CN112016273A - 文档目录生成方法、装置、电子设备及可读存储介质 - Google Patents
文档目录生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112016273A CN112016273A CN202010919654.XA CN202010919654A CN112016273A CN 112016273 A CN112016273 A CN 112016273A CN 202010919654 A CN202010919654 A CN 202010919654A CN 112016273 A CN112016273 A CN 112016273A
- Authority
- CN
- China
- Prior art keywords
- text
- document
- text box
- title
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012015 optical character recognition Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Character Discrimination (AREA)
- Character Input (AREA)
Abstract
本发明涉及数据处理,揭露一种文档目录生成方法,包括:将待处理文档转换为图片格式文档,对图片格式文档执行OCR识别得到多个第一文本框,对第一文本框执行分组处理得到多个第一文本框集合;将多个第一文本框集合输入结构类别识别模型,得到第一文本框集合中每个文本框的结构类别信息,根据结构类别信息确定待处理文档的多个第一标题;将多个第一标题输入标题等级识别模型,得到每个第一标题的等级信息,根据等级信息为待处理文档生成目录信息。本发明还提供一种文档目录生成装置、电子设备及可读存储介质。本发明可提高文档目录生成效率,保证目录信息提取的准确性、完整性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种文档目录生成方法、装置、电子设备及可读存储介质。
背景技术
随着信息技术的发展,各个领域每天产生数以万计的文件,且产生出的文件格式众多,例如:PDF格式文件、doc格式文件、纸质文件、图片格式文件,对于数据量较大的文件,我们希望能通过目录信息迅速定位到自己感兴趣的内容,然而,如何生成目录信息呢?
当前,通常分别读取段落信息以确定文件结构,再根据文件结构确定目录信息,然而这种方式目录信息生成效率低下,且当文件中有多级标题的情况下,现有方法无法准确、完整的将目录信息提取出来。因此,亟需一种文档目录生成方法,以提高文档目录生成效率,保证目录信息提取的准确性、完整性。
发明内容
鉴于以上内容,有必要提供一种文档目录生成方法,旨在提高文档目录生成效率,保证目录信息提取的准确性、完整性。
本发明提供的文档目录生成方法,包括:
响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合;
将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题;
将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
可选的,所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
可选的,所述结构类别识别模型的确定过程包括:
对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框,对所述多个第二文本框执行分组处理得到多个第二文本框集合;
将所述第二文本框集合输入第一LayoutLM模型,得到所述第二文本框集合中每个文本框的预测结构类别;
基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别,通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数,得到结构类别识别模型。
可选的,所述将所述第二文本框集合输入第一LayoutLM模型包括:
基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接,得到第一文本序列;
在所述第一文本序列的开头增加句首符,在所述第一文本序列的结尾增加连接符,得到第二文本序列,将所述第二文本序列输入第一LayoutLM模型。
可选的,所述标题等级识别模型的确定过程包括:
对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框,对所述多个第三文本框执行分组处理得到多个第三文本框集合;
将所述第三文本框集合输入文本结构类别识别模型,得到所述第三文本框集合中每个文本框的预测结构类别,基于所述预测结构类别得到所述第二图片样本对应的多个第二标题;
将所述多个第二标题输入第二LayoutLM模型,得到每个第二标题对应的预测标题等级,基于所述标题等级标注信息确定每个第二标题的真实标题等级,通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数,得到标题等级识别模型。
可选的,所述第一损失值的计算公式为:
其中,qmn为第m个第二文本框集合中第n个文本框的预测结构类别,pmn为第m个第二文本框集合中第n个文本框的真实结构类别,loss(qmn,pmn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值,c为第m个第二文本框集合中文本框的总数量,t为结构类别的总数量;
所述第二损失值的计算公式为:
其中,quv为第u个第二图片样本的第v个第二标题的预测标题等级,puv为第u个第二图片样本的第v个第二标题的真实标题等级,loss(quv,puv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值,h为第u个第二图片样本的第二标题的总数量,g为标题等级的总数量。
为了解决上述问题,本发明还提供一种文档目录生成装置,所述装置包括:
获取模块,用于响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
分组模块,用于将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合;
确定模块,用于将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题;
生成模块,用于将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
可选的,所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的文档目录生成程序,所述文档目录生成程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述文档目录生成方法。
为了解决上述问题,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档目录生成程序,所述文档目录生成程序可被一个或者多个处理器执行,以实现上述文档目录生成方法。
相较现有技术,本发明首先将待处理文档转换为图片格式文档,对图片格式文档执行OCR识别得到多个第一文本框,为每个第一文本框建立一个三元数组,基于三元数组对第一文本框进行分组得到多个第一文本框集合,本步骤实现了将不同格式的文档统一转换为第一文本框,并分组得到多个第一文本框集合,使得每个第一文本框集合的数据量适中,可避免后续在将数据输入模型时溢出,保证了信息完整性;接着,将多个第一文本框集合输入结构类别识别模型得到每个文本框的结构类别,基于结构类别确定待处理文档的多个第一标题,本步骤可完整获取待处理文档的每个第一标题;最后,将所述多个第一标题一次性输入标题等级识别模型,保留了上下文信息,提高了标题等级的识别准确率,再根据等级信息即可生成目录信息,使得目录信息生成效率较高。故而,本发明提高了文档目录生成效率,保证了目录信息提取的准确性、完整性。
附图说明
图1为本发明一实施例提供的文档目录生成方法的流程示意图;
图2为本发明一实施例提供的文档目录生成装置的模块示意图;
图3为本发明一实施例提供的实现文档目录生成方法的电子设备的结构示意图;
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
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种文档目录生成方法。参照图1所示,为本发明一实施例提供的文档目录生成方法的流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。
本实施例中,文档目录生成方法包括:
S1、响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
S2、将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合。
本实施例中,所述待处理文档的格式包括PDF格式、doc格式、纸质格式,所述将所述待处理文档转换为图片格式文档包括:
A1、将PDF格式待处理文档中的每一页文档转换为一张图片,得到以页码命名的多张图片,汇总所述多张图片得到图片格式文档;
A2、将doc格式(或docx格式)待处理文档转换为PDF格式文档,将PDF格式文档转换为以页码命名的多张图片,汇总所述多张图片得到图片格式文档;
A3、将纸质格式待处理文档按文档顺序拍摄为以页码命名的多张照片,汇总所述多张照片得到图片格式文档。
本实施例中,采用OCR识别技术对图片格式的待处理文档进行文字识别,可识别得到每张图片中包含的多个文本框、每个文本框中的文字信息及每个文本框在对应图片中的坐标。
所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
B1、为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
B2、基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
B3、将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
将OCR识别得到的文本框中位于同一页同一行的文本框合并后,每页图片至少对应从上往下排列的15个文本框,当待处理文档页数较多时,得到的文本框数量较多,现有的序列模型无法一次性建模这么多数据(大部分序列模型的输入长度为512,当输入文字长度大于512时,需要对输入文字进行拆分),将文本框划分为包含预设数量(例如,10个)文本框的一个或多个文本框集合,可避免信息在输入模型时溢出,保证了后续文本结构类别及标题等级识别的准确性。
S3、将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题。
本实施例中,所述结构类别识别模型为训练好的LayoutLM模型,用于识别第一文本框集合中每个文本框的结构类别(结构类别包括:居中标题、分级标题、正文),根据结构类别可确定所述待处理文档的多个标题(包括居中标题、分级标题),但是不能区分分级标题为几级分级标题。
LayoutLM模型是一种通用文档预训练模型,对文档结构信息和视觉信息进行建模,文档中文字的位置关系蕴含着丰富的语义信息,例如,居中标题通常位于文档首行正中位置;文字格式所呈现的视觉信息也体现了语义信息,例如,文章的分级标题通常会放大加粗呈现,特殊概念名称会以斜体呈现。
本实施例中,所述结构类别识别模型的确定过程包括:
C1、对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框,对所述多个第二文本框执行分组处理得到多个第二文本框集合;
C2、将所述第二文本框集合输入第一LayoutLM模型,得到所述第二文本框集合中每个文本框的预测结构类别;
C3、基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别,通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数,得到结构类别识别模型。
所述将所述第二文本框集合输入第一LayoutLM模型包括:
D1、基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接,得到第一文本序列;
D2、在所述第一文本序列的开头增加句首符,在所述第一文本序列的结尾增加连接符,得到第二文本序列,将所述第二文本序列输入第一LayoutLM模型。
假设第二文本框集合中包括10个文本框,本实施例中句首符用CLS表示,连接符用SEP表示,则第二文本序列为CLS,W11,W12,…,W1n1,SEP,W21,W22,…,W2n2,SEP,…,SEP,W101,W102,…,W10n10,SEP。其中Wij表示第二文本框集合中第i个文本框的第j个文字,ni表示第二文本框集合中第i个文本框中文字的总数量。
当输入经过LayoutLM模型后,会得到相同长度的输出,每个文本框后面的SEP所输出的结构类别即为该文本框的结构类别。
所述第一损失值的计算公式为:
其中,qmn为第m个第二文本框集合中第n个文本框的预测结构类别,pmn为第m个第二文本框集合中第n个文本框的真实结构类别,loss(qmn,pmn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值,c为第m个第二文本框集合中文本框的总数量,t为结构类别的总数量(本实施例中,结构类别的总数量为3,包括:居中标题、分级标题、正文)。
S4、将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
本实施例中,所述标题等级识别模型也为训练好的LayoutLM模型,用于识别分级标题为几级分级标题(例如,一级标题、二级标题、三级标题…)。本发明中标题等级识别模型与文本结构类别识别模型输入的样本不同,训练目标不同,训练得到的模型参数也不同。
本实施例在识别得到居中标题和各级分级标题后即可创建出较为详细的目录信息,用户根据目录信息可确定文档的整体布局,快速定位自己感兴趣的部分。
本实施例中,不将文本结构类别识别模型和标题等级识别模型结合在一起作为一个模型进行文本结构类别识别和标题等级识别的目的在于:对于大数据量的文档,OCR识别后得到的文本框数量较多,LayoutLM模型无法一次性将所有文本框输入,所以将文本框进行分组,得到多个文本框集合,然而因居中标题和分级标题在一个文档中的数量比较稀少,一个文本框集合中可能只有一个文本框对应分级标题,也可能没有一个文本框对应分级标题,而分级标题的等级的识别需要关注上下文信息,故而无法根据一个文本框集合来确定分级标题具体为几级分级标题,采用一个模型来识别结构类别和标题等级会使标题等级识别准确度不够高。本实施例通过结构类别识别模型得到多个第一标题,因第一标题的数量不会太多,可一次性输入标题等级识别模型,完整的保留了上下文信息,保证了标题等级识别模型的高准确性。
所述标题等级识别模型的确定过程包括:
E1、对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框,对所述多个第三文本框执行分组处理得到多个第三文本框集合;
E2、将所述第三文本框集合输入文本结构类别识别模型,得到所述第三文本框集合中每个文本框的预测结构类别,基于所述预测结构类别得到所述第二图片样本对应的多个第二标题;
E3、将所述多个第二标题输入第二LayoutLM模型,得到每个第二标题对应的预测标题等级,基于所述标题等级标注信息确定每个第二标题的真实标题等级,通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数,得到标题等级识别模型。
所述第二损失值的计算公式为:
其中,quv为第u个第二图片样本的第v个第二标题的预测标题等级,puv为第u个第二图片样本的第v个第二标题的真实标题等级,loss(quv,puv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值,h为第u个第二图片样本的第二标题的总数量,g为标题等级的总数量(本实施例中,标题等级的总数量为8,包括:一级标题、二级标题、…、八级标题)。
由上述实施例可知,本发明提出的文档目录生成方法,首先,将待处理文档转换为图片格式文档,对图片格式文档执行文字识别得到多个第一文本框,为每个第一文本框建立一个三元数组,基于三元数组对第一文本框进行分组得到多个第一文本框集合,本步骤实现了将不同格式的文档统一转换为第一文本框,并分组得到多个第一文本框集合,使得每个第一文本框集合的数据量适中,可避免后续在将数据输入模型时溢出,保证了信息完整性;接着,将第一文本框集合输入结构类别识别模型得到每个文本框的结构类别,基于结构类别确定待处理文档的多个第一标题,本步骤可完整获取待处理文档的每个第一标题;最后,将所述多个第一标题一次性输入标题等级识别模型,保留了上下文信息,提高了标题等级的识别准确率,再根据等级信息即可生成目录信息,使得目录信息生成效率较高。故而,本发明提高了文档目录生成效率,保证了目录信息提取的准确性、完整性。
如图2所示,为本发明一实施例提供的文档目录生成装置的模块示意图。
本发明所述文档目录生成装置100可以安装于电子设备中。根据实现的功能,所述文档目录生成装置100可以包括获取模块110、分组模块120、确定模块130及生成模块140。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
获取模块110,用于响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
分组模块120,用于将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合。
本实施例中,所述待处理文档的格式包括PDF格式、doc格式、纸质格式,所述将所述待处理文档转换为图片格式文档包括:
A1、将PDF格式待处理文档中的每一页文档转换为一张图片,得到以页码命名的多张图片,汇总所述多张图片得到图片格式文档;
A2、将doc格式(或docx格式)待处理文档转换为PDF格式文档,将PDF格式文档转换为以页码命名的多张图片,汇总所述多张图片得到图片格式文档;
A3、将纸质格式待处理文档按文档顺序拍摄为以页码命名的多张照片,汇总所述多张照片得到图片格式文档。
本实施例中,采用OCR识别技术对图片格式的待处理文档进行文字识别,可识别得到每张图片中包含的多个文本框、每个文本框中的文字信息及每个文本框在对应图片中的坐标。
所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
B1、为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
B2、基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
B3、将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
将OCR识别得到的文本框中位于同一页同一行的文本框合并后,每页图片至少对应从上往下排列的15个文本框,当待处理文档页数较多时,得到的文本框数量较多,现有的序列模型无法一次性建模这么多数据(大部分序列模型的输入长度为512,当输入文字长度大于512时,需要对输入文字进行拆分),将文本框划分为包含预设数量(例如,10个)文本框的一个或多个文本框集合,可避免信息在输入模型时溢出,保证了后续文本结构类别及标题等级识别的准确性。
确定模块130,用于将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题。
本实施例中,所述结构类别识别模型为训练好的LayoutLM模型,用于识别第一文本框集合中每个文本框的结构类别(结构类别包括:居中标题、分级标题、正文),根据结构类别可确定所述待处理文档的多个标题(包括居中标题、分级标题),但是不能区分分级标题为几级分级标题。
LayoutLM模型是一种通用文档预训练模型,对文档结构信息和视觉信息进行建模,文档中文字的位置关系蕴含着丰富的语义信息,例如,居中标题通常位于文档首行正中位置;文字格式所呈现的视觉信息也体现了语义信息,例如,文章的分级标题通常会放大加粗呈现,特殊概念名称会以斜体呈现。
本实施例中,所述结构类别识别模型的确定过程包括:
C1、对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框,对所述多个第二文本框执行分组处理得到多个第二文本框集合;
C2、将所述第二文本框集合输入第一LayoutLM模型,得到所述第二文本框集合中每个文本框的预测结构类别;
C3、基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别,通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数,得到结构类别识别模型。
所述将所述第二文本框集合输入第一LayoutLM模型包括:
D1、基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接,得到第一文本序列;
D2、在所述第一文本序列的开头增加句首符,在所述第一文本序列的结尾增加连接符,得到第二文本序列,将所述第二文本序列输入第一LayoutLM模型。
假设第二文本框集合中包括10个文本框,本实施例中句首符用CLS表示,连接符用SEP表示,则第二文本序列为CLS,W11,W12,…,W1n1,SEP,W21,W22,…,W2n2,SEP,…,SEP,W101,W102,…,W10n10,SEP。其中Wij表示第二文本框集合中第i个文本框的第j个文字,ni表示第二文本框集合中第i个文本框中文字的总数量。
当输入经过LayoutLM模型后,会得到相同长度的输出,每个文本框后面的SEP所输出的结构类别即为该文本框的结构类别。
所述第一损失值的计算公式为:
其中,qmn为第m个第二文本框集合中第n个文本框的预测结构类别,pmn为第m个第二文本框集合中第n个文本框的真实结构类别,loss(qmn,pmn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值,c为第m个第二文本框集合中文本框的总数量,t为结构类别的总数量(本实施例中,结构类别的总数量为3,包括:居中标题、分级标题、正文)。
生成模块140,用于将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
本实施例中,所述标题等级识别模型也为训练好的LayoutLM模型,用于识别分级标题为几级分级标题(例如,一级标题、二级标题、三级标题…)。本发明中标题等级识别模型与文本结构类别识别模型输入的样本不同,训练目标不同,训练得到的模型参数也不同。
本实施例在识别得到居中标题和各级分级标题后即可创建出较为详细的目录信息,用户根据目录信息可确定文档的整体布局,快速定位自己感兴趣的部分。
本实施例中,不将文本结构类别识别模型和标题等级识别模型结合在一起作为一个模型进行文本结构类别识别和标题等级识别的目的在于:对于大数据量的文档,OCR识别后得到的文本框数量较多,LayoutLM模型无法一次性将所有文本框输入,所以将文本框进行分组,得到多个文本框集合,然而因居中标题和分级标题在一个文档中的数量比较稀少,一个文本框集合中可能只有一个文本框对应分级标题,也可能没有一个文本框对应分级标题,而分级标题的等级的识别需要关注上下文信息,故而无法根据一个文本框集合来确定分级标题具体为几级分级标题,采用一个模型来识别结构类别和标题等级会使标题等级识别准确度不够高。本实施例通过结构类别识别模型得到多个第一标题,因第一标题的数量不会太多,可一次性输入标题等级识别模型,完整的保留了上下文信息,保证了标题等级识别模型的高准确性。
所述标题等级识别模型的确定过程包括:
E1、对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框,对所述多个第三文本框执行分组处理得到多个第三文本框集合;
E2、将所述第三文本框集合输入文本结构类别识别模型,得到所述第三文本框集合中每个文本框的预测结构类别,基于所述预测结构类别得到所述第二图片样本对应的多个第二标题;
E3、将所述多个第二标题输入第二LayoutLM模型,得到每个第二标题对应的预测标题等级,基于所述标题等级标注信息确定每个第二标题的真实标题等级,通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数,得到标题等级识别模型。
所述第二损失值的计算公式为:
其中,quv为第u个第二图片样本的第v个第二标题的预测标题等级,puv为第u个第二图片样本的第v个第二标题的真实标题等级,loss(quv,puv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值,h为第u个第二图片样本的第二标题的总数量,g为标题等级的总数量(本实施例中,标题等级的总数量为8,包括:一级标题、二级标题、…、八级标题)。
如图3所示,为本发明一实施例提供的实现文档目录生成方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云,其中云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中,电子设备1包括,但不仅限于,可通过系统总线相互通信连接的存储器11、处理器12、网络接口13,该存储器11中存储有文档目录生成程序10,所述文档目录生成程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及文档目录生成程序10的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对电子设备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。
其中,存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存;可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中,可读存储介质可以是电子设备1的内部存储单元,例如该电子设备1的硬盘;在另一些实施例中,该非易失性存储介质也可以是电子设备1的外部存储设备,例如电子设备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。本实施例中,存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件,例如存储本发明一实施例中的文档目录生成程序10的代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作,例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行文档目录生成程序10等。
网络接口13可包括无线网络接口或有线网络接口,该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的,所述电子设备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。可选的,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,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的文档目录生成程序10是多个指令的组合,在所述处理器12中运行时,可以实现:
响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合;
将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题;
将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
具体地,所述处理器12对上述文档目录生成程序10的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述待处理文档的私密和安全性,上述待处理文档还可以存储于一区块链的节点中。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是非易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
所述计算机可读存储介质上存储有文档目录生成程序10,所述文档目录生成程序10可被一个或者多个处理器执行,本发明计算机可读存储介质具体实施方式与上述文档目录生成方法各实施例基本相同,在此不作赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种文档目录生成方法,其特征在于,所述方法包括:
响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合;
将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题;
将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
2.如权利要求1所述的文档目录生成方法,其特征在于,所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
3.如权利要求2所述的文档目录生成方法,其特征在于,所述结构类别识别模型的确定过程包括:
对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框,对所述多个第二文本框执行分组处理得到多个第二文本框集合;
将所述第二文本框集合输入第一LayoutLM模型,得到所述第二文本框集合中每个文本框的预测结构类别;
基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别,通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数,得到结构类别识别模型。
4.如权利要求3所述的文档目录生成方法,其特征在于,所述将所述第二文本框集合输入第一LayoutLM模型包括:
基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接,得到第一文本序列;
在所述第一文本序列的开头增加句首符,在所述第一文本序列的结尾增加连接符,得到第二文本序列,将所述第二文本序列输入第一LayoutLM模型。
5.如权利要求4所述的文档目录生成方法,其特征在于,所述标题等级识别模型的确定过程包括:
对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框,对所述多个第三文本框执行分组处理得到多个第三文本框集合;
将所述第三文本框集合输入文本结构类别识别模型,得到所述第三文本框集合中每个文本框的预测结构类别,基于所述预测结构类别得到所述第二图片样本对应的多个第二标题;
将所述多个第二标题输入第二LayoutLM模型,得到每个第二标题对应的预测标题等级,基于所述标题等级标注信息确定每个第二标题的真实标题等级,通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数,得到标题等级识别模型。
6.如权利要求5所述的文档目录生成方法,其特征在于,所述第一损失值的计算公式为:
其中,qmn为第m个第二文本框集合中第n个文本框的预测结构类别,pmn为第m个第二文本框集合中第n个文本框的真实结构类别,loss(qmn,pmn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值,c为第m个第二文本框集合中文本框的总数量,t为结构类别的总数量;
所述第二损失值的计算公式为:
其中,quv为第u个第二图片样本的第v个第二标题的预测标题等级,puv为第u个第二图片样本的第v个第二标题的真实标题等级,loss(quv,puv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值,h为第u个第二图片样本的第二标题的总数量,g为标题等级的总数量。
7.一种文档目录生成装置,其特征在于,所述装置包括:
获取模块,用于响应用户基于客户端发出的文档目录生成请求,解析所述请求,获取所述请求中的待处理文档;
分组模块,用于将所述待处理文档转换为图片格式文档,对所述图片格式文档执行OCR识别得到多个第一文本框,对所述多个第一文本框执行分组处理得到多个第一文本框集合;
确定模块,用于将所述多个第一文本框集合输入结构类别识别模型,得到所述第一文本框集合中每个文本框的结构类别信息,根据所述结构类别信息确定所述待处理文档的多个第一标题;
生成模块,用于将所述多个第一标题输入标题等级识别模型,得到所述多个第一标题中每个第一标题的等级信息,根据所述等级信息为所述待处理文档生成目录信息。
8.如权利要求7所述的文档目录生成装置,其特征在于,所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括:
为所述多个第一文本框中的每个第一文本框建立一个三元数组,所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息;
基于所述三元数组将位于同一页同一行的第一文本框合并,得到多个行文本框;
将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的文档目录生成程序,所述文档目录生成程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的文档目录生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有文档目录生成程序,所述文档目录生成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6任一项所述的文档目录生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919654.XA CN112016273B (zh) | 2020-09-03 | 2020-09-03 | 文档目录生成方法、装置、电子设备及可读存储介质 |
PCT/CN2021/097070 WO2022048211A1 (zh) | 2020-09-03 | 2021-05-30 | 文档目录生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919654.XA CN112016273B (zh) | 2020-09-03 | 2020-09-03 | 文档目录生成方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016273A true CN112016273A (zh) | 2020-12-01 |
CN112016273B CN112016273B (zh) | 2024-03-12 |
Family
ID=73516883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919654.XA Active CN112016273B (zh) | 2020-09-03 | 2020-09-03 | 文档目录生成方法、装置、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112016273B (zh) |
WO (1) | WO2022048211A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836073A (zh) * | 2021-02-02 | 2021-05-25 | 嘉应学院 | 一种历史文献数字化方法、系统、装置及存储介质 |
CN112860939A (zh) * | 2021-02-19 | 2021-05-28 | 北京百度网讯科技有限公司 | 音视频数据处理方法、装置、设备和存储介质 |
CN113641746A (zh) * | 2021-08-20 | 2021-11-12 | 科大讯飞股份有限公司 | 文档结构化方法、装置、电子设备和存储介质 |
CN113849552A (zh) * | 2021-09-27 | 2021-12-28 | 中国平安财产保险股份有限公司 | 结构化数据转换方法、装置、电子设备及介质 |
CN113887422A (zh) * | 2021-09-30 | 2022-01-04 | 中国平安人寿保险股份有限公司 | 基于人工智能的表格图片内容提取方法、装置及设备 |
CN113920570A (zh) * | 2021-11-06 | 2022-01-11 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
WO2022048211A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技(深圳)有限公司 | 文档目录生成方法、装置、电子设备及可读存储介质 |
WO2022134805A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 文档分类预测方法、装置、计算机设备及存储介质 |
CN116579308A (zh) * | 2023-07-06 | 2023-08-11 | 之江实验室 | 一种演示文稿生成方法及装置 |
CN117763206A (zh) * | 2024-02-20 | 2024-03-26 | 暗物智能科技(广州)有限公司 | 知识树的生成方法、装置、电子设备及存储介质 |
CN113849552B (zh) * | 2021-09-27 | 2024-05-31 | 中国平安财产保险股份有限公司 | 结构化数据转换方法、装置、电子设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363667B (zh) * | 2023-04-26 | 2023-10-13 | 公安部信息通信中心 | 一种聚合文件主题识别与归类系统 |
CN117493712A (zh) * | 2023-12-29 | 2024-02-02 | 浙江华东工程数字技术有限公司 | Pdf文档可导航目录提取方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140294302A1 (en) * | 2004-04-01 | 2014-10-02 | Google Inc. | Triggering actions in response to optically or acoustically capturing keywords from a rendered document |
CN110263317A (zh) * | 2019-06-27 | 2019-09-20 | 中国石油集团东方地球物理勘探有限责任公司 | 一种生成文档模板的方法及装置 |
CN110427884A (zh) * | 2019-08-01 | 2019-11-08 | 达而观信息科技(上海)有限公司 | 文档篇章结构识别方法、装置、设备和存储介质 |
CN110852079A (zh) * | 2019-10-11 | 2020-02-28 | 平安科技(深圳)有限公司 | 文档目录自动生成方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10706228B2 (en) * | 2017-12-01 | 2020-07-07 | International Business Machines Corporation | Heuristic domain targeted table detection and extraction technique |
CN112016273B (zh) * | 2020-09-03 | 2024-03-12 | 平安科技(深圳)有限公司 | 文档目录生成方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-09-03 CN CN202010919654.XA patent/CN112016273B/zh active Active
-
2021
- 2021-05-30 WO PCT/CN2021/097070 patent/WO2022048211A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140294302A1 (en) * | 2004-04-01 | 2014-10-02 | Google Inc. | Triggering actions in response to optically or acoustically capturing keywords from a rendered document |
CN110263317A (zh) * | 2019-06-27 | 2019-09-20 | 中国石油集团东方地球物理勘探有限责任公司 | 一种生成文档模板的方法及装置 |
CN110427884A (zh) * | 2019-08-01 | 2019-11-08 | 达而观信息科技(上海)有限公司 | 文档篇章结构识别方法、装置、设备和存储介质 |
CN110852079A (zh) * | 2019-10-11 | 2020-02-28 | 平安科技(深圳)有限公司 | 文档目录自动生成方法、装置及计算机可读存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022048211A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技(深圳)有限公司 | 文档目录生成方法、装置、电子设备及可读存储介质 |
WO2022134805A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 文档分类预测方法、装置、计算机设备及存储介质 |
CN112836073A (zh) * | 2021-02-02 | 2021-05-25 | 嘉应学院 | 一种历史文献数字化方法、系统、装置及存储介质 |
CN112860939A (zh) * | 2021-02-19 | 2021-05-28 | 北京百度网讯科技有限公司 | 音视频数据处理方法、装置、设备和存储介质 |
CN112860939B (zh) * | 2021-02-19 | 2023-09-26 | 北京百度网讯科技有限公司 | 音视频数据处理方法、装置、设备和存储介质 |
CN113641746B (zh) * | 2021-08-20 | 2024-02-20 | 科大讯飞股份有限公司 | 文档结构化方法、装置、电子设备和存储介质 |
CN113641746A (zh) * | 2021-08-20 | 2021-11-12 | 科大讯飞股份有限公司 | 文档结构化方法、装置、电子设备和存储介质 |
CN113849552A (zh) * | 2021-09-27 | 2021-12-28 | 中国平安财产保险股份有限公司 | 结构化数据转换方法、装置、电子设备及介质 |
CN113849552B (zh) * | 2021-09-27 | 2024-05-31 | 中国平安财产保险股份有限公司 | 结构化数据转换方法、装置、电子设备及介质 |
CN113887422A (zh) * | 2021-09-30 | 2022-01-04 | 中国平安人寿保险股份有限公司 | 基于人工智能的表格图片内容提取方法、装置及设备 |
CN113887422B (zh) * | 2021-09-30 | 2024-05-31 | 中国平安人寿保险股份有限公司 | 基于人工智能的表格图片内容提取方法、装置及设备 |
CN113920570A (zh) * | 2021-11-06 | 2022-01-11 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
CN113920570B (zh) * | 2021-11-06 | 2022-06-14 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
CN116579308A (zh) * | 2023-07-06 | 2023-08-11 | 之江实验室 | 一种演示文稿生成方法及装置 |
CN116579308B (zh) * | 2023-07-06 | 2023-10-10 | 之江实验室 | 一种演示文稿生成方法及装置 |
CN117763206A (zh) * | 2024-02-20 | 2024-03-26 | 暗物智能科技(广州)有限公司 | 知识树的生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022048211A1 (zh) | 2022-03-10 |
CN112016273B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016273B (zh) | 文档目录生成方法、装置、电子设备及可读存储介质 | |
CN106250385B (zh) | 用于文档的自动化信息抽象处理的系统和方法 | |
US9483740B1 (en) | Automated data classification | |
WO2022048210A1 (zh) | 命名实体识别方法、装置、电子设备及可读存储介质 | |
CN112183091A (zh) | 问答对生成方法、装置、电子设备及可读存储介质 | |
CN112182224A (zh) | 裁判文书摘要生成方法、装置、电子设备及可读存储介质 | |
CN112597135A (zh) | 用户分类方法、装置、电子设备及可读存储介质 | |
CN115917613A (zh) | 文档中文本的语义表示 | |
CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN111553556A (zh) | 业务数据分析方法、装置、计算机设备及存储介质 | |
CN115758451A (zh) | 基于人工智能的数据标注方法、装置、设备及存储介质 | |
CN111625567A (zh) | 数据模型匹配方法、装置、计算机系统及可读存储介质 | |
US9516089B1 (en) | Identifying and processing a number of features identified in a document to determine a type of the document | |
CN111444368B (zh) | 构建用户画像的方法、装置、计算机设备及存储介质 | |
CN117195886A (zh) | 基于人工智能的文本数据处理方法、装置、设备及介质 | |
CN116755688A (zh) | 组件处理方法、装置、计算机设备及存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN112149391B (zh) | 信息处理方法、信息处理装置、终端设备及存储介质 | |
CN114169306A (zh) | 一种生成电子回执单的方法、装置、设备及可读存储介质 | |
CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
CN114398877A (zh) | 基于人工智能的主题提取方法、装置、电子设备及介质 | |
CN114118072A (zh) | 文档结构化方法、装置、电子设备和计算机可读存储介质 | |
WO2019136920A1 (zh) | 话题演变的可视化展现方法、应用服务器及计算机可读存储介质 | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN114722787B (zh) | 一种基于Excel级联的标签匹配方法、及其相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |