CN110704687A - 文字布局方法、装置及计算机可读存储介质 - Google Patents

文字布局方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110704687A
CN110704687A CN201910829790.7A CN201910829790A CN110704687A CN 110704687 A CN110704687 A CN 110704687A CN 201910829790 A CN201910829790 A CN 201910829790A CN 110704687 A CN110704687 A CN 110704687A
Authority
CN
China
Prior art keywords
text
feature
words
layout
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910829790.7A
Other languages
English (en)
Other versions
CN110704687B (zh
Inventor
郑子欧
汪伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910829790.7A priority Critical patent/CN110704687B/zh
Publication of CN110704687A publication Critical patent/CN110704687A/zh
Priority to PCT/CN2020/112335 priority patent/WO2021043087A1/zh
Application granted granted Critical
Publication of CN110704687B publication Critical patent/CN110704687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
    • G06F16/84—Mapping; Conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及一种人工智能技术，揭露了一种文字布局方法，包括获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集，以及将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行预处理操作，得到文本布局特征集；利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。本发明还提出一种文字布局装置以及一种计算机可读存储介质。本发明实现了文本中文字的精确布局。

Description

文字布局方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种半结构化文本和用户行为协同的文字布局方法、装置及计算机可读存储介质。
背景技术
文本分类是特殊的数据挖掘技术，主要表现在文本信息的无结构化、主观性、高维度等特点。文本信息的无结构化导致文本挖掘很难从文本数据中抽取出有效的、易于理解的分类规则；文本信息的高纬度导致常见分类算法的计算复杂度过高，甚至于失去了其实用性；文本分类的主观性导致很难找到一个完全合适的文本表示方法来准确的表示文本。现有半结构化文本转文字的工作有很多，但提取半结构化文本中的布局一向是难点。现有类似的已经有对半结构化文本规整表格进行提取，但对于多分栏、一栏标题和一栏内容这两者很难进行区分。特别是多分栏的半结构化文本，常会使一侧的内容插入另一侧，影响后续处理。
发明内容
本发明提供一种文字布局方法、装置及计算机可读存储介质，其主要目的在于当用户进行对文本中文字布局时，给用户呈现出精准的文字布局结果。
为实现上述目的，本发明提供的一种文字布局方法，包括：
获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；
将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集；
通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集；
利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；
根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
可选地，所述预处理操作包括去重、去停用词、分词以及权重计算；
其中，所述去重包括：
利用欧式距离公式对所述文本集进行去重操作，所述欧式距离公式如下：
Figure BDA0002188377940000021
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文档数据；
所述去停用词包括：
通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留；
所述分词包括：
通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开；及
所述权重计算包括：
通过构建依存关系图计算所述特征词之间的关联强度，并通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。
可选地，所述通过边缘检测算法对所述目标文本图像集进行检测，得到所述文本布局特征集，包括：
通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；
利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；
通过双阙值法将所述细化的边缘进行连接，得到所述文本布局特征集。
可选地，所述利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集，包括：
构建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层；其中：
所述输入层接收所述数值向量文本集和所述文本布局特征集；
所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
Figure BDA0002188377940000031
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
Figure BDA0002188377940000032
其中，yj表示所述输出层第j单元的输出值，
Figure BDA0002188377940000033
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。
可选地，所述根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局，包括：
通过交叉认证对所述半结构化的文本集中的文本进行划分，得到子样本集；
将所述文本中的文本语义特征和所述文本分布特征作为所述随机森林模型的决策树子节点；
根据所述决策树的子节点对所述子样本集进行分类，得到所述子样本的分类结果，将所述子样本的分类结果进行累加，并将累加值最大的子样本作为所述文本的分类结果，从而完成所述文本的文字布局。
此外，为实现上述目的，本发明还提供一种文字布局装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的文字布局程序，所述文字布局程序被所述处理器执行时实现如下步骤：
获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；
将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集；
通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集；
利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；
根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
可选地，所述预处理操作包括去重、去停用词、分词以及权重计算；
其中，所述去重包括：
利用欧式距离公式对所述文本集进行去重操作，所述欧式距离公式如下：
Figure BDA0002188377940000041
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文档数据；
所述去停用词包括：
通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留；
所述分词包括：
通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开；及
所述权重计算包括：
通过构建依存关系图计算所述特征词之间的关联强度，并通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。
可选地，所述通过边缘检测算法对所述目标文本图像集进行检测，得到所述文本布局特征集，包括：
通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；
利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；
通过双阙值法将所述细化的边缘进行连接，得到所述文本布局特征集。
可选地，所述利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集，包括：
构建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层；其中：
所述输入层接收所述数值向量文本集和所述文本布局特征集；
所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
Figure BDA0002188377940000051
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，
Figure BDA0002188377940000052
表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
Figure BDA0002188377940000053
其中，yj表示所述输出层第j单元的输出值，
Figure BDA0002188377940000054
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有文字布局程序，所述文字布局程序可被一个或者多个处理器执行，以实现如上所述的文字布局方法的步骤。
本发明提出的文字布局方法、装置及计算机可读存储介质，在用户在进行对文本中文字进行布局时，对所述文本进行预处理操作，得到所述文本的数值向量文本和文本布局特征，通过预先构建的特征提取模型，得到分别得到文本语义特征和文本分布特征，并利用随机森林模型进行分类，得到所述文本的分类结果，从而可以给用户呈现出精准的文字布局结果。
附图说明
图1为本发明一实施例提供的文字布局方法的流程示意图；
图2为本发明一实施例提供的文字布局装置的内部结构示意图；
图3为本发明一实施例提供的文字布局装置中文字布局程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种文字布局方法。参照图1所示，为本发明一实施例提供的文字布局方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，文字布局方法包括：
S1、获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集。
本发明较佳实施例中，所述半结构化的文本是由若干个具有独立语义的、离散的模块内容模块组成,且每个模块内容包含且仅包含一个方面的内容,即可以用一个名词或名词短语进行归纳、每个独立语义模块之间有明显的非标点分割符号，所述非标点分割符号可以为空格、回车、表格、编号、特殊格式字符等等。优选地，本发明较佳实施例所述半结构化的文本可以为PDF文本。其中，所述PDF文本集来源通过以下两种方式获取：方式一、从各大招聘网站搜索简历获取；方式二、通过从语料库中搜索关键字获取。
进一步地，预处理操作包括去重、去停用词、分词以及权重计算。详细地，所述预处理操作具体实施步骤为：
a.去重：
当所述半结构化的文本集中存在重复的文本时，会降低文本分类的精度，因此，本发明较佳实施例首先对所述文本数据集执行去重操作。
优选地，本发明通过欧式距离公式对所述文本数据集进行去重操作，所述欧式距离公式如下：
Figure BDA0002188377940000071
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文本数据，当两个文本数据之间的距离小于预设距离阈值，则删除其中一个文本数据。优选地，本发明预设所述阈值为0.1。
b.去停用词：
所述停用词是文本功能词中没有什么实际意义的词，对文本的分类没有什么影响，但是出现频率高，于是，会降低文本分类，其中所述停用词包括常用的代词、介词等。例如，所述停用词可以为“的”、“在”、“不过”等等。本发明通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留。其中，所述预先构建好的停用词表通过网页下载得到。
c.分词：
本发明通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开。优选地，本发明较佳实施例中，所述预设的词典包含统计词典和前缀词典。所述统计词典是由统计方法得到的所有可能的分词构造的词典。所述统计词典统计相邻字在语料库中贡献的频度并计算互信息，当所述相邻字互相出现信息大于预设的阈值时，即认定为构成词，所述阈值为0.6。所述前缀词典包括所述统计词典中每一个分词的前缀，例如所述统计词典中的词“北京大学”的前缀分别是“北”、“北京”、“北京大”；词“大学”的前缀是“大”等。本发明利用所述统计词典得到去停用词后的所述文本集的可能的分词结果，并通过所述前缀词典根据分词的切分位置，得到最终的切分形式，从而得到去停用词后的所述文本集的特征词。
d.权重计算包括：
本发明通过构建依存关系图计算所述特征词之间的关联强度，通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。详细地，计算所述特征词中的任意两个特征词Wi和Wj的依存关联度：
Figure BDA0002188377940000081
其中，len(Wi,Wj)表示特征词Wi和Wj之间的依存路径长度，b是超参数；
计算所述特征词Wi和Wj的引力：
Figure BDA0002188377940000082
其中，tfidf(W)是词语W的TF-IDF值，TF表示词频，IDF表示逆文档频率指数，d是特征词Wi和Wj的词向量之间的欧式距离；
得到特征词Wi和Wj之间的关联强度为：
weight(Wi,Wj)＝Dep(Wi,Wj)*fgrav(Wi,Wj)
建立无向图G＝(V,E)，其中V是顶点的集合，E是边的集合；
计算出特征词Wi的重要度得分：
Figure BDA0002188377940000083
其中，是与顶点Wi有关的集合，η为阻尼系数；
根据所述特征词重要度得分，得到所述特征词权重，从而将所述特征词表示成数值向量形式，得到所述数值向量文本集。
S2、将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集。
本发明较佳实施例通过对所述文本集进行扫描，得到所述文本图像集，从而对所述文本集中文本布局进行分析。
进一步地，所述对比度指的是成像系统中亮度最大值与最小值之间的对比，其中，对比度低会使图像处理难度增大。本发明较佳实施例中采用的是对比度拉伸方法，利用提高灰度级动态范围的方式，达到图像对比度增强的目的。所述对比度拉伸也叫作灰度拉伸，是目前常用的灰度变换方式。详细地，本发明根据所述对比度拉伸方法中的分段线性变换函数对特定区域进行灰度拉伸，进一步提高输出图像的对比度。当进行对比度拉伸时，本质上是实现灰度值变换。本发明通过线性拉伸实现灰度值变换，所述线性拉伸指的是输入与输出的灰度值之间为线性关系的像素级运算，灰度变换公式如下所示：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距。当a>1时，此时输出的图像对比度相比原图像是增强的。当a<1时，此时输出的图像对比度相比原图像是削弱的，其中Da代表输入图像灰度值，Db代表输出图像灰度值。
进一步地，所述图像阈值化处理通过OTSU算法将对比度增强后的所述灰度图像进行二值化的高效算法，以得到二值化图像。本发明较佳实施例预设灰度t为灰度图像的前景与背景的分割阈值，并假设前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则灰度图像的总平均灰度为：
u＝w0*u0+w1*u1，
所述灰度图像的前景和背景图象的方差为：
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1),
其中，当方差g最大时，则此时前景和背景差异最大，此时的灰度t为最佳阈值，并将对比度增强后的所述灰度图像中大于所述灰度t的灰度值设置为255，小于所述灰度t的灰度值设置为0，得到对比度增强后的所述灰度图像的二值化图像，其中，所述二值化图像即所述目标文本图像，从而得到所述目标文本图像集。
S3、通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集。
本发明较佳实施例中，所述边缘检测的基本思想认为边缘点是图像中像素灰度有阶跃变化或者屋顶变化的那些像素点，即灰度导数较大或极大的地方。优选地，本发明采用Canny边缘检测算法对所述目标文本图像集进行加测。详细地，具体检测步骤为：通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；通过双阙值法将所述细化的边缘进行连接，得到所述目标文本图像集的文本布局特征集。
进一步地，本发明通过预设两个阙值T1和T2(T1<T2)，得到两个阙值边缘图像N1[i,j]和N2[i,j]。所述双阙值法在所述N2[i,j]中是把所述细化的边缘连接成完整的轮廓，因此当到达边缘的间断点时，就在所述N1[i,j]的邻域内寻找可以连接的边缘，直到N2[i,j]中的所有间断点连接起来为止，从而得到所述文本布局特征集。
S4、利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集。
本发明较佳实施例中，搭建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层，所述BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播，在前向传递中，输入信号从输入层经过隐藏层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使网络预测输出不断逼近期望输出。所述输入层是整个神经网络唯一数据输入入口，输入层的神经元节点数目和文本的数值向量维数相同，每一个神经元的值对应数值向量的每个项的值。所述隐藏层是对主要用来对输入层输入的数据进行非线性化处理，以激励函数为基础对输入的数据进行非线性拟合可以有效保证模型的预测能力。所述输出层在隐藏层之后，是整个模型的唯一输出。输出层的神经元节点数目和文本的类别数目相同。
进一步地，本发明较佳实施例中，所述输入层接收所述数值向量文本集和所述文本布局特征集；所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，
Figure BDA0002188377940000102
表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
Figure BDA0002188377940000111
其中，yj表示所述输出层第j单元的输出值，
Figure BDA0002188377940000112
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。其中，所述特征Xi的灵敏度δij和特征Xk的灵敏度δkj之差计算公式为：
Figure BDA0002188377940000113
其中，
Figure BDA0002188377940000114
当
Figure BDA0002188377940000115
则得到δij>δkj，即特征Xi对第j类模式的分类能力比特征Xk的强。于是，本发明利用所述搭建包括BP神经网络的特征提取模型，分别对上述数值向量文本集和上述文本布局特征集进行特征选择，得到所述文本语义特征集和所述文本分布特征集。
S5、根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
所述随机森林算法是利用袋装算法的有放回抽样，从原始样本中抽取多个样本子集，并通过所述多个样本子集对多个决策树模型训练，在训练过程中采用借鉴随机特征子空间方法，在特征集中抽取部分特征进行决策树的分裂，最后集成多个决策树称为一个集成分类器，所述集成分类器称为随机森林模型。所述随机森林算法流程分为三部分：子样本集的生成、决策树的构建以及投票产生结果。
进一步地，本发明较佳实施例中，原始样本为上述PDF文本集，根据所述PDF文本页数不同，对其进行划分，形成多个子样本，并分别将所述文本语义特征和文本分布特征作为决策树的节点，通过投票，产生相应结果。优选地，本发明通过所述随机森林模型对所述PDF文本中文字布局是基于多分栏的PDF文本还是基于标题内容的PDF文本进行分类。其中，所述分类具体实施步骤为：通过交叉认证对所述PDF文本集的文本进行划分，得到子样本集；将所述文本的文本语义特征和所述文本分布特征作为所述随机森林模型的决策树子节点；根据所述决策树的子节点对所述子样本集进行分类，得到所述子样本的分类结果，将所述子样本的分类结果进行累加，并将累加值最大的子样本作为所述文本的分类结果，从而完成所述文本的文字布局，即得到所述PDF文本文字布局是基于多分栏的PDF文本还是基于标题内容的PDF文本。
发明还提供一种文字布局装置。参照图2所示，为本发明一实施例提供的文字布局装置的内部结构示意图。
在本实施例中，所述文字布局装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该文字布局装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是文字布局装置1的内部存储单元，例如该文字布局装置1的硬盘。存储器11在另一些实施例中也可以是文字布局装置1的外部存储设备，例如文字布局装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括文字布局装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于文字布局装置1的应用软件及各类数据，例如文字布局程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行文字布局程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在文字布局装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及文字布局程序01的文字布局装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对文字布局装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有文字布局程序01；处理器12执行存储器11中存储的文字布局程序01时实现如下步骤：
步骤一、获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集。
本发明较佳实施例中，所述半结构化的文本是由若干个具有独立语义的、离散的模块内容模块组成,且每个模块内容包含且仅包含一个方面的内容,即可以用一个名词或名词短语进行归纳、每个独立语义模块之间有明显的非标点分割符号，所述非标点分割符号可以为空格、回车、表格、编号、特殊格式字符等等。优选地，本发明较佳实施例所述半结构化的文本可以为PDF文本。其中，所述PDF文本集来源通过以下两种方式获取：方式一、从各大招聘网站搜索简历获取；方式二、通过从语料库中搜索关键字获取。
进一步地，预处理操作包括去重、去停用词、分词以及权重计算。详细地，所述预处理操作具体实施步骤为：
a.去重：
当所述半结构化的文本集中存在重复的文本时，会降低文本分类的精度，因此，本发明较佳实施例首先对所述文本数据集执行去重操作。
优选地，本发明通过欧式距离公式对所述文本数据集进行去重操作，所述欧式距离公式如下：
Figure BDA0002188377940000141
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文本数据，当两个文本数据之间的距离小于预设距离阈值，则删除其中一个文本数据。优选地，本发明预设所述阈值为0.1。
b.去停用词：
所述停用词是文本功能词中没有什么实际意义的词，对文本的分类没有什么影响，但是出现频率高，于是，会降低文本分类，其中所述停用词包括常用的代词、介词等。例如，所述停用词可以为“的”、“在”、“不过”等等。本发明通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留。其中，所述预先构建好的停用词表通过网页下载得到。
c.分词：
本发明通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开。优选地，本发明较佳实施例中，所述预设的词典包含统计词典和前缀词典。所述统计词典是由统计方法得到的所有可能的分词构造的词典。所述统计词典统计相邻字在语料库中贡献的频度并计算互信息，当所述相邻字互相出现信息大于预设的阈值时，即认定为构成词，所述阈值为0.6。所述前缀词典包括所述统计词典中每一个分词的前缀，例如所述统计词典中的词“北京大学”的前缀分别是“北”、“北京”、“北京大”；词“大学”的前缀是“大”等。本发明利用所述统计词典得到去停用词后的所述文本集的可能的分词结果，并通过所述前缀词典根据分词的切分位置，得到最终的切分形式，从而得到去停用词后的所述文本集的特征词。
d.权重计算包括：
本发明通过构建依存关系图计算所述特征词之间的关联强度，通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。详细地，计算所述特征词中的任意两个特征词Wi和Wj的依存关联度：
Figure BDA0002188377940000151
其中，len(Wi,Wj)表示特征词Wi和Wj之间的依存路径长度，b是超参数；
计算所述特征词Wi和Wj的引力：
其中，tfidf(W)是词语W的TF-IDF值，TF表示词频，IDF表示逆文档频率指数，d是特征词Wi和Wj的词向量之间的欧式距离；
得到特征词Wi和Wj之间的关联强度为：
weight(Wi,Wj)＝Dep(Wi,Wj)*fgrav(Wi,Wj)
建立无向图G＝(V,E)，其中V是顶点的集合，E是边的集合；
计算出特征词Wi的重要度得分：
Figure BDA0002188377940000153
其中，是与顶点Wi有关的集合，η为阻尼系数；
根据所述特征词重要度得分，得到所述特征词权重，从而将所述特征词表示成数值向量形式，得到所述数值向量文本集。
步骤二、将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集。
本发明较佳实施例通过对所述文本集进行扫描，得到所述文本图像集，从而对所述文本集中文本布局进行分析。
进一步地，所述对比度指的是成像系统中亮度最大值与最小值之间的对比，其中，对比度低会使图像处理难度增大。本发明较佳实施例中采用的是对比度拉伸方法，利用提高灰度级动态范围的方式，达到图像对比度增强的目的。所述对比度拉伸也叫作灰度拉伸，是目前常用的灰度变换方式。详细地，本发明根据所述对比度拉伸方法中的分段线性变换函数对特定区域进行灰度拉伸，进一步提高输出图像的对比度。当进行对比度拉伸时，本质上是实现灰度值变换。本发明通过线性拉伸实现灰度值变换，所述线性拉伸指的是输入与输出的灰度值之间为线性关系的像素级运算，灰度变换公式如下所示：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距。当a>1时，此时输出的图像对比度相比原图像是增强的。当a<1时，此时输出的图像对比度相比原图像是削弱的，其中Da代表输入图像灰度值，Db代表输出图像灰度值。
进一步地，所述图像阈值化处理通过OTSU算法将对比度增强后的所述灰度图像进行二值化的高效算法，以得到二值化图像。本发明较佳实施例预设灰度t为灰度图像的前景与背景的分割阈值，并假设前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则灰度图像的总平均灰度为：
u＝w0*u0+w1*u1，
所述灰度图像的前景和背景图象的方差为：
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1),
其中，当方差g最大时，则此时前景和背景差异最大，此时的灰度t为最佳阈值，并将对比度增强后的所述灰度图像中大于所述灰度t的灰度值设置为255，小于所述灰度t的灰度值设置为0，得到对比度增强后的所述灰度图像的二值化图像，其中，所述二值化图像即所述目标文本图像，从而得到所述目标文本图像集。
步骤三、通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集。
本发明较佳实施例中，所述边缘检测的基本思想认为边缘点是图像中像素灰度有阶跃变化或者屋顶变化的那些像素点，即灰度导数较大或极大的地方。优选地，本发明采用Canny边缘检测算法对所述目标文本图像集进行加测。详细地，具体检测步骤为：通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；通过双阙值法将所述细化的边缘进行连接，得到所述目标文本图像集的文本布局特征集。
进一步地，本发明通过预设两个阙值T1和T2(T1<T2)，得到两个阙值边缘图像N1[i,j]和N2[i,j]。所述双阙值法在所述N2[i,j]中是把所述细化的边缘连接成完整的轮廓，因此当到达边缘的间断点时，就在所述N1[i,j]的邻域内寻找可以连接的边缘，直到N2[i,j]中的所有间断点连接起来为止，从而得到所述文本布局特征集。
步骤四、利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集。
本发明较佳实施例中，搭建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层，所述BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播，在前向传递中，输入信号从输入层经过隐藏层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使网络预测输出不断逼近期望输出。所述输入层是整个神经网络唯一数据输入入口，输入层的神经元节点数目和文本的数值向量维数相同，每一个神经元的值对应数值向量的每个项的值。所述隐藏层是对主要用来对输入层输入的数据进行非线性化处理，以激励函数为基础对输入的数据进行非线性拟合可以有效保证模型的预测能力。所述输出层在隐藏层之后，是整个模型的唯一输出。输出层的神经元节点数目和文本的类别数目相同。
进一步地，本发明较佳实施例中，所述输入层接收所述数值向量文本集和所述文本布局特征集；所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
Figure BDA0002188377940000171
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，
Figure BDA0002188377940000172
表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
其中，yj表示所述输出层第j单元的输出值，
Figure BDA0002188377940000174
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。其中，所述特征Xi的灵敏度δij和特征Xk的灵敏度δki之差计算公式为：
Figure BDA0002188377940000181
其中，
Figure BDA0002188377940000182
当
Figure BDA0002188377940000183
则得到δij>δkj，即特征Xi对第j类模式的分类能力比特征Xk的强。于是，本发明利用所述搭建包括BP神经网络的特征提取模型，分别对上述数值向量文本集和上述文本布局特征集进行特征选择，得到所述文本语义特征集和所述文本分布特征集。
步骤五、根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
所述随机森林算法是利用袋装算法的有放回抽样，从原始样本中抽取多个样本子集，并通过所述多个样本子集对多个决策树模型训练，在训练过程中采用借鉴随机特征子空间方法，在特征集中抽取部分特征进行决策树的分裂，最后集成多个决策树称为一个集成分类器，所述集成分类器称为随机森林模型。所述随机森林算法流程分为三部分：子样本集的生成、决策树的构建以及投票产生结果。
进一步地，本发明较佳实施例中，原始样本为上述PDF文本集，根据所述PDF文本页数不同，对其进行划分，形成多个子样本，并分别将所述文本语义特征和文本分布特征作为决策树的节点，通过投票，产生相应结果。优选地，本发明通过所述随机森林模型对所述PDF文本中文字布局是基于多分栏的PDF文本还是基于标题内容的PDF文本进行分类。其中，所述分类具体实施步骤为：通过交叉认证对所述PDF文本集的文本进行划分，得到子样本集；将所述文本的文本语义特征和所述文本分布特征作为所述随机森林模型的决策树子节点；根据所述决策树的子节点对所述子样本集进行分类，得到所述子样本的分类结果，将所述子样本的分类结果进行累加，并将累加值最大的子样本作为所述文本的分类结果，从而完成所述文本的文字布局，即得到所述PDF文本文字布局是基于多分栏的PDF文本还是基于标题内容的PDF文本。
可选地，在其他实施例中，文字布局程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述文字布局程序在文字布局装置中的执行过程。
例如，参照图3所示，为本发明文字布局装置一实施例中的文字布局程序的程序模块示意图，该实施例中，所述文字布局程序可以被分割为文本预处理模块10、特征提取模块20、文本分类模块30示例性地：
所述文本预处理模块10用于：获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集，通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集。
所述特征提取模块20用于：利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集。
所述文本分类模块30用于：根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
上述文本预处理模块10、特征提取模块20、文本分类模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有文字布局程序，所述文字布局程序可被一个或多个处理器执行，以实现如下操作：
获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；
将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集；
通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集；
利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；
根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
本发明计算机可读存储介质具体实施方式与上述文字布局装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种文字布局方法，其特征在于，所述方法包括：
获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；
将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集；
通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集；
利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；
根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
2.如权利要求1所述的文字布局方法，其特征在于，所述预处理操作包括去重、去停用词、分词以及权重计算；
其中，所述去重包括：
利用欧式距离公式对所述文本集进行去重操作，所述欧式距离公式如下：
Figure FDA0002188377930000011
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文档数据；
所述去停用词包括：
通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留；
所述分词包括：
通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开；及
所述权重计算包括：
通过构建依存关系图计算所述特征词之间的关联强度，并通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。
3.如权利要求1所述的文字布局方法，其特征在于，所述通过边缘检测算法对所述目标文本图像集进行检测，得到所述文本布局特征集，包括：
通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；
利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；
通过双阙值法将所述细化的边缘进行连接，得到所述文本布局特征集。
4.如权利要求1所述的文字布局方法，其特征在于，所述利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集，包括：
构建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层；其中：
所述输入层接收所述数值向量文本集和所述文本布局特征集；
所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
Figure FDA0002188377930000021
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
Figure FDA0002188377930000023
其中，yj表示所述输出层第j单元的输出值，
Figure FDA0002188377930000024
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。
5.如权利要求1至4中任一项所述的文字布局方法，其特征在于，所述根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局，包括：
通过交叉认证对所述半结构化的文本集中的文本进行划分，得到子样本集；
将所述文本中的文本语义特征和所述文本分布特征作为所述随机森林模型的决策树子节点；
根据所述决策树的子节点对所述子样本集进行分类，得到所述子样本的分类结果，将所述子样本的分类结果进行累加，并将累加值最大的子样本作为所述文本的分类结果，从而完成所述文本的文字布局。
6.一种文字布局装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的文字布局程序，所述文字布局程序被所述处理器执行时实现如下步骤：
获取半结构化的文本集，对所述半结构化的文本集进行预处理操作，得到数值向量文本集；
将所述半结构化的文本集转换为文本图像集，对所述文本图像集进行对比度增强处理和阈值化操作，得到目标文本图像集；
通过边缘检测算法对所述目标文本图像集进行检测，得到文本布局特征集；
利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集；
根据所述文本语义特征集和所述文本分布特征集，利用随机森林模型对所述半结构化的文本集中的文本进行分类，得到所述文本的分类结果，从而完成所述文本的文字布局。
7.如权利要求6所述的文字布局装置，其特征在于，所述预处理操作包括去重、去停用词、分词以及权重计算；
其中，所述去重包括：
利用欧式距离公式对所述文本集进行去重操作，所述欧式距离公式如下：
Figure FDA0002188377930000041
其中，d表示所述文本数据之间的距离，w1j和w2j分别为任意2个文档数据；
所述去停用词包括：
通过预先构建好的停用词表和去重后的所述文本集中词语进行一一匹配，其中，当去重后的所述文本集中词语与所述停用词表匹配成功时，将所述匹配成功的词语过滤，当去重后的所述文本集中词语与所述停用词表匹配不成功时，将所述匹配不成功的词语保留；
所述分词包括：
通过预设的策略将去停用词后的所述文本集中的词语与预设的词典中的词条进行匹配，得到去停用词后的所述文本集的特征词，并将所述特征词用空格符号隔开；及
所述权重计算包括：
通过构建依存关系图计算所述特征词之间的关联强度，并通过所述关联强度计算出所述特征词的重要度得分，得到所述特征词的权重。
8.如权利要求6所述的文字布局装置，其特征在于，所述通过边缘检测算法对所述目标文本图像集进行检测，得到所述文本布局特征集，包括：
通过高斯滤波器对所述目标文本图像集的图像进行平滑滤波；
利用一阶偏导的有限差分计算平滑滤波后的所述图像的梯度幅度和方向，并将所述梯度非局部极大值点的幅度置为零，得到所述图像细化的边缘；
通过双阙值法将所述细化的边缘进行连接，得到所述文本布局特征集。
9.如权利要求6所述的文字布局装置，其特征在于，所述利用预先构建的特征提取模型对所述数值向量文本集和所述文本布局特征集进行特征选择，分别得到文本语义特征集和文本分布特征集，包括：
构建包括BP神经网络的特征提取模型，其中，所述BP神经网络包含输入层、隐藏层以及输出层；其中：
所述输入层接收所述数值向量文本集和所述文本布局特征集；
所述隐藏层对输入层接收的所述数值向量文本集和所述文本布局特征集执行如下操作：
Figure FDA0002188377930000051
其中，Oq表示隐藏层第q个单元的输出值，i表示所述输入层的输入单元，Xi表示所述输入层的输入单元i的参数值，q表示所述隐藏层单元，
Figure FDA0002188377930000052
表示输入层单元i与隐层单元q之间的连接权；
所述输出层接收所述隐藏层的输出值，并执行如下操作：
Figure FDA0002188377930000053
其中，yj表示所述输出层第j单元的输出值，
Figure FDA0002188377930000054
表示所述隐藏层单元q与所述输出层单元j之间的连接权，δj为阙值，j＝1,2,…,m；
预设特征Xi以及特征Xk为所述数值向量文本集或所述文本布局特征集中任意的两个特征输出值。
根据复合函数求偏导数的链式法则求出所述特征Xi的灵敏度δij和所述特征Xk的灵敏度δkj之差，完成对特征Xi和特征Xk的特征选择，从而得到所述文本语义特征集和文本分布特征。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有文字布局程序，所述文字布局程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的文字布局方法的步骤。
CN201910829790.7A 2019-09-02 2019-09-02 文字布局方法、装置及计算机可读存储介质 Active CN110704687B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910829790.7A CN110704687B (zh) 2019-09-02 2019-09-02 文字布局方法、装置及计算机可读存储介质
PCT/CN2020/112335 WO2021043087A1 (zh) 2019-09-02 2020-08-30 文字布局方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910829790.7A CN110704687B (zh) 2019-09-02 2019-09-02 文字布局方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110704687A true CN110704687A (zh) 2020-01-17
CN110704687B CN110704687B (zh) 2023-08-11

Family

ID=69193845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910829790.7A Active CN110704687B (zh) 2019-09-02 2019-09-02 文字布局方法、装置及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN110704687B (zh)
WO (1) WO2021043087A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833303A (zh) * 2020-06-05 2020-10-27 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质
CN112149653A (zh) * 2020-09-16 2020-12-29 北京达佳互联信息技术有限公司 信息处理方法、装置、电子设备及存储介质
WO2021043087A1 (zh) * 2019-09-02 2021-03-11 平安科技（深圳）有限公司 文字布局方法、装置、电子设备及计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361521B (zh) * 2021-06-10 2024-04-09 京东科技信息技术有限公司 场景图像的检测方法及其装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777060A (zh) * 2009-12-23 2010-07-14 中国科学院自动化研究所 网页视觉质量的自动评价方法及其系统
CN102831244A (zh) * 2012-09-13 2012-12-19 重庆立鼎科技有限公司 一种房产文档图像的分类检索方法
CN103544475A (zh) * 2013-09-23 2014-01-29 方正国际软件有限公司 一种版面类型的识别方法及系统
US9298981B1 (en) * 2014-10-08 2016-03-29 Xerox Corporation Categorizer assisted capture of customer documents using a mobile device
CN107491730A (zh) * 2017-07-14 2017-12-19 浙江大学 一种基于图像处理的化验单识别方法
CN109344815A (zh) * 2018-12-13 2019-02-15 深源恒际科技有限公司 一种文档图像分类方法
US20190147103A1 (en) * 2017-11-13 2019-05-16 Accenture Global Solutions Limited Automatic Hierarchical Classification and Metadata Identification of Document Using Machine Learning and Fuzzy Matching
CN110135264A (zh) * 2019-04-16 2019-08-16 深圳壹账通智能科技有限公司 数据录入方法、装置、计算机设备以及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750541B (zh) * 2011-04-22 2015-07-08 北京文通科技有限公司 一种文档图像分类识别方法及装置
US8831361B2 (en) * 2012-03-09 2014-09-09 Ancora Software Inc. Method and system for commercial document image classification
CN102880857A (zh) * 2012-08-29 2013-01-16 华东师范大学 一种基于svm的文档图像版式信息识别方法
CN110704687B (zh) * 2019-09-02 2023-08-11 平安科技（深圳）有限公司 文字布局方法、装置及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777060A (zh) * 2009-12-23 2010-07-14 中国科学院自动化研究所 网页视觉质量的自动评价方法及其系统
CN102831244A (zh) * 2012-09-13 2012-12-19 重庆立鼎科技有限公司 一种房产文档图像的分类检索方法
CN103544475A (zh) * 2013-09-23 2014-01-29 方正国际软件有限公司 一种版面类型的识别方法及系统
US9298981B1 (en) * 2014-10-08 2016-03-29 Xerox Corporation Categorizer assisted capture of customer documents using a mobile device
CN107491730A (zh) * 2017-07-14 2017-12-19 浙江大学 一种基于图像处理的化验单识别方法
US20190147103A1 (en) * 2017-11-13 2019-05-16 Accenture Global Solutions Limited Automatic Hierarchical Classification and Metadata Identification of Document Using Machine Learning and Fuzzy Matching
CN109344815A (zh) * 2018-12-13 2019-02-15 深源恒际科技有限公司 一种文档图像分类方法
CN110135264A (zh) * 2019-04-16 2019-08-16 深圳壹账通智能科技有限公司 数据录入方法、装置、计算机设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANDREA CORBELLI ET AL: "Historical document digitization through layout analysis and deep content classification", 《IEEE XPLORE》, pages 1 - 6 *
程娟 等: "基于多特征和SVM的文本图像版面分类方法", 《数据采集与处理》, vol. 23, no. 5, pages 569 - 573 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021043087A1 (zh) * 2019-09-02 2021-03-11 平安科技（深圳）有限公司 文字布局方法、装置、电子设备及计算机可读存储介质
CN111833303A (zh) * 2020-06-05 2020-10-27 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质
CN111833303B (zh) * 2020-06-05 2023-07-25 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质
CN112149653A (zh) * 2020-09-16 2020-12-29 北京达佳互联信息技术有限公司 信息处理方法、装置、电子设备及存储介质
CN112149653B (zh) * 2020-09-16 2024-03-29 北京达佳互联信息技术有限公司 信息处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2021043087A1 (zh) 2021-03-11
CN110704687B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Afzal et al. Cutting the error by half: Investigation of very deep cnn and advanced training strategies for document image classification
AU2018247340B2 (en) Dvqa: understanding data visualizations through question answering
CN110704687A (zh) 文字布局方法、装置及计算机可读存储介质
JP6908628B2 (ja) 画像分類及びラベリング
Hodges et al. Single image dehazing using deep neural networks
CN109471944B (zh) 文本分类模型的训练方法、装置及可读存储介质
CN110532431B (zh) 短视频关键词提取方法、装置及存储介质
US11790675B2 (en) Recognition of handwritten text via neural networks
CN110750640A (zh) 基于神经网络模型的文本数据分类方法、装置及存储介质
CN110427480B (zh) 个性化文本智能推荐方法、装置及计算机可读存储介质
Kohli et al. An improved method for text detection using Adam optimization algorithm
CN110765765B (zh) 基于人工智能的合同关键条款提取方法、装置及存储介质
Mohammad et al. Contour-based character segmentation for printed Arabic text with diacritics
Sabirov et al. A neural network model for traffic signs recognition in intelligent transport systems
Wilkinson et al. A novel word segmentation method based on object detection and deep learning
Mohamad et al. Recognize printed Arabic letter using new geometrical features
AYDIN Classification of documents extracted from images with optical character recognition methods
US11715288B2 (en) Optical character recognition using specialized confidence functions
Duth et al. Recognition of hand written and printed text of cursive writing utilizing optical character recognition
Emon et al. A review of optical character recognition (ocr) techniques on bengali scripts
CN112149523A (zh) 基于深度学习和并查集算法的ocr识别并抽取图片的方法、装置、电子设备及存储介质
Banerjee et al. Quote examiner: verifying quoted images using web-based text similarity
Kashevnik et al. An Approach to Engineering Drawing Organization: Title Block Detection and Processing
Aniket et al. Handwritten Gujarati script recognition with image processing and deep learning
Bhagat et al. Complex document classification and integration with indexing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant