or more clusters based on the recognition word included in the recognized word group and association information regarding each of the recognized words. That is, the processor 120 may classify recognition words having strong correlation with each other as a group. In addition, when the recognition word is stored in the standardization database 400, the processor 120 may place recognition words that are related to each other in a cluster similar to each other, that is, adjacent areas. For example, the processor 120 may place each recognized word on a multidimensional space through a vector conversion method. In addition, the processor 120 may arrange vectors corresponding to recognition words having strong association information adjacent to each other. Then, the processor 120 may cluster vectors within a predetermined distance into one group. The above description of the clustering operation of the processor 120 is merely an example, and the present disclosure is not limited thereto.

그리고, 프로세서(120)는 클러스터에 관한 표준 단어를 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 표준화 데이터베이스(400)가 포함하는 각각의 클러스터에 대해서 표준 단어를 결정할 수 있다. 여기서 표준 단어란 하나의 클러스터에 포함된 인식 단어들 중 상기 클러스터를 대표할 수 있는 인식 단어를 의미할 수 있다. 그리고, 이에 따라, 프로세서(120)는 표준 단어를 기준으로 연관성 정보를 가지고 매칭된 단어를 기준 단어로 결정할 수 있다. 즉, 프로세서(120)는 기초 문서 이미지 세트(200)에서 추출된 인식 단어들을 하나 이상의 클러스터로 군집화하며 표준화 데이터베이스(400) 상에 저장할 수 있다. 그리고, 프로세서(120)는 각각의 군집(클러스터)에 대하여 하나의 표준 단어를 결정할 수 있다. 그리고, 프로세서(120)는 해당 클러스터에서 표준 단어를 제외한 인식 단어들을 표준 단어 및 매칭된 연관성 정보의 형태로 구성되는 기준 단어로 결정할 수 있다.Then, the processor 120 may determine a standard word for the cluster. More specifically, the processor 120 may determine a standard word for each cluster included in the standardization database 400. Here, the standard word may mean a recognition word that can represent the cluster among recognition words included in one cluster. And, accordingly, the processor 120 may determine a matched word as a reference word based on association information based on the standard word. That is, the processor 120 may cluster recognition words extracted from the basic document image set 200 into one or more clusters and store them on the standardization database 400. Then, the processor 120 may determine one standard word for each cluster (cluster). In addition, the processor 120 may determine recognized words excluding standard words in the cluster as standard words and reference words composed of matched association information.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자 입력에 기초해서 표준 단어를 결정하거나, 또는 클러스터가 포함하는 인식 단어 중 하나를 통계적으로 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 네트워크부(110)를 통해 표준 단어를 설정하기 위한 사용자 입력을 수신할 수 있다. 그리고, 프로세서(120)는 사용자 입력에 기초하여 각각의 클러스터에 해당되는 표준 단어를 결정할 수 있다. 예를 들어, 프로세서(120)는 "백옥주사", "비욘세주사", "글루타치온" 및 "Glutathone sulfhydryl" 등의 인식 단어들을 하나의 클러스터에 저장할 수 있다. 그리고, 프로세서(120)는 네트워크부(110)를 통해 상기 클러스터에 대한 표준 단어를 "글루타치온 주사"로 하도록 하는 사용자 입력을 수신할 수 있다. 이에 따라, 프로세서(120)는 상기 클러스터를 "글루타치온 주사"이라는 표준 단어와, 표준 단어와 동일한 의미로 사용되는 "백옥주사", "비욘세주사", "글루타치온" 및 "Glutathone sulfhydryl"이라는 기준 단어의 형태로 구성할 수 있다. 이에 따라, 프로세서(120)는 이후에 입력되는 "백옥주사", "비욘세주사", "글루타치온", 및 "Glutathone sulfhydryl"에 대해서, "글루타치온 주사"로 표준화하여 클러스터에 저장할 수 있다. 전술한 클러스터의 표준 단어 결정은 예시일 뿐, 본 개시는 이에 제한되지 않는다.The processor 120 according to an embodiment of the present disclosure may determine a standard word based on user input or statistically determine one of the recognized words included in the cluster. More specifically, the processor 120 may receive a user input for setting a standard word through the network unit 110. In addition, the processor 120 may determine a standard word corresponding to each cluster based on user input. For example, the processor 120 may store recognition words such as “white jade injection”, “beyonce injection”, “glutathione”, and “Glutathone sulfhydryl” in one cluster. In addition, the processor 120 may receive a user input to make the standard word for the cluster a "glutathione injection" through the network unit 110. Accordingly, the processor 120 of the standard word "glutathione injection" and the standard words "white jade injection", "beyonce injection", "glutathione" and "Glutathone sulfhydryl" used in the same sense as the standard word It can be configured in the form. Accordingly, the processor 120 may standardize and store it in a "glutathione injection" for "white jade injection", "beyonce injection", "glutathione", and "Glutathone sulfhydryl", which are subsequently input. The standard word determination of the aforementioned cluster is merely an example, and the present disclosure is not limited thereto.

또한, 본 개시의 일 실시에에 따른 프로세서(120)는 클러스터가 포함하는 인식 단어들 중 하나를 표준 단어로 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 해당 클러스터가 포함하는 인식 단어 중 인식된 횟수가 높은 인식 단어를 표준 단어로 결정할 수 있다. 또한, 프로세서(120)는 각각의 기초 문서 이미지(210)를 발행한 의료기관을 식별할 수 있다. 그리고, 프로세서(120)는 클러스터가 포함하는 인식 단어 그룹 중 다수의 의료기관에서 사용하는 인식 단어를 표준 단어로 결정할 수 있다. Also, the processor 120 according to an embodiment of the present disclosure may determine one of the recognized words included in the cluster as a standard word. More specifically, the processor 120 may determine, as a standard word, a recognized word having a high recognized number of recognition words included in the cluster. In addition, the processor 120 may identify the medical institution that issued each basic document image 210. In addition, the processor 120 may determine a recognized word used by a plurality of medical institutions among the recognized word group included in the cluster as a standard word.

예를 들어, 10개의 병원에서 발행된 문서들을 기초 문서 이미지 세트(200)로 하는 경우, 프로세서(120)는 인식 단어들을 하나 이상의 클러스터로 군집화하여 표준화 데이터베이스(400)에 저장할 수 있다. 그리고, 프로세서(120)는 10개의 병원 중 6개의 병원에서 발급한 진단서에서 "글루타치온 주사"이라는 인식 단어가 식별됨에 기초하여, 관련 클러스터의 표준 단어를 "글루타치온 주사"로 결정할 수 있다. 그리고, 프로세서(120)는 상기 클러스터가 포함하는 나머지 인식 단어들을 "글루타치온 주사"와 매칭된 기준 단어로 결정할 수 있다. 전술한 클러스터의 표준 단어 결정 동작 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, when documents issued from 10 hospitals are used as the basic document image set 200, the processor 120 may cluster the recognized words into one or more clusters and store them in the standardization database 400. In addition, the processor 120 may determine the standard word of the related cluster as “glutathione injection” based on the recognition word “glutathione injection” in a medical certificate issued by 6 hospitals out of 10 hospitals. Then, the processor 120 may determine the remaining recognized words included in the cluster as a reference word matched with "glutathione injection". The description of the standard word determination operation of the aforementioned cluster is merely an example, and the present disclosure is not limited thereto.

프로세서(120)는 타겟 문서 이미지(300)에서 인식된 비표준 단어를 연관성 정보에 적어도 부분적으로 기초하여 표준화할 수 있다. 타겟 문서 이미지(300)는 표준화 데이터베이스(400)의 생성 이후, 입력되는 문서 이미지를 포함할 수 있다. 그리고, 타겟 문서 이미지(300)는 하나 이상의 타겟 단어를 포함하는 문서 이미지일 수 있다. 또한, 타겟 단어는 표준화 데이터베이스(400)에 저장되어 있지 않은 인식 단어, 즉, 새로 매칭되어야 하는 인식 단어를 의미할 수 있다.The processor 120 may standardize the non-standard words recognized in the target document image 300 based at least in part on the association information. The target document image 300 may include an input document image after creation of the standardization database 400. In addition, the target document image 300 may be a document image including one or more target words. Also, the target word may mean a recognition word that is not stored in the standardization database 400, that is, a recognition word to be newly matched.

보다 구체적으로, 프로세서(120)는 타겟 문서 이미지(300)를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹을 추출할 수 있다. 여기서 인식 단어 그룹은 타겟 문서 이미지(300) 상에서 식별된 하나 이상의 인식 단어를 포함할 수 있다. 그리고, 프로세서(120)는 상기 인식 단어와 표준화 데이터베이스(400)의 표준 단어를 비교하여 매칭 여부를 판단할 수 있다. 프로세서(120)는 인식 단어와 표준 단어가 매칭되지 않는 경우, 상기 인식 단어를 비표준 단어로 결정할 수 있다. 그리고, 프로세서(120)는 비표준 단어를 표준화 데이터베이스(400)에 저장되어 있는 기준 단어와의 매칭 여부를 판단할 수 있다. 여기서 프로세서(120)는 기준 단어와 매칭되지 않는 비표준 단어를 타겟 단어로 결정할 수 있다. 또한, 프로세서(120)는 상기 타겟 단어와 타겟 문서 이미지(300)가 포함하는 다른 인식 단어와의 관계를 분석하여 연관성 정보를 생성할 수 있다. 그리고, 프로세서(120)는 타겟 단어를 새로 생성된 연관성 정보에 기초하여 표준화 데이터베이스(400)가 포함하는 클러스터 중 하나에 저장할 수 있다. 즉, 프로세서(120)는 타겟 문서 이미지(300) 상에서 인식된 비표준 단어를 연관성 정보에 적어도 부분적으로 기초하여 표준화할 수 있다.More specifically, the processor 120 may extract the recognized word group by calculating the target document image 300 through the character recognition model. Here, the recognition word group may include one or more recognition words identified on the target document image 300. Then, the processor 120 may compare the recognized word with the standard word in the standardization database 400 to determine whether or not a match is made. When the recognized word and the standard word do not match, the processor 120 may determine the recognized word as a non-standard word. Also, the processor 120 may determine whether the non-standard word matches the reference word stored in the standardization database 400. Here, the processor 120 may determine a non-standard word that does not match the reference word as the target word. In addition, the processor 120 may generate association information by analyzing a relationship between the target word and other recognized words included in the target document image 300. Then, the processor 120 may store the target word in one of the clusters included in the standardization database 400 based on the newly generated association information. That is, the processor 120 may standardize the non-standard words recognized on the target document image 300 based at least in part on the association information.

메모리(130)는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.The memory 130 may store a computer program for performing a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure, and the stored computer program may be read and driven by the processor 120 have.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 문서 이미지, 글자 이미지, 글자의 항목 및 속성의 연관성 정보 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.The memory 130 according to embodiments of the present disclosure may store a program for the operation of the processor 120, and input/output data (eg, a document image, a text image, a text item, and an attribute of the text). Association information, etc.). The memory 130 may store data related to a display and sound. The memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory, etc.), RAM (Random Access Memory, RAM), Static Random Access Memory (SRAM), Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read-Only Memory (PROM), magnetic memory, magnetic It may include at least one type of storage medium among disks and optical disks.

이에 따라, 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법은 기초 문서 이미지 세트(200)를 통해 인식 단어 간의 관계를 분석하여 연관성 정보를 생성할 수 있고, 이를 바탕으로 표준화 데이터베이스(400)를 생성할 수 있다. 이를 통해 동일한 명칭 및 용어에 대해서 의료기관마다 서로 상이하게 표현하여, 사용자의 혼란과 및 보험사의 업무 로드가 증가하는 것을 해결할 수 있다. Accordingly, a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure may generate association information by analyzing a relationship between recognized words through a basic document image set 200. The standardization database 400 can be created. Through this, the same names and terms can be expressed differently for each medical institution, thereby solving the user's confusion and the increase in the insurer's workload.

특히, 비급여 항목에 대해서 병원마다 다른 명칭과 비용을 책정하여, 소비자가 다른 병원의 상품들과 명확하게 비교하지 못하게 함으로써 발생하는 사회적 문제를 예방할 수 있다.In particular, by setting different names and costs for each hospital for non-payment items, it is possible to prevent social problems caused by consumers not being able to clearly compare products from other hospitals.

도 4는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 순서도이다.4 is a flowchart of a method for standardizing terms recognized from document images according to an embodiment of the present disclosure.

컴퓨팅 장치(100)는 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹을 추출(510)할 수 있다.The computing device 100 may extract a group of recognized words by calculating a basic document image set through a letter recognition model (510 ).

컴퓨팅 장치(100)는 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹을 추출할 수 있다. 본 개시에서 기초 문서 이미지 세트는 기초 문서 이미지(210, 220, 230, 240)의 집합으로서, 용어를 수집하고 이를 군집화하여 표준화 데이터베이스(400)를 생성하기 위한 기초 자료가 될 수 있다. 본 개시에서 기초 문서 이미지(210)는 임의의 한 분야(예컨대, 의료, 보험, 금융 등)의 관련 기관에서 생성된 문서들에 대해서, 이미지 인식 기술(예컨대, 딥 OCR 등)을 통해 이미지화 된 문서를 포함할 수 있다. 그리고, 본 개시에서 타겟 문서 이미지(300)는 표준화 데이터베이스(400) 생성 이후, 입력되는 문서 이미지로서 하나 이상의 인식 대상 글자를 포함하는 문서에 대한 이미지 일 수 있다. 또한, 기초 문서 이미지(210) 및 타겟 문서 이미지(300)는 각각 하나 이상의 글자 이미지를 포함할 수 있다. 글자 이미지는 하나의 글자를 포함하는 이미지일 수 있다. The computing device 100 may extract a group of recognized words by calculating a set of basic document images through a letter recognition model. In the present disclosure, the basic document image set is a set of basic document images 210, 220, 230, and 240, and may be basic data for generating a standardized database 400 by collecting terms and clustering them. In the present disclosure, the basic document image 210 is a document imaged through image recognition technology (eg, deep OCR, etc.) for documents generated by related organizations in any one field (eg, medical, insurance, finance, etc.) It may include. In addition, in the present disclosure, the target document image 300 may be an image of a document including one or more recognition target characters as an input document image after the standardization database 400 is generated. Also, the base document image 210 and the target document image 300 may each include one or more character images. The letter image may be an image including one letter.

또한, 컴퓨팅 장치(100)는 조합된 글자를 메모리(130)에 저장된 기준 단어와 비교하여 인식 단어로 결정할 수 있다. 보다 구체적으로, 기초 문서 이미지(210)는 하나 이상의 글자 이미지를 포함할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 기초 문서 이미지(210) 내에서 인식되는 하나 이상의 글자 이미지 각각을 글자 인식 모델을 통해 연산함으로써, 각각의 글자를 분류 결과로 출력할 수 있다. 또한, 컴퓨팅 장치(100)는 각각의 분류 결과로 결정된 글자를 글자 이미지의 위치 관계에 따라 조합할 수 있다. 그리고, 컴퓨팅 장치(100)는 기초 문서 이미지(210)의 도메인에 기초하여, 조합된 글자를 메모리에 저장된 기준 단어 테이블의 기준 단어들과 비교할 수 있다. 이에 따라, 컴퓨팅 장치(100)는 조합된 글자와 매칭되는 기준 단어가 기준 단어 테이블에 존재하는 경우, 조합된 단어를 인식 단어로써 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 기초 문서 이미지 세트에 포함되는 각각의 기초 문서 이미지(210)에서 결정된 하나 이상의 인식 단어들을 그룹화할 수 있다. 즉, 컴퓨팅 장치(100)는 기초 문서 이미지 세트에서 인식 단어 그룹을 추출할 수 있다.In addition, the computing device 100 may determine a recognized word by comparing the combined letter with a reference word stored in the memory 130. More specifically, the basic document image 210 may include one or more text images. In addition, the computing device 100 may output each character as a classification result by calculating each one or more character images recognized in the basic document image 210 through a character recognition model. Also, the computing device 100 may combine letters determined as a result of each classification according to the positional relationship of the letter image. Then, the computing device 100 may compare the combined letters with the reference words in the reference word table stored in the memory based on the domain of the basic document image 210. Accordingly, when the reference word matching the combined letter exists in the reference word table, the computing device 100 may determine the combined word as the recognition word. In addition, the computing device 100 may group one or more recognition words determined from each of the basic document images 210 included in the basic document image set. That is, the computing device 100 may extract a group of recognized words from the set of basic document images.

컴퓨팅 장치(100)는 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성(520)할 수 있다.The computing device 100 may generate 520 correlation information by analyzing a relationship between the recognized words.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 인식 단어 간의 의미 유사도에 기초하여 연관성 정보를 생성할 수 있다. 본 개시에서 연관성 정보는 타겟 문서 이미지(300)가 네트워크부(110)를 통해 수신될 때, 타겟 문서 이미지(300) 상에서 인식되는 인식 단어를 표준화하기 위해 사용되는 정보일 수 있다. 또한, 연관성 정보는 컴퓨팅 장치(100)가 인식 단어에 대한 표준화 데이터베이스(400)를 생성할 때, 각각의 인식 단어를 군집화(clustering)하기 위해 사용될 수 있다. 이에 따라, 컴퓨팅 장치(100)는 서로 연관성이 강한 인식 단어들을 하나의 군으로 분류할 수 있다. 또한, 컴퓨팅 장치(100)는 서로 연관성이 존재하는 인식 단어들을 서로 유사한 군, 즉, 인접한 영역에 각각 배치할 수 있다. The computing device 100 according to an embodiment of the present disclosure may generate association information based on the similarity of meaning between recognized words. In the present disclosure, the relevance information may be information used to standardize recognition words recognized on the target document image 300 when the target document image 300 is received through the network unit 110. In addition, the association information may be used to cluster each recognition word when the computing device 100 generates a standardization database 400 for the recognition word. Accordingly, the computing device 100 may classify recognition words having strong correlation with each other into a group. Also, the computing device 100 may place recognition words that are related to each other in a group similar to each other, that is, in adjacent regions.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 인식 단어 각각에 대해서 연관 질병 정보를 결정할 수 있다. 여기서 연관 질병 정보란 인식 단어와 연관 있는 하나 이상의 질병 목록을 포함할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인식된 글자의 조합과 메모리(130)에 저장된 기준 단어를 비교하여 인식 단어를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 각각의 인식 단어 및 메모리(130)에 인식 단어 별로 저장된 연관 질병 테이블에 기초하여 하나 이상의 질병을 연결시킬 수 있다. The computing device 100 according to an embodiment of the present disclosure may determine related disease information for each recognition word. Here, the related disease information may include a list of one or more diseases associated with the recognition word. More specifically, the computing device 100 may determine a recognized word by comparing a combination of recognized letters and a reference word stored in the memory 130. Further, the computing device 100 may connect one or more diseases based on the associated disease table stored for each recognition word and each recognition word in the memory 130.

그리고, 컴퓨팅 장치(100)는 인식 단어 각각에 대해서 결정된 연관 질병 정보 간의 유사도를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 연관 질병 정보 간의 유사도에 기초하여 인식 단어 간의 연관성 정보를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 기초 문서 이미지 세트에 기초하여 둘 이상의 인식 단어를 인식할 수 있다. 또한, 컴퓨팅 장치(100)는 각각의 인식 단어에 대한 연관 질병 정보를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 각각의 인식 단어에 대해서 결정된 연관 질병들이 동일한지에 기초하여 인식 단어 간의 연관성 정보를 생성할 수 있다. Then, the computing device 100 may calculate the similarity between the related disease information determined for each recognition word. Also, the computing device 100 may generate association information between recognized words based on the similarity between the associated disease information. More specifically, the computing device 100 may recognize two or more recognition words based on a set of basic document images. Also, the computing device 100 may determine relevant disease information for each recognized word. Then, the computing device 100 may generate association information between the recognition words based on whether the related diseases determined for each recognition word are the same.

또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사용자 정보에 관련한 인식 단어에 기초하여 연관성 정보를 생성할 수 있다. 기초 문서 이미지 세트(200)는 특정 사용자에 대해서 수집된 의료기록의 기초 문서 이미지(210)를 포함할 수 있다. 그리고, 컴퓨팅 장치(100)는 각각의 기초 문서 이미지(210)에서 사용자 식별 정보 등의 사용자 정보와 관련한 인식 단어를 인식할 수 있다.Also, the computing device 100 according to an embodiment of the present disclosure may generate association information based on recognition words related to user information. The set of basic document images 200 may include a basic document image 210 of medical records collected for a specific user. In addition, the computing device 100 may recognize recognition words related to user information such as user identification information in each of the basic document images 210.

보다 구체적으로, 컴퓨팅 장치(100)는 사용자 정보에 기초하여 기초 문서 이미지 세트 중 사용자 정보에 해당하는 사용자에 관련한 기초 문서 이미지를 식별할 수 있다. 예컨대, 기초 문서 이미지 세트(200)는 사용자 별 병원 내원 기록, 건강검진 결과서, 통원확인서, 사용자의 초진 차트 등의 개인에 대해서 생성된 의료기록의 이미지를 포함할 수 있다. 그리고, 컴퓨팅 장치(100)는 사용자 정보를 통해 각각의 사용자에 대해서 연관된 기초 문서 이미지(210)를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 사용자에 관련한 기초 문서 이미지에서 인식된 인식 단어들 간의 연관성 정보를 생성할 수 있다.More specifically, the computing device 100 may identify a basic document image related to a user corresponding to the user information from the set of basic document images based on the user information. For example, the basic document image set 200 may include an image of a medical record generated for an individual such as a hospital visit record for each user, a health checkup result, a visit confirmation letter, and a user's initial chart. In addition, the computing device 100 may determine an associated basic document image 210 for each user through user information. Also, the computing device 100 may generate association information between recognized words recognized in the basic document image related to the user.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행할 수 있다. The computing device 100 according to an embodiment of the present disclosure may perform context analysis on each basic document image included in the basic document image set.

그리고, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식되는 인식 단어와 기초 문서 이미지(210)의 컨텍스트 간의 관계에 기초하여 연관성 정보를 생성할 수 있다. Also, the computing device 100 according to an embodiment of the present disclosure may generate association information based on a relationship between a recognition word recognized in the basic document image 210 and the context of the basic document image 210.

보다 구체적으로, 컴퓨팅 장치(100)는 기초 문서 이미지(210)에 대한 컨텍스트 분석을 통해 기초 문서 이미지(210)에 관련된 진료과목 정보를 결정할 수 있다. 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식되는 하나 이상의 인식 단어들을 분석하여 상기 기초 문서 이미지(210)와 연관된 진료과목(예컨대, 정형외과, 내과, 소아과 등)을 결정할 수 있다. 컴퓨팅 장치(100)는 기초 문서 이미지(210)가 포함하는 의료기관의 명칭에 기초하여 진료과목 정보를 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식된 질병명들과 관련도가 높은 진료과목을 상기 기초 문서 이미지(210)에 대한 진료과목 정보로 결정할 수 있다.More specifically, the computing device 100 may determine medical subject information related to the basic document image 210 through context analysis of the basic document image 210. The computing device 100 may analyze one or more recognized words recognized in the basic document image 210 to determine a medical subject (eg, orthopedic surgery, internal medicine, pediatrics, etc.) associated with the basic document image 210. The computing device 100 may determine medical subject information based on the name of the medical institution included in the basic document image 210. In addition, the computing device 100 may determine a medical subject having high relevance to disease names recognized in the basic document image 210 as medical subject information for the basic document image 210.

그리고, 컴퓨팅 장치(100)는 인식 단어와 진료과목 정보 간의 연관성 정보를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 기초 문서 이미지(210) 상에서 인식되는 인식 단어들을, 상기 기초 문서 이미지(210)에 대해서 결정된 진료과목 정보와 연결시키는 연관성 정보를 생성할 수 있다.In addition, the computing device 100 may generate association information between the recognition word and the subject information. More specifically, the computing device 100 may generate association information that connects recognition words recognized on the basic document image 210 with medical subject information determined for the basic document image 210.

또한, 다른 실시예에 따른 컴퓨팅 장치(100)는 기초 문서 이미지에 대한 컨텍스트 분석을 통해 기초 문서 이미지에 관련된 문서 구조 정보를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 인식 단어의 위치와 문서 구조 정보 간의 연관성 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식되는 하나 이상의 인식 단어들을 분석하여, 상기 기초 문서 이미지(210)에서 인식된 인식 단어들 간의 관계에 대한 문서 구조 정보를 결정할 수 있다. 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식되는 글자 간의 공백을 기준으로 문서 구조 정보를 결정할 수 있다. Also, the computing device 100 according to another embodiment may determine document structure information related to the basic document image through context analysis of the basic document image. Also, the computing device 100 may generate association information between the location of the recognized word and the document structure information. The computing device 100 may analyze one or more recognized words recognized in the basic document image 210 to determine document structure information about a relationship between recognized words recognized in the basic document image 210. The computing device 100 may determine document structure information based on a space between characters recognized in the basic document image 210.

또한, 컴퓨팅 장치(100)는 기초 문서 이미지(210)에서 인식되는 인식 단어 간의 위치 정보에 기초하여 문서 구조 정보를 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인식 단어 별로 기초 문서 이미지(210) 상에서의 위치 정보를 획득할 수 있다. 그리고, 컴퓨팅 장치(100)는 인식 단어 간의 위치상 연관성을 가지는 다른 인식 단어를 식별할 수 있다. 여기서 위치상 연관성이란 특정 인식 단어와 수평, 또는 수직 방향에 위치한 다른 인식 단어와의 관계를 의미할 수 있다. Also, the computing device 100 may determine document structure information based on location information between recognized words recognized in the basic document image 210. More specifically, the computing device 100 may acquire location information on the basic document image 210 for each recognition word. Also, the computing device 100 may identify other recognition words having a correlation in position between the recognition words. Here, the positional relevance may mean a relationship between a specific recognition word and other recognition words located in a horizontal or vertical direction.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 인식 단어 그룹이 포함하는 제 1 인식 단어와 제 2 인식 단어에 대해서 컨텍스트 분석을 수행할 수 있다. 여기서 제 2 인식 단어는 기초 문서 이미지 세트(200)에서 획득되고 제 1 인식 단어와 상이한 인식 단어일 수 있다.The computing device 100 according to an embodiment of the present disclosure may perform context analysis on the first recognition word and the second recognition word included in the recognition word group. Here, the second recognition word may be a recognition word obtained from the basic document image set 200 and different from the first recognition word.

그리고, 컴퓨팅 장치(100)는 제 1 인식 단어와 제 2 인식 단어의 컨텍스트 분석에 기초하여 연관성 정보를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 제 1 인식 단어를 포함하는 기초 문서 이미지(210, 220, 230, 240)들에 기초하여, 제 1 인식 단어에 대한 컨텍스트 분석 정보를 결정할 수 있다. 여기서 제 1 인식 단어에 대한 컨텍스트 분석 정보는 컴퓨팅 장치(100)가 기초 문서 이미지 세트(200) 상에서 사용된 제 1 인식 단어에 대한 의미(예컨대, 연관 질병 정보), 제 1 인식 단어의 위치(예컨대, 제 1 인식 단어에 해당하는 항목 정보), 제 1 인식 단어와 기초 문서 이미지(210)와의 관계(예컨대, 정형외과 관련 단어) 중 적어도 하나에 기초하여 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 제 2 인식 단어에 대해서도 마찬가지로, 제 2 컨텍스트 분석 정보를 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 컨텍스트 분석 정보 및 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 인식 단어와 제 2 인식 단어의 공통 연관 단어 정보에 기초하여 연관성 정보를 생성할 수 있다. Also, the computing device 100 may generate association information based on the context analysis of the first recognition word and the second recognition word. More specifically, the computing device 100 may determine context analysis information for the first recognized word based on the basic document images 210, 220, 230, and 240 including the first recognized word. Here, the context analysis information for the first recognition word includes the meaning (eg, related disease information) of the first recognition word used by the computing device 100 on the base document image set 200, and the location of the first recognition word (eg , Item information corresponding to the first recognition word), and a relationship between the first recognition word and the basic document image 210 (eg, an orthopedic related word). Also, the computing device 100 may generate second context analysis information similarly for the second recognition word. In addition, the computing device 100 may determine common related word information based on the first context analysis information and the second context analysis information. Also, the computing device 100 may generate association information based on common association word information between the first recognition word and the second recognition word.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와 제 2 컨텍스트 분석 정보가 포함하는 급여 항목 정보를 비교하여, 제 1 컨텍스트 분석 정보 및 제 2 컨텍스트 분석 정보가 공통적으로 포함하는 급여 항목 정보를 공통 연관 단어 정보로 결정할 수 있다.The computing device 100 according to an embodiment of the present disclosure compares the salary item information included in the first context analysis information and the salary item information included in the second context analysis information, so that the first context analysis information and the second context The salary item information commonly included in the analysis information may be determined as common related word information.

또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 제 1 컨텍스트 분석 정보가 포함하는 제 1 인식 단어의 항목과 유사한 제 1 유사 항목 단어 그룹과 제 2 컨텍스트 분석 정보가 포함하는 제 2 인식 단어의 항목과 유사한 제 2 유사 항목 단어 그룹을 비교하여, 제 1 유사 항목 단어 그룹이 포함하는 제 1 유사 항목 단어와 제 2 유사 항목 단어 그룹이 포함하는 제 2 유사 항목 단어 각각의 의미 유사도를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 유사 항목 단어와 제 2 유사 항목 단어의 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 제 1 유사 항목 단어 및 제 2 유사 항목 단어를 공통 연관 단어 정보로 결정할 수 있다.In addition, the computing device 100 according to an embodiment of the present disclosure may include a first similarity word group similar to the first recognition word item included in the first context analysis information and a second recognition included in the second context analysis information. Comparing the second similar word group similar to the word entry, calculates the semantic similarity of each of the first similar word included in the first similar word group and the second similar word included in the second similar word group can do. In addition, when the semantic similarity between the first similarity word and the second similarity word is equal to or greater than a preset reference semantic similarity, the computing device 100 may determine the first similarity word and the second similarity word as common related word information. have.

컴퓨팅 장치(100)는 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성(530)할 수 있다.The computing device 100 may generate a standardization database 530 based at least in part on the recognized word group and the association information.

컴퓨팅 장치(100)는 인식 단어 그룹과 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스(400)를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인식 단어 간의 의미 유사도에 기초하여 연관성 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 인식 단어 그룹이 포함하는 인식 단어 및 인식 단어 각각에 관한 연관성 정보에 기초하여 하나 이상의 클러스터(cluster)를 형성할 수 있다. 즉, 컴퓨팅 장치(100)는 서로 연관성이 강한 인식 단어들을 하나의 군으로 분류할 수 있다. 또한, 컴퓨팅 장치(100)는 표준화 데이터베이스(400)에 인식 단어를 저장할 때, 서로 연관성이 존재하는 인식 단어들을 서로 유사한 클러스터, 즉, 인접한 영역에 각각 배치할 수 있다. The computing device 100 may generate the standardization database 400 based at least in part on the recognition word group and association information. More specifically, the computing device 100 may generate association information based on semantic similarity between recognized words. The computing device 100 may form one or more clusters based on the recognition word included in the recognition word group and association information regarding each of the recognition words. That is, the computing device 100 may classify recognition words having strong correlation with each other into a group. In addition, when the recognition word is stored in the standardization database 400, the computing device 100 may respectively place recognition words that are related to each other in a similar cluster, that is, adjacent areas.

컴퓨팅 장치(100)는 타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화(540)할 수 있다.The computing device 100 may standardize 540 a non-standard word recognized in the target document image based at least in part on the association information.

그리고, 컴퓨팅 장치(100)는 클러스터에 관한 표준 단어를 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 표준화 데이터베이스(400)가 포함하는 각각의 클러스터에 대해서 표준 단어를 결정할 수 있다. 여기서 표준 단어란 하나의 클러스터에 포함된 인식 단어들 중 상기 클러스터를 대표할 수 있는 인식 단어를 의미할 수 있다. 그리고, 이에 따라, 컴퓨팅 장치(100)는 표준 단어를 기준으로 연관성 정보를 가지고 매칭된 단어를 기준 단어로 결정할 수 있다. 즉, 컴퓨팅 장치(100)는 기초 문서 이미지 세트(200)에서 추출된 인식 단어들을 하나 이상의 클러스터로 군집화하며 표준화 데이터베이스(400) 상에 저장할 수 있다. 그리고, 컴퓨팅 장치(100)는 각각의 군집(클러스터)에 대하여 하나의 표준 단어를 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 해당 클러스터에서 표준 단어를 제외한 인식 단어들을 표준 단어 및 매칭된 연관성 정보의 형태로 구성되는 기준 단어로 결정할 수 있다.Then, the computing device 100 may determine a standard word for the cluster. More specifically, the computing device 100 may determine a standard word for each cluster included in the standardization database 400. Here, the standard word may mean a recognition word that can represent the cluster among recognition words included in one cluster. And, accordingly, the computing device 100 may determine the matched word as the reference word with association information based on the standard word. That is, the computing device 100 may cluster recognition words extracted from the basic document image set 200 into one or more clusters and store them on the standardization database 400. Then, the computing device 100 may determine one standard word for each cluster (cluster). In addition, the computing device 100 may determine recognized words excluding standard words in the cluster as standard words and reference words composed of matched association information.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사용자 입력에 기초해서 표준 단어를 결정하거나, 또는 클러스터가 포함하는 인식 단어 중 하나를 통계적으로 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 네트워크부(110)를 통해 표준 단어를 설정하기 위한 사용자 입력을 수신할 수 있다. 그리고, 컴퓨팅 장치(100)는 사용자 입력에 기초하여 각각의 클러스터에 해당되는 표준 단어를 결정할 수 있다. The computing device 100 according to an embodiment of the present disclosure may determine a standard word based on user input or statistically determine one of the recognized words included in the cluster. More specifically, the computing device 100 may receive a user input for setting a standard word through the network unit 110. Also, the computing device 100 may determine a standard word corresponding to each cluster based on user input.

또한, 본 개시의 일 실시에에 따른 컴퓨팅 장치(100)는 클러스터가 포함하는 인식 단어들 중 하나를 표준 단어로 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 해당 클러스터가 포함하는 인식 단어 중 인식된 횟수가 높은 인식 단어를 표준 단어로 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 각각의 기초 문서 이미지(210)를 발행한 의료기관을 식별할 수 있다. 그리고, 컴퓨팅 장치(100)는 클러스터가 포함하는 인식 단어 그룹 중 다수의 의료기관에서 사용하는 인식 단어를 표준 단어로 결정할 수 있다.Also, the computing device 100 according to an embodiment of the present disclosure may determine one of the recognized words included in the cluster as a standard word. More specifically, the computing device 100 may determine, as a standard word, a recognized word having a high recognized number of recognized words included in the cluster. In addition, the computing device 100 may identify the medical institution that issued each basic document image 210. In addition, the computing device 100 may determine a recognition word used by a plurality of medical institutions among the recognition word group included in the cluster as a standard word.

도 5는 본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.5 is a block diagram illustrating logic for implementing a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법은 다음과 같은 로직에 의해 구현될 수 있다.A method for standardizing terms recognized from a document image according to an embodiment of the present disclosure may be implemented by the following logic.

본 개시의 일 실시예에 따라 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법은, 기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하는 로직(610); 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(620); 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 로직(630); 및 타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는 로직(640)에 의하여 구현될 수 있다.A method for standardizing terms recognized from a document image according to an embodiment of the present disclosure includes: a recognition word group by calculating a set of basic document images through a character recognition model, wherein the recognition word group includes two or more recognition words; Logic for extracting (610); Logic (620) for generating association information by analyzing a relationship between the recognized words; Logic (630) for generating a standardized database based at least in part on the recognized word group and the association information; And logic 640 that standardizes the non-standard words recognized in the target document image based at least in part on the association information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(610)은, 상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 610 that analyzes a relationship between the recognized words and generates association information, based on the similarity of meanings between the recognized words, uses the association information It can be implemented by logic to generate.

용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하는 로직(610)은, 상기 인식 단어 각각에 대해서 연관 질병 정보를 결정하기 위한 로직, 상기 인식 단어 각각에 대해서 결정된 상기 연관 질병 정보 간의 유사도를 산출하기 위한 로직, 상기 연관 질병 정보 간의 유사도에 기초하여 상기 인식 단어 간의 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of the method for standardizing terms, the logic 610 for generating the association information based on the semantic similarity between the recognized words includes logic for determining relevant disease information for each of the recognized words, the It may be implemented by logic for calculating similarity between the related disease information determined for each recognized word, and logic for generating association information between the recognized words based on the similarity between the related disease information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(610)은, 사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하기 위한 로직을 포함하고, 그리고 상기 사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하는 로직은, 상기 사용자 정보에 기초하여 상기 기초 문서 이미지 세트 중 상기 사용자 정보에 해당하는 사용자에 관련한 기초 문서 이미지를 식별하기 위한 로직 및 상기 사용자에 관련한 기초 문서 이미지에서 인식된 상기 인식 단어들 간의 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 610 that analyzes a relationship between the recognized words and generates association information, based on the recognition words related to user information, the association information And logic for generating the association information based on the recognition word related to the user information, and logic corresponding to the user information in the set of basic document images based on the user information. It may be implemented by logic for identifying a related basic document image and logic for generating association information between the recognized words recognized in the basic document image related to the user.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(610)은, 상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하기 위한 로직 및 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하기 위한 로직을 포함하고, 그리고, 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 로직은, 상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 진료과목 정보를 결정하기 위한 로직 및 상기 인식 단어와 상기 진료과목 정보 간의 상기 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 610 that analyzes a relationship between the recognized words to generate association information, includes each base document image included in the set of base document images And logic for generating context information based on a relationship between context for performing context analysis and a recognition word recognized in the base document image and the context of the base document image, and in the base document image The logic for generating the association information based on the relationship between the recognized recognition word and the context of the basic document image includes logic for determining medical subject information related to the basic document image through context analysis on the basic document image and It may be implemented by logic for generating the association information between the recognition word and the subject information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(610)은, 상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하기 위한 로직 및 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하기 위한 로직을 포함하고, 그리고, 상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 로직은, 상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 문서 구조 정보를 결정하기 위한 로직 및 상기 인식 단어의 위치와 상기 문서 구조 정보 간의 상기 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 610 that analyzes a relationship between the recognized words to generate association information, includes each base document image included in the set of base document images Logic for performing context analysis on the basis of the relationship between the recognition word recognized in the basic document image and the context of the basic document image, and logic for generating the association information, and in the basic document image The logic for generating the association information based on the relationship between the recognized recognition word and the context of the basic document image includes logic for determining document structure information related to the basic document image through context analysis on the basic document image and It may be implemented by logic for generating the association information between the position of the recognized word and the document structure information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 로직(610)은, 상기 인식 단어 그룹이 포함하는 제 1 인식 단어와 제 2 인식 단어―상기 제 2 인식 단어는 상기 제 1 인식 단어와 상이함―에 대해서 컨텍스트 분석을 수행하기 위한 로직 및 상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하기 위한 로직을 포함하고, 그리고 상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하는 로직은, 상기 제 1 인식 단어에 대한 제 1 컨텍스트 분석 정보를 결정하기 위한 로직, 상기 제 2 인식 단어에 대한 제 2 컨텍스트 분석 정보를 결정하기 위한 로직, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하기 위한 로직 및 상기 공통 연관 단어 정보에 기초하여 상기 연관성 정보를 생성하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 610 that analyzes a relationship between the recognized words to generate association information includes: a first recognized word and a first recognized word included in the recognized word group; Logic for performing context analysis on 2 recognition words-the second recognition word is different from the first recognition word, and the correlation information based on context analysis of the first recognition word and the second recognition word Logic for generating, and generating the association information based on the context analysis of the first recognition word and the second recognition word, determining first context analysis information for the first recognition word Logic for determining second context analysis information for the second recognized word, logic for determining common association word information based on the first context analysis information and the second context analysis information, and the common association It may be implemented by logic for generating the association information based on word information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하기 위한 로직은, 상기 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 급여 항목 정보를 비교하여, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보가 공통적으로 포함하는 상기 급여 항목 정보를 상기 공통 연관 단어 정보로 결정하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic for determining common association word information based on the first context analysis information and the second context analysis information includes: the first context analysis The salary item information included in the information is compared with the salary item information included in the second context analysis information, and the salary item information commonly included in the first context analysis information and the second context analysis information is the common It may be implemented by logic for determining the related word information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하기 위한 로직은, 상기 제 1 컨텍스트 분석 정보가 포함하는 상기 제 1 인식 단어의 항목과 유사한 제 1 유사 항목 단어 그룹과 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 제 2 인식 단어의 항목과 유사한 제 2 유사 항목 단어 그룹을 비교하여, 상기 제 1 유사 항목 단어 그룹이 포함하는 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어 그룹이 포함하는 제 2 유사 항목 단어 각각의 의미 유사도를 산출하기 위한 로직 및 상기 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어의 상기 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 상기 제 1 유사 항목 단어 및 상기 제 2 유사 항목 단어를 상기 공통 연관 단어 정보로 결정하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic for determining common association word information based on the first context analysis information and the second context analysis information includes: the first context analysis A first similar word group similar to the item of the first recognized word included in the information and a second similar item word group similar to the item of the second recognized word included in the second context analysis information, and the second Logic for calculating the semantic similarity between the first similarity word included in the 1 similarity word group and the second similarity word included in the second similarity word group and the first similarity word and the second similarity word When the semantic similarity of the item word is equal to or greater than the preset reference semantic similarity, it may be implemented by logic for determining the first similar item word and the second similar item word as the common related word information.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하기 위한 로직(630)은, 상기 인식 단어 그룹이 포함하는 상기 인식 단어 및 상기 인식 단어 각각에 관한 상기 연관성 정보에 기초하여 하나 이상의 클러스터(cluster)를 형성하기 위한 로직 및 상기 클러스터에 관한 표준 단어를 결정하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of a method for standardizing terms recognized from a document image, logic 630 for generating a standardization database based at least in part on the recognition word group and the association information includes the recognition word group It may be implemented by logic for forming one or more clusters based on the recognition word and the association information for each of the recognition words and logic for determining a standard word for the cluster.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법의 대안적인 실시예에서, 상기 클러스터에 관한 표준 단어를 결정하기 위한 로직은, 사용자 입력에 기초해서 상기 표준 단어를 결정하거나, 또는 상기 클러스터가 포함하는 상기 인식 단어 중 하나를 통계적으로 결정하기 위한 로직에 의하여 구현될 수 있다.In an alternative embodiment of the method for standardizing terms recognized from a document image, logic for determining a standard word for the cluster determines the standard word based on user input, or the cluster includes It may be implemented by logic for statistically determining one of the recognized words.

본 개시의 일 실시예에 따른 문서 이미지로부터 인식된 용어를 표준화하기 위한 방법을 구현하기 위한 로직은, 용어를 표준화하기 위한 방법을 구현하기 위한 모듈, 회로 또는 수단에 의하여 구현될 수도 있다.Logic for implementing a method for standardizing terms recognized from a document image according to an embodiment of the present disclosure may be implemented by a module, circuit, or means for implementing a method for standardizing terms.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 블록 구성도이다.6 is a block diagram of a computing device 100 according to an embodiment of the present disclosure.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.6 shows a simplified and general schematic diagram of an example computing environment in which embodiments of the present disclosure can be implemented.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above in general with respect to computer-executable instructions that can be executed on one or more computers, those skilled in the art will appreciate that the present disclosure can be implemented in combination with other program modules and/or as a combination of hardware and software. will be.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인 프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, those of ordinary skill in the art may find that the methods of the present disclosure include single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like (each of which is). It will be appreciated that it may be implemented with other computer system configurations, including those that may operate in conjunction with one or more associated devices.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the present disclosure can also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비 휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비 휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer readable media. Any computer-accessible medium can be a computer-readable medium. Computer-readable media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-removable media. By way of example, and not limitation, computer readable media may include computer readable storage media and computer readable transmission media. Computer-readable storage media are volatile and non-volatile media, temporary and non-transitory media, removable and non-removable, implemented in any method or technology for storing information such as computer readable instructions, data structures, program modules or other data Includes media. Computer storage media includes RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage devices, magnetic cassettes, magnetic tapes, magnetic disk storage devices or other magnetic storage devices, Or any other medium that can be accessed by a computer and used to store desired information.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피 변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피 변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.Computer readable transmission media typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal, such as a carrier wave or other transport mechanism, and Includes all information delivery media. The term modulated data signal means a signal in which one or more of the characteristics of the signal are set or changed to encode information in the signal. By way of example, and not limitation, computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above described media are also intended to be included within the scope of computer readable transmission media.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An exemplary environment 1100 is shown that implements various aspects of the present disclosure, including a computer 1102, and the computer 1102 includes a processing device 1104, a system memory 1106, and a system bus 1108. do. System bus 1108 connects system components, including, but not limited to, system memory 1106 to processing device 1104. The processing device 1104 can be any of a variety of commercial processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비 휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.The system bus 1108 can be any of several types of bus structures that can be further interconnected to a memory bus, peripheral bus, and local bus using any of a variety of commercial bus architectures. System memory 1106 includes read-only memory (ROM) 1110 and random access memory (RAM) 1112. The basic input/output system (BIOS) is stored in a non-volatile memory 1110 such as ROM, EPROM, EEPROM, etc. This BIOS is a basic to help transfer information between components in the computer 1102 at the same time as during startup. Contains routines. The RAM 1112 may also include high-speed RAM, such as static RAM for caching data.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.Computer 1102 is also an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA)-this internal hard disk drive 1114 can also be configured for external use within a suitable chassis (not shown). Yes, magnetic floppy disk drive (FDD) 1116 (e.g., for reading from or writing to removable diskette 1118), and optical disk drive 1120 (e.g., CD-ROM Disc 1122, or for reading from or writing to other high-capacity optical media such as DVDs). The hard disk drive 1114, the magnetic disk drive 1116, and the optical disk drive 1120 are the system bus 1108 by the hard disk drive interface 1124, the magnetic disk drive interface 1126, and the optical drive interface 1128, respectively. ). The interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like. In the case of computer 1102, drives and media correspond to storing any data in a suitable digital format. Although the above description of computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those of ordinary skill in the art can use a zip drive, magnetic cassette, flash memory card, cartridge, etc. It will be appreciated that other types of media readable by a computer, etc., may also be used in the exemplary operating environment and any such media may include computer-executable instructions for performing the methods of the present disclosure.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules may be stored in the drive and RAM 1112, including the operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or part of the operating system, applications, modules, and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure can be implemented in various commercially available operating systems or combinations of operating systems.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.The user may input commands and information to the computer 1102 through one or more wired/wireless input devices, for example, pointing devices such as a keyboard 1138 and a mouse 1140. Other input devices (not shown) may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, etc. These and other input devices are often connected to the processing unit 1104 through an input device interface 1142 connected to the system bus 1108, but the parallel port, IEEE 1394 serial port, game port, USB port, IR interface, And other interfaces.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.The monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146. In addition to the monitor 1144, the computer generally includes other peripheral output devices (not shown), such as speakers, printers, and the like.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.The computer 1102 can operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communication. The remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other conventional network node, typically in computer 1102. It includes many or all of the components described with respect to, but for simplicity, only the memory storage device 1150 is shown. The illustrated logical connections include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154. Such LAN and WAN networking environments are common in offices and companies, and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to computer networks around the world, such as the Internet.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 via a wired and/or wireless communication network interface or adapter 1156. The adapter 1156 may facilitate wired or wireless communication to the LAN 1152, which also includes a wireless access point installed therein to communicate with the wireless adapter 1156. When used in a WAN networking environment, the computer 1102 may include a modem 1158, connect to a communication computing device on the WAN 1154, or establish communication over the WAN 1154, such as through the Internet. Have other means. The modem 1158, which may be an internal or external and wired or wireless device, is connected to the system bus 1108 via a serial port interface 1142. In a networked environment, program modules described for the computer 1102 or portions thereof may be stored in the remote memory/storage device 1150. It will be appreciated that the illustrated network connection is exemplary and other means of establishing a communication link between computers can be used.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.The computer 1102 is associated with any wireless device or entity that is deployed and operates in wireless communication, such as a printer, scanner, desktop and/or portable computer, a portable data assistant (PDA), communication satellite, or wireless detectable tag. It operates to communicate with any equipment or place and telephone. This includes at least Wi-Fi and Bluetooth wireless technology. Accordingly, the communication may be a predefined structure as in a conventional network or simply ad hoc communication between at least two devices.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) enables a connection to the Internet or the like without a wired connection. Wi-Fi is a wireless technology such as a cell phone that allows a computer, for example, a computer to transmit and receive data indoors and outdoors, ie anywhere within the base station's coverage area. Wi-Fi networks use a wireless technology called IEEE 802.11 (a,b,g, etc.) to provide a secure, reliable and high-speed wireless connection. Wi-Fi can be used to connect computers to each other, to the Internet, and to a wired network (using IEEE 802.3 or Ethernet). Wi-Fi networks can operate in unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band). have.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.Those of ordinary skill in the art of the present disclosure will understand that information and signals can be represented using any of a variety of different technologies and techniques. For example, data, instructions, instructions, information, signals, bits, symbols and chips that can be referenced in the above description are voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields Or particles, or any combination thereof.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those of ordinary skill in the art of the present disclosure may use various examples of logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein in electronic hardware, (convenience For this, it will be understood that it may be implemented by various forms of program or design code (referred to herein as “software”) or a combination of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the particular application and design constraints imposed on the overall system. Those skilled in the art of the present disclosure may implement the functions described in various ways for each particular application, but such implementation decisions should not be interpreted as being outside the scope of the present disclosure.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. Various embodiments presented herein can be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques. The term “manufactured article” includes a computer program, carrier, or media accessible from any computer-readable device. For example, computer-readable media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory Devices (eg, EEPROMs, cards, sticks, key drives, etc.), but are not limited to these. In addition, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is understood that the specific order or hierarchy of steps in the processes presented is an example of exemplary approaches. Based on design priorities, it is understood that within the scope of the present disclosure, a specific order or hierarchy of steps in the processes may be rearranged. The accompanying method claims provide elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.Descriptions of the presented embodiments are provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure. The general principles defined herein can be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure should not be limited to the embodiments presented herein, but should be interpreted in the broadest scope consistent with the principles and novel features presented herein.

Claims

컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 문서 이미지로부터 인식된 용어를 표준화하기 위한 이하의 동작들을 수행하도록 하며 상기 동작들은,
기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하는 동작;
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작;
상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 동작; 및
타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
A computer program stored on a computer-readable storage medium, the computer program, when executed on one or more processors, performs the following operations for standardizing terms recognized from a document image, the operations comprising:
Extracting a recognized word group, wherein the recognized word group includes two or more recognized words, by calculating a basic document image set through a letter recognition model;
Generating association information by analyzing a relationship between the recognized words;
Generating a standardized database based at least in part on the recognized word group and the association information; And
Normalizing non-standard words recognized in the target document image based at least in part on the association information;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은,
상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
The operation of generating association information by analyzing the relationship between the recognized words may include:
Generating the association information based on semantic similarity between the recognized words;
Containing,
A computer program stored on a computer readable storage medium.

제 2 항에 있어서,
상기 인식 단어 간의 의미 유사도에 기초하여 상기 연관성 정보를 생성하는 동작은,
상기 인식 단어 각각에 대해서 연관 질병 정보를 결정하는 동작;
상기 인식 단어 각각에 대해서 결정된 상기 연관 질병 정보 간의 유사도를 산출하는 동작; 및
상기 연관 질병 정보 간의 유사도에 기초하여 상기 인식 단어 간의 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 2,
The operation of generating the association information based on the similarity of meaning between the recognized words,
Determining relevant disease information for each of the recognized words;
Calculating similarity between the related disease information determined for each of the recognized words; And
Generating association information between the recognized words based on the similarity between the associated disease information;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은,
사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하고, 그리고
상기 사용자 정보에 관련한 상기 인식 단어에 기초하여 상기 연관성 정보를 생성하는 동작은,
상기 사용자 정보에 기초하여 상기 기초 문서 이미지 세트 중 상기 사용자 정보에 해당하는 사용자에 관련한 기초 문서 이미지를 식별하는 동작; 및
상기 사용자에 관련한 기초 문서 이미지에서 인식된 상기 인식 단어들 간의 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
The operation of generating association information by analyzing the relationship between the recognized words may include:
Generating the association information based on the recognition word related to user information;
And
Generating the association information based on the recognition word associated with the user information,
Identifying a basic document image related to a user corresponding to the user information among the set of basic document images based on the user information; And
Generating association information between the recognized words recognized in a basic document image related to the user;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은,
상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하는 동작; 및
상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하고, 그리고,
상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작은,
상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 진료과목 정보를 결정하는 동작; 및
상기 인식 단어와 상기 진료과목 정보 간의 상기 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
The operation of generating association information by analyzing the relationship between the recognized words may include:
Performing context analysis on each basic document image included in the basic document image set; And
Generating the association information based on a relationship between a recognition word recognized in the basic document image and the context of the basic document image;
And, and
The operation of generating the association information based on the relationship between the recognition word recognized in the basic document image and the context of the basic document image may include:
Determining treatment subject information related to the basic document image through context analysis of the basic document image; And
Generating the association information between the recognition word and the subject information;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은,
상기 기초 문서 이미지 세트가 포함하는 각각의 기초 문서 이미지에 대해서 컨텍스트 분석을 수행하는 동작; 및
상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하고, 그리고,
상기 기초 문서 이미지에서 인식되는 인식 단어와 상기 기초 문서 이미지의 컨텍스트 간의 관계에 기초하여 상기 연관성 정보를 생성하는 동작은,
상기 기초 문서 이미지에 대한 컨텍스트 분석을 통해 상기 기초 문서 이미지에 관련된 문서 구조 정보를 결정하는 동작; 및
상기 인식 단어의 위치와 상기 문서 구조 정보 간의 상기 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
The operation of generating association information by analyzing the relationship between the recognized words may include:
Performing context analysis on each basic document image included in the basic document image set; And
Generating the association information based on a relationship between a recognition word recognized in the basic document image and the context of the basic document image;
And, and
The operation of generating the association information based on the relationship between the recognition word recognized in the basic document image and the context of the basic document image may include:
Determining document structure information related to the basic document image through context analysis of the basic document image; And
Generating the association information between the position of the recognized word and the document structure information;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 동작은,
상기 인식 단어 그룹이 포함하는 제 1 인식 단어와 제 2 인식 단어―상기 제 2 인식 단어는 상기 제 1 인식 단어와 상이함―에 대해서 컨텍스트 분석을 수행하는 동작; 및
상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하고, 그리고
상기 제 1 인식 단어와 상기 제 2 인식 단어의 컨텍스트 분석에 기초하여 상기 연관성 정보를 생성하는 동작은,
상기 제 1 인식 단어에 대한 제 1 컨텍스트 분석 정보를 결정하는 동작;
상기 제 2 인식 단어에 대한 제 2 컨텍스트 분석 정보를 결정하는 동작;
상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작; 및
상기 공통 연관 단어 정보에 기초하여 상기 연관성 정보를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
The operation of generating association information by analyzing the relationship between the recognized words may include:
Performing context analysis on a first recognition word and a second recognition word included in the recognition word group, wherein the second recognition word is different from the first recognition word; And
Generating the association information based on the context analysis of the first recognition word and the second recognition word;
And
Generating the association information based on the context analysis of the first recognition word and the second recognition word,
Determining first context analysis information for the first recognized word;
Determining second context analysis information for the second recognized word;
Determining common related word information based on the first context analysis information and the second context analysis information; And
Generating the association information based on the common association word information;
Containing,
A computer program stored on a computer readable storage medium.

제 7 항에 있어서,
상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작은,
상기 제 1 컨텍스트 분석 정보가 포함하는 급여 항목 정보와 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 급여 항목 정보를 비교하여, 상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보가 공통적으로 포함하는 상기 급여 항목 정보를 상기 공통 연관 단어 정보로 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
The method of claim 7,
The operation of determining common related word information based on the first context analysis information and the second context analysis information may include:
The salary that the first context analysis information and the second context analysis information commonly include by comparing the salary item information included in the first context analysis information and the salary item information included in the second context analysis information Determining item information as the common related word information;
Containing,
A computer program stored on a computer readable storage medium.

제 7 항에 있어서,
상기 제 1 컨텍스트 분석 정보 및 상기 제 2 컨텍스트 분석 정보에 기초하여 공통 연관 단어 정보를 결정하는 동작은,
상기 제 1 컨텍스트 분석 정보가 포함하는 상기 제 1 인식 단어의 항목과 유사한 제 1 유사 항목 단어 그룹과 상기 제 2 컨텍스트 분석 정보가 포함하는 상기 제 2 인식 단어의 항목과 유사한 제 2 유사 항목 단어 그룹을 비교하여, 상기 제 1 유사 항목 단어 그룹이 포함하는 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어 그룹이 포함하는 제 2 유사 항목 단어 각각의 의미 유사도를 산출하는 동작; 및
상기 제 1 유사 항목 단어와 상기 제 2 유사 항목 단어의 상기 의미 유사도가 사전 설정된 기준 의미 유사도 이상인 경우, 상기 제 1 유사 항목 단어 및 상기 제 2 유사 항목 단어를 상기 공통 연관 단어 정보로 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
The method of claim 7,
The operation of determining common related word information based on the first context analysis information and the second context analysis information may include:
The first similarity word group similar to the item of the first recognized word included in the first context analysis information and the second similarity word group similar to the item of the second recognized word included in the second context analysis information. Comparing and calculating a semantic similarity of each of the first similarity word included in the first similarity word group and the second similarity word included in the second similarity word group; And
Determining the first similarity word and the second similarity word as the common association word information when the semantic similarity of the first similarity word and the second similarity word is equal to or greater than a preset reference semantic similarity;
Containing,
A computer program stored on a computer readable storage medium.

제 1 항에 있어서,
상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 동작은,
상기 인식 단어 그룹이 포함하는 상기 인식 단어 및 상기 인식 단어 각각에 관한 상기 연관성 정보에 기초하여 하나 이상의 클러스터(cluster)를 형성하는 동작; 및
상기 클러스터에 관한 표준 단어를 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
According to claim 1,
Generating a standardized database based at least in part on the recognized word group and the association information,
Forming one or more clusters based on the recognition word included in the recognized word group and the association information about each of the recognized words; And
Determining a standard word for the cluster;
Containing,
A computer program stored on a computer readable storage medium.

제 10 항에 있어서,
상기 클러스터에 관한 표준 단어를 결정하는 동작은,
사용자 입력에 기초해서 상기 표준 단어를 결정하거나, 또는 상기 클러스터가 포함하는 상기 인식 단어 중 하나를 통계적으로 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
The method of claim 10,
Determining the standard word for the cluster,
Determining the standard word based on user input or statistically determining one of the recognized words included in the cluster;
Containing,
A computer program stored on a computer readable storage medium.

문서 이미지로부터 인식된 용어를 표준화하기 위한 방법에 있어서,
기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하는 단계;
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하는 단계;
상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하는 단계; 및
타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는 단계;
를 포함하는,
문서 이미지로부터 인식된 용어를 표준화하기 위한 방법.
A method for standardizing terms recognized from document images,
Extracting a recognized word group, wherein the recognized word group includes two or more recognized words, by calculating a basic document image set through a letter recognition model;
Generating association information by analyzing a relationship between the recognized words;
Generating a standardized database based at least in part on the recognized word group and the association information; And
Normalizing the non-standard words recognized in the target document image based at least in part on the association information;
Containing,
Method for standardizing terms recognized from document images.

문서 이미지로부터 인식된 용어를 표준화하기 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
기초 문서 이미지 세트를 글자 인식 모델을 통해 연산함으로써 인식 단어 그룹―상기 인식 단어 그룹은 둘 이상의 인식 단어를 포함함―을 추출하고,
상기 인식 단어 간의 관계를 분석하여 연관성 정보를 생성하고,
상기 인식 단어 그룹과 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 데이터베이스를 생성하고, 그리고
타겟 문서 이미지에서 인식된 비표준 단어를 상기 연관성 정보에 적어도 부분적으로 기초하여 표준화 하는,
문서 이미지로부터 인식된 용어를 표준화하기 위한 컴퓨팅 장치.

A computing device for standardizing terms recognized from document images,
A processor comprising one or more cores; And
Memory;
Including,
The processor,
Extracting a recognized word group, wherein the recognized word group includes two or more recognized words, by calculating a set of basic document images through a letter recognition model,
Analyze the relationship between the recognized words to generate association information,
Create a standardized database based at least in part on the recognized word group and the association information, and
Standardizing non-standard words recognized in the target document image based at least in part on the association information,
A computing device for standardizing terms recognized from document images.