CN112541332A - 表单信息抽取方法、装置、电子设备及存储介质 - Google Patents

表单信息抽取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112541332A
CN112541332A CN202011443512.7A CN202011443512A CN112541332A CN 112541332 A CN112541332 A CN 112541332A CN 202011443512 A CN202011443512 A CN 202011443512A CN 112541332 A CN112541332 A CN 112541332A
Authority
CN
China
Prior art keywords
character
information
type
content
cell
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
CN202011443512.7A
Other languages
English (en)
Other versions
CN112541332B (zh
Inventor
曾凯
吴思瑾
路华
彭艺宇
陈永锋
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011443512.7A priority Critical patent/CN112541332B/zh
Publication of CN112541332A publication Critical patent/CN112541332A/zh
Priority to US17/382,610 priority patent/US20220180093A1/en
Priority to JP2021184838A priority patent/JP2022091123A/ja
Application granted granted Critical
Publication of CN112541332B publication Critical patent/CN112541332B/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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services
    • 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
    • G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
    • 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
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Graphics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Character Input (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本申请公开了表单信息抽取方法、装置、电子设备及存储介质，涉及自然语言处理、计算机视觉和深度学习等人工智能领域，其中的方法可包括：针对待处理的表单，分别获取其中的各字符的特征信息；根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序；根据各字符所属的类型及阅读顺序，从表单中抽取出预定类型的信息内容。应用本申请所述方案，可节省人力和时间成本，并可提高信息抽取效率及抽取结果的准确性等。

Description

表单信息抽取方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能领域，特别涉及自然语言处理、计算机视觉和深度学习领域的表单信息抽取方法、装置、电子设备及存储介质。
背景技术
现实世界中，有大量信息存在于纸质版的表单中，这些信息对于用户来说可能具有重要意义。
相应地，则需要针对表单进行信息抽取。目前的表单信息抽取方式多为人工抽取方式，需要耗费大量的人力和时间成本，而且效率低下等。
发明内容
本申请提供了表单信息抽取方法、装置、电子设备及存储介质。
一种表单信息抽取方法，包括：
针对待处理的表单，分别获取其中的各字符的特征信息；
根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序；
根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容。
一种表单信息抽取装置，包括：获取模块、确定模块以及抽取模块；
所述获取模块，用于针对待处理的表单，分别获取其中的各字符的特征信息；
所述确定模块，用于根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序；
所述抽取模块，用于根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：可自动地从表单中抽取出所需的信息内容，从而节省了人力和时间成本，并提高了信息抽取效率，同时，可结合字符的特征信息、所属的类型以及阅读顺序等进行信息的抽取，从而确保了抽取结果的准确性等。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述表单信息抽取方法实施例的流程图；
图2为本申请所述根据各字符所属的类型及阅读顺序从表单中抽取显式的键值对内容和表格内容的方式示意图；
图3为本申请所述的表单的示意图；
图4为本申请所述表单信息抽取装置实施例40的组成结构示意图；
图5为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述表单信息抽取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，针对待处理的表单，分别获取其中的各字符的特征信息。
在步骤102中，根据获取到的特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序。
在步骤103中，根据各字符所属的类型及阅读顺序，从表单中抽取出预定类型的信息内容。
可以看出，上述方法实施例所述方案中，可自动地从表单中抽取出所需的信息内容，从而节省了人力和时间成本，并提高了信息抽取效率，同时，可结合字符的特征信息、所属的类型以及阅读顺序等进行信息的抽取，从而确保了抽取结果的准确性等。
本申请中所述的表单通常是指纸质版表单，相应地，针对待处理的表单，还需要获取表单对应的图像，如表单的扫描件，并对图像进行文本检测，从而得到检测出的各字符。其中，可采用现有的文本检测技术对图像进行文本检测。
针对各字符，可分别获取其特征信息。获取到的特征信息可包括：字符的文本语义信息，和/或，字符的位置信息，和/或，字符所在的图像区域的图像信息等。即可获取字符的文本语义信息、字符的位置信息和字符所在的图像区域的图像信息中的任意一个作为字符的特征信息，也可获取字符的文本语义信息、字符的位置信息和字符所在的图像区域的图像信息中的任意两个作为字符的特征信息，还可同时获取字符的文本语义信息、字符的位置信息和字符所在的图像区域的图像信息作为字符的特征信息。优选地，可采用最后一种方式，从而可同时结合起视觉、位置及文本信息等，进而提升了后续各项处理的准确性等。
其中，针对每个字符，可分别对字符的语义信息和上下文信息进行编码，将编码得到的向量表示作为字符的文本语义信息。
比如，可利用预训练语言模型，对字符的语义信息和上下文信息进行编码，得到编码后的向量表示，作为字符的文本语义信息。也就是说，向量表示中即同时包含了字符的语义信息和上下文信息。
针对每个字符，还可分别获取字符所在矩形框的左上角和右下角坐标，将获取到的坐标转化为向量表示，作为字符的位置信息，矩形框为包括字符的预定大小的矩形框。
按照现有方式，在进行文本检测时，每个字符均会对应确定一个矩形框，可获取矩形框的左上角和右下角坐标，即xy坐标，并可转化为向量表示，作为字符的位置信息。如何进行转化不作限制，可根据实际需要而定。
针对每个字符，还可分别从字符所在的图像区域中抽取出预定图像特征，作为字符所在的图像区域的图像信息，字符所在的图像区域即为所述矩形框对应的图像区域。
比如，可利用实例分割任务的经典网络即掩码-基于区域的卷积神经网络(Mask-RCNN，Mask-Region-based Convolutional Network)，从字符所在的图像区域中抽取出预定图像特征，具体包括哪些图像特征可根据实际需要而定。
通过上述处理，可快速准确地获取到各字符的特征信息，从而为后续处理奠定了良好的基础。
进一步地，根据获取到的特征信息，可分别确定出各字符所属的类型，即执行字粒度的分类任务。如何根据特征信息确定出各字符所属的类型不作限制，比如，可利用预先训练得到的模型，针对各字符，分别利用对应的特征信息等预测出各字符所属的类型。
另外，还可确定出各字符的阅读顺序，即执行阅读顺序预测任务。比如，可分别确定出各字符的下一个字符，从而得到各字符的阅读顺序。
对于表单来说，其中可能包含有分栏、浮动图片、表格等复杂布局，找到字符的正确阅读顺序是十分必要的。只有根据正确的阅读顺序，才能正确的理解表单的内容语义等，从而将所需的信息内容准确、完整的抽取出来。
相应地，可针对表单中的各字符，分别确定出各字符的下一个字符，即确定出下一个字符是什么，其中，若某一字符的下一个字符指向它自身或者为空，则可认为当前语义段结束。如何确定各字符的下一个字符同样不作限制，比如，可利用预先训练得到的模型，根据各字符的特征信息等，分别预测出各字符的下一个字符。
每个字符根据其语义信息和位置信息等均可被定义为一个独一无二的字符。比如，对于文本信息“我现在居住在北京市”中的“我”这一字符，其下一个字符为“现”，对于“现”这一字符，其下一个字符为“在”，以此类推，其中出现的两个“在”字会被视为两个不同的字符进行处理。
通过上述处理，即可得到表单中的各字符的阅读顺序。
之后，可根据各字符所属的类型及阅读顺序，从表单中抽取出预定类型的信息内容。
预定类型的信息内容可包括显式的键值(key-value)对内容和/或表格内容，即可仅抽取出显式的键值对内容，也可仅抽取出表格内容，还可分别抽取出显式的键值对内容和表格内容。
另外，字符所属的类型可包括一级类型和二级类型。
其中，一级类型可包括：键的开始、键的中间、键的结束、值的开始、值的中间、值的结束、单元格(cell)开始、单元格中间、单元格结束及其它等。
二级类型可包括：是否为表头(是表头或不是表头)等。比如，对于某个字符，可确定出其所属的类型为：单元格中间、不是表头。
字符所属的类型中具体包括哪些类型可根据实际需要而定，以上仅为举例说明。
在从表单中抽取显式的键值对内容时，可结合各字符所属的类型以及各字符的下一个字符所属的类型，从表单中抽取出显式的键值对内容。
比如，可依次判断各字符所属的类型，若某一字符“宾”的类型为键的开始，其下一个字符为字符“客”，所属的类型为键的中间，字符“客”的下一个字符为字符“姓”，所属的类型也为键的中间，字符“姓”的下一个字符为字符“名”，所属的类型为键的结束，那么则可得到一个键“宾客姓名”。类似地，可得到该键对应的值，假设为“李**”，那么“宾客姓名-李**”即为一个抽取出的显式的键值对内容。
表格内容可分为两类，即普通的单元格内容以及表头内容。在从表单中抽取表格内容时，可结合各字符所属的类型以及各字符的下一个字符所属的类型，从表单中抽取出单元格内容，针对任一单元格内容，若确定该单元格内容中的任一字符为表头，则可将该单元格内容确定为表头内容，将表头内容以及不为表头内容的单元格内容作为从表单中抽取出的表格内容。
比如，可依次判断各字符所属的类型，若某一字符a的类型为单元格的开始，其下一个字符b所属的类型为单元格的中间，字符b的下一个字符c所属的类型为单元格的结束，那么则可得到一个由字符a、字符b和字符c组成的单元格内容。
另外，若任一单元格内容中包括为表头的字符，则可将该单元格内容确定为表头内容，否则，为普通的单元格内容。
比如，假设共抽取出了6个单元格内容，分别为单元格内容1-单元格内容6，其中，单元格内容1和单元格内容2中包括为表头的字符，那么则可将单元格内容1和单元格内容2确定为表头内容，并将这两个表头内容、单元格内容3、单元格内容4、单元格内容5以及单元格内容6作为抽取出的表格内容。
进一步地，还可分别确定出抽取出的表头内容和单元格内容在所在表格中的位置，根据所述位置将表头内容和单元格内容顺序输出。
比如，可利用预先训练得到的模型分别为每个表头内容和单元格内容预测与其同行的下一个单元格内容、同列的下一个单元格内容等，根据此信息进行表格行列的解析，即分别确定出各表头内容和单元格内容在所在表格中的行列位置，进而可按照行列位置将各表头内容和单元格内容顺序输出，从而使得输出的表格内容更为清晰、准确等。
基于上述介绍，图2为本申请所述根据各字符所属的类型及阅读顺序从表单中抽取显式的键值对内容和表格内容的方式示意图，图中左侧所示表示阅读顺序，具体实现请参照前述相关说明，不再赘述。
除了可从表单中抽取显式的键值对内容和表格内容外，本申请中还提出，可从表单中抽取隐式的键值对内容。
如可获取用户设定的问题，根据表单中的文本信息(表单中的各字符组成的文本信息)确定出问题对应的答案，将问题及对应的答案作为从表单中抽取出的隐式的键值对内容。
有些键值对内容可能不是显式的存在于表单的文本信息中的，此时通过显式的键值对内容抽取方式将无法得到所需的内容，因此本申请中又提出了基于问-答方法的键值对内容抽取方式。
比如，可将用户设定的问题作为键，利用预先训练得到的模型从表单的文本信息中预测出答案的开始位置和结束位置，得到一个或多个答案区间，并选取置信度最高的答案区间中的内容作为所需的答案，即键对应的值。
通过上述处理，键的内容无需显式的出现在表单中，对应的值也可被抽取出来，从而丰富了抽取出的信息内容等。
图3为本申请所述的表单的示意图。根据图3所示表单中的文本信息，可从中抽取出表一所示(包括但不限于表一所示)的显式的键值对内容和隐式的键值对内容。
键 值
显式 宾客姓名 李**
隐式 酒店名称 ***酒店
表一显式和隐式的键值对内容
另外，针对表单中未被抽取的文本信息，还可通过命名实体识别方式，从中抽取出所述预定类型之外的类型的信息内容，即抽取出键值对内容及表格内容等类型之外的类型的信息内容。
当表单中的键值对内容和表格内容被解析及抽取完成后，可能表单中还存在一些没有明显结构的元素未被解析，如表单的打印时间、表单的来源机构名称等。可通过细粒度的序列标注方案，使用命名实体识别方式，从中抽取出时间、机构名称等信息，作为对应类型的信息内容，如将抽取出的时间作为表单的打印时间，将抽取出的机构名称作为表单的来源机构名称等，从而进一步丰富了抽取出的信息内容等。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
总之，采用本申请方法实施例所述方案，可节省人力和时间成本，并提高了信息抽取效率，同时确保了抽取结果的准确性和丰富性等，而且，具有较好的泛化性能和鲁棒性，可适用于各种不同场景下的通用信息抽取需求，如可以方便快捷的对超市购物小票、酒店账单、银行回单等类型的表单中的信息进行抽取，具有广泛适用性等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图4为本申请所述表单信息抽取装置实施例40的组成结构示意图。如图4所示，包括：获取模块401、确定模块402及抽取模块403。
获取模块401，用于针对待处理的表单，分别获取其中的各字符的特征信息。
确定模块402，用于根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序。
抽取模块403，用于根据各字符所属的类型及阅读顺序，从表单中抽取出预定类型的信息内容。
本申请中所述的表单通常是指纸质版表单，相应地，针对待处理的表单，获取模块401还需要获取表单对应的图像，如表单的扫描件，并对图像进行文本检测，从而得到检测出的各字符。
针对各字符，获取模块401可分别获取其特征信息，获取到的特征信息可包括：字符的文本语义信息，和/或，字符的位置信息，和/或，字符所在的图像区域的图像信息等。
其中，获取模块401针对任一字符，可分别对字符的语义信息和上下文信息进行编码，将编码得到的向量表示作为字符的文本语义信息。
比如，可利用预训练语言模型，对字符的语义信息和上下文信息进行编码，得到编码后的向量表示，作为字符的文本语义信息。
获取模块401还可针对任一字符，分别获取字符所在矩形框的左上角和右下角坐标，将获取到的坐标转化为向量表示，作为字符的位置信息，矩形框为包括字符的预定大小的矩形框。
获取模块401还可针对任一字符，分别从字符所在的图像区域中抽取预定图像特征，作为字符所在的图像区域的图像信息，字符所在的图像区域为所述矩形框对应的图像区域。
比如，可利用实例分割任务的经典网络即Mask-RCNN，从字符所在的图像区域中抽取出预定图像特征
进一步地，确定模块402可根据上述特征信息，分别确定出各字符所属的类型。比如，可利用预先训练得到的模型，针对各字符，分别利用对应的特征信息等预测出各字符所属的类型。
另外，确定模块402还可分别确定出各字符的下一个字符，从而得到各字符的阅读顺序。比如，可利用预先训练得到的模型，根据各字符的特征信息等，分别预测出各字符的下一个字符。
之后，抽取模块403可根据各字符所属的类型及阅读顺序，从表单中抽取出预定类型的信息内容。
预定类型的信息内容可包括显式的键值对内容和/或表格内容。
另外，字符所属的类型可包括一级类型和二级类型。
其中，一级类型可包括：键的开始、键的中间、键的结束、值的开始、值的中间、值的结束、单元格开始、单元格中间、单元格结束及其它等。
二级类型可包括：是否为表头(是表头或不是表头)等。比如，对于某个字符，可确定出其所属的类型为：单元格中间、不是表头。
在从表单中抽取显式的键值对内容时，抽取模块403可结合各字符所属的类型以及各字符的下一个字符所属的类型，从表单中抽取出显式的键值对内容。
表格内容可分为两类，即普通的单元格内容以及表头内容。在从表单中抽取表格内容时，抽取模块403可结合各字符所属的类型以及各字符的下一个字符所属的类型，从表单中抽取出单元格内容，针对任一单元格内容，若确定该单元格内容中的任一字符为表头，则可将该单元格内容确定为表头内容，将表头内容以及不为表头内容的单元格内容作为从表单中抽取出的表格内容。
进一步地，抽取模块403还可分别确定出抽取出的表头内容和单元格内容在所在表格中的位置，根据确定出的位置将表头内容和单元格内容顺序输出。
除了可从表单中抽取显式的键值对内容和表格内容外，本申请中还提出，可从表单中抽取隐式的键值对内容。
相应地，抽取模块403可获取用户设定的问题，根据表单中的文本信息确定出问题对应的答案，将问题及对应的答案作为从表单中抽取出的隐式的键值对内容。
另外，针对表单中未被抽取的文本信息，抽取模块403还可通过命名实体识别方式，从中抽取出所述预定类型之外的类型的信息内容，即抽取出键值对内容及表格内容等类型之外的类型的信息内容。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可节省人力和时间成本，并提高了信息抽取效率，同时确保了抽取结果的准确性和丰富性等，而且，具有较好的泛化性能和鲁棒性等。
本申请所述方案可应用于人工智能领域，特别涉及自然语言处理、计算机视觉和深度学习等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (22)

1.一种表单信息抽取方法，包括：
针对待处理的表单，分别获取其中的各字符的特征信息；
根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序；
根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容。
2.根据权利要求1所述的方法，其中，所述表单包括：纸质版表单；
所述方法还包括：获取所述表单对应的图像，对所述图像进行文本检测，得到检测出的各字符。
3.根据权利要求2所述的方法，其中，所述特征信息包括：所述字符的文本语义信息，和/或，所述字符的位置信息，和/或，所述字符所在的图像区域的图像信息。
4.根据权利要求3所述的方法，其中，
针对任一字符，获取所述字符的文本语义信息包括：对所述字符的语义信息和上下文信息进行编码，将编码得到的向量表示作为所述字符的文本语义信息；
和/或，针对任一字符，获取所述字符的位置信息包括：获取所述字符所在矩形框的左上角和右下角坐标，将获取到的坐标转化为向量表示，作为所述字符的位置信息，所述矩形框为包括所述字符的预定大小的矩形框；
和/或，针对任一字符，获取所述字符所在的图像区域的图像信息包括：从所述字符所在的图像区域中抽取预定图像特征，作为所述字符所在的图像区域的图像信息，所述字符所在的图像区域为所述矩形框对应的图像区域。
5.根据权利要求1所述的方法，其中，所述确定出各字符的阅读顺序包括：分别确定出各字符的下一个字符。
6.根据权利要求5所述的方法，其中，
所述字符所属的类型包括：一级类型；所述一级类型包括：键的开始、键的中间、键的结束、值的开始、值的中间以及值的结束；
所述根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容包括：结合各字符所属的类型以及各字符的下一个字符所属的类型，从所述表单中抽取出显式的键值对内容。
7.根据权利要求5所述的方法，其中，
所述字符所属的类型包括：一级类型和二级类型；所述一级类型包括：单元格开始、单元格中间和单元格结束；所述二级类型包括：是否为表头；
所述根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容包括：结合各字符所属的类型以及各字符的下一个字符所属的类型，从所述表单中抽取出单元格内容；针对任一单元格内容，若确定所述单元格内容中的任一字符为表头，则将所述单元格内容确定为表头内容；将所述表头内容以及不为表头内容的单元格内容作为从所述表单中抽取出的表格内容。
8.根据权利要求7所述的方法，还包括：
分别确定出抽取出的所述表头内容和所述单元格内容在所在表格中的位置，根据所述位置将所述表头内容和所述单元格内容顺序输出。
9.根据权利要求6所述的方法，还包括：
获取用户设定的问题；
根据所述表单中的文本信息确定出所述问题对应的答案；
将所述问题及对应的答案作为从所述表单中抽取出的隐式的键值对内容。
10.根据权利要求1所述的方法，还包括：
通过命名实体识别方式，从所述表单中抽取出所述预定类型之外的类型的信息内容。
11.一种表单信息抽取装置，包括：获取模块、确定模块以及抽取模块；
所述获取模块，用于针对待处理的表单，分别获取其中的各字符的特征信息；
所述确定模块，用于根据所述特征信息，分别确定出各字符所属的类型，并确定出各字符的阅读顺序；
所述抽取模块，用于根据各字符所属的类型及所述阅读顺序，从所述表单中抽取出预定类型的信息内容。
12.根据权利要求11所述的装置，其中，
所述表单包括：纸质版表单；
所述获取模块进一步用于，获取所述表单对应的图像，对所述图像进行文本检测，得到检测出的各字符。
13.根据权利要求12所述的装置，其中，所述特征信息包括：所述字符的文本语义信息，和/或，所述字符的位置信息，和/或，所述字符所在的图像区域的图像信息。
14.根据权利要求13所述的装置，其中，
所述获取模块针对任一字符，分别对所述字符的语义信息和上下文信息进行编码，将编码得到的向量表示作为所述字符的文本语义信息；
和/或，所述获取模块针对任一字符，分别获取所述字符所在矩形框的左上角和右下角坐标，将获取到的坐标转化为向量表示，作为所述字符的位置信息，所述矩形框为包括所述字符的预定大小的矩形框；
和/或，所述获取模块针对任一字符，分别从所述字符所在的图像区域中抽取预定图像特征，作为所述字符所在的图像区域的图像信息，所述字符所在的图像区域为所述矩形框对应的图像区域。
15.根据权利要求11所述的装置，其中，所述确定模块分别确定出各字符的下一个字符，得到各字符的阅读顺序。
16.根据权利要求15所述的装置，其中，
所述字符所属的类型包括：一级类型；所述一级类型包括：键的开始、键的中间、键的结束、值的开始、值的中间以及值的结束；
所述抽取模块结合各字符所属的类型以及各字符的下一个字符所属的类型，从所述表单中抽取出显式的键值对内容。
17.根据权利要求15所述的装置，其中，
所述字符所属的类型包括：一级类型和二级类型；所述一级类型包括：单元格开始、单元格中间和单元格结束；所述二级类型包括：是否为表头；
所述抽取模块结合各字符所属的类型以及各字符的下一个字符所属的类型，从所述表单中抽取出单元格内容，针对任一单元格内容，若确定所述单元格内容中的任一字符为表头，则将所述单元格内容确定为表头内容，将所述表头内容以及不为表头内容的单元格内容作为从所述表单中抽取出的表格内容。
18.根据权利要求17所述的装置，其中，
所述抽取模块进一步用于，分别确定出抽取出的所述表头内容和所述单元格内容在所在表格中的位置，根据所述位置将所述表头内容和所述单元格内容顺序输出。
19.根据权利要求16所述的装置，其中，
所述抽取模块进一步用于，获取用户设定的问题，根据所述表单中的文本信息确定出所述问题对应的答案，将所述问题及对应的答案作为从所述表单中抽取出的隐式的键值对内容。
20.根据权利要求11所述的装置，其中，
所述抽取模块进一步用于，通过命名实体识别方式，从所述表单中抽取出所述预定类型之外的类型的信息内容。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-10中任一项所述的方法。
CN202011443512.7A 2020-12-08 2020-12-08 表单信息抽取方法、装置、电子设备及存储介质 Active CN112541332B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011443512.7A CN112541332B (zh) 2020-12-08 2020-12-08 表单信息抽取方法、装置、电子设备及存储介质
US17/382,610 US20220180093A1 (en) 2020-12-08 2021-07-22 Form information extracting method, apparatus, electronic device and storage medium
JP2021184838A JP2022091123A (ja) 2020-12-08 2021-11-12 帳票情報抽出方法、装置、電子デバイス及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443512.7A CN112541332B (zh) 2020-12-08 2020-12-08 表单信息抽取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112541332A true CN112541332A (zh) 2021-03-23
CN112541332B CN112541332B (zh) 2023-06-23

Family

ID=75018298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443512.7A Active CN112541332B (zh) 2020-12-08 2020-12-08 表单信息抽取方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20220180093A1 (zh)
JP (1) JP2022091123A (zh)
CN (1) CN112541332B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407745A (zh) * 2021-06-30 2021-09-17 北京百度网讯科技有限公司 数据标注方法、装置、电子设备及计算机可读存储介质
CN114022888A (zh) * 2022-01-06 2022-02-08 上海朝阳永续信息技术股份有限公司 用于识别pdf表格的方法、设备和介质
CN114495140A (zh) * 2022-04-14 2022-05-13 安徽数智建造研究院有限公司 表格的信息提取方法、系统、设备、介质及程序产品
CN115048916A (zh) * 2022-05-27 2022-09-13 北京百度网讯科技有限公司 表格的处理方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5140650A (en) * 1989-02-02 1992-08-18 International Business Machines Corporation Computer-implemented method for automatic extraction of data from printed forms
US9286283B1 (en) * 2014-09-30 2016-03-15 Coupa Software Incorporated Feedback validation of electronically generated forms
CN108132916A (zh) * 2017-11-30 2018-06-08 厦门市美亚柏科信息股份有限公司 解析pdf表格数据的方法、存储介质
CN109961008A (zh) * 2019-02-13 2019-07-02 平安科技（深圳）有限公司 基于文字定位识别的表格解析方法、介质及计算机设备
CN111062259A (zh) * 2019-11-25 2020-04-24 泰康保险集团股份有限公司 表格识别方法和装置
CN111753727A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 用于提取结构化信息的方法、装置、设备及可读存储介质
CN111767334A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 信息抽取方法、装置、电子设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1793338A3 (en) * 1996-11-15 2007-12-19 Toho Business Management Center Business management system
US10096038B2 (en) * 2007-05-10 2018-10-09 Allstate Insurance Company Road segment safety rating system
US20230306502A1 (en) * 2017-12-20 2023-09-28 Wells Fargo Bank, N.A. Presentation creator for sequential historical events
US10949661B2 (en) * 2018-11-21 2021-03-16 Amazon Technologies, Inc. Layout-agnostic complex document processing system
US10922481B2 (en) * 2019-06-14 2021-02-16 International Business Machines Corporation Visual user attention redirection while form filling to enhance auto-fill accuracy
US11328524B2 (en) * 2019-07-08 2022-05-10 UiPath Inc. Systems and methods for automatic data extraction from document images
US11256913B2 (en) * 2019-10-10 2022-02-22 Adobe Inc. Asides detection in documents
US20230206670A1 (en) * 2020-06-12 2023-06-29 Microsoft Technology Licensing, Llc Semantic representation of text in document
US11367296B2 (en) * 2020-07-13 2022-06-21 NextVPU (Shanghai) Co., Ltd. Layout analysis
US20230302645A1 (en) * 2021-12-06 2023-09-28 Fanuc Corporation Method of robot dynamic motion planning and control

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5140650A (en) * 1989-02-02 1992-08-18 International Business Machines Corporation Computer-implemented method for automatic extraction of data from printed forms
US9286283B1 (en) * 2014-09-30 2016-03-15 Coupa Software Incorporated Feedback validation of electronically generated forms
CN108132916A (zh) * 2017-11-30 2018-06-08 厦门市美亚柏科信息股份有限公司 解析pdf表格数据的方法、存储介质
CN109961008A (zh) * 2019-02-13 2019-07-02 平安科技（深圳）有限公司 基于文字定位识别的表格解析方法、介质及计算机设备
CN111062259A (zh) * 2019-11-25 2020-04-24 泰康保险集团股份有限公司 表格识别方法和装置
CN111753727A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 用于提取结构化信息的方法、装置、设备及可读存储介质
CN111767334A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 信息抽取方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
汪瀛寰;薛婵;包先雨;吴共庆;: "触发词与属性值对联合抽取方法研究", 计算机工程与应用, no. 09 *
邓小宁;孙琳;陈念年;张玉浦;: "基于HOG特征的财务报表图像识别", 电子设计工程, no. 10 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407745A (zh) * 2021-06-30 2021-09-17 北京百度网讯科技有限公司 数据标注方法、装置、电子设备及计算机可读存储介质
CN114022888A (zh) * 2022-01-06 2022-02-08 上海朝阳永续信息技术股份有限公司 用于识别pdf表格的方法、设备和介质
CN114022888B (zh) * 2022-01-06 2022-04-08 上海朝阳永续信息技术股份有限公司 用于识别pdf表格的方法、设备和介质
CN114495140A (zh) * 2022-04-14 2022-05-13 安徽数智建造研究院有限公司 表格的信息提取方法、系统、设备、介质及程序产品
CN114495140B (zh) * 2022-04-14 2022-07-12 安徽数智建造研究院有限公司 表格的信息提取方法、系统、设备、介质及程序产品
CN115048916A (zh) * 2022-05-27 2022-09-13 北京百度网讯科技有限公司 表格的处理方法和装置

Also Published As

Publication number Publication date
US20220180093A1 (en) 2022-06-09
JP2022091123A (ja) 2022-06-20
CN112541332B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN112541332B (zh) 表单信息抽取方法、装置、电子设备及存储介质
CN111625635A (zh) 问答处理、语言模型的训练方法、装置、设备及存储介质
US20230401828A1 (en) Method for training image recognition model, electronic device and storage medium
EP3869358A1 (en) Method and apparatus for recognizing entity word, electronic device and storage medium
CN113313022A (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN115063875B (zh) 模型训练方法、图像处理方法、装置和电子设备
CN113553412B (zh) 问答处理方法、装置、电子设备和存储介质
CN113609965A (zh) 文字识别模型的训练方法及装置、存储介质、电子设备
CN112270168A (zh) 对白情感风格预测方法、装置、电子设备及存储介质
CN116737908A (zh) 知识问答方法、装置、设备和存储介质
CN113392253A (zh) 视觉问答模型训练及视觉问答方法、装置、设备及介质
KR20210088463A (ko) 다중 라운드 대화 검색 방법, 장치, 저장매체 및 전자기기
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN114647713A (zh) 基于虚拟对抗的知识图谱问答方法、设备及存储介质
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质
CN112559715B (zh) 态度的识别方法、装置、设备及存储介质
CN114970666B (zh) 一种口语处理方法、装置、电子设备及存储介质
CN113837157B (zh) 题目类型识别方法、系统和存储介质
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN114937277A (zh) 基于图像的文本获取方法、装置、电子设备及存储介质
CN114331932A (zh) 目标图像生成方法和装置、计算设备以及计算机存储介质
CN113033431A (zh) 光学字符识别模型训练和识别方法、装置、设备及介质
CN113822589A (zh) 智能面试方法、装置、设备及存储介质
CN113535916A (zh) 一种基于表格的问答方法、装置及计算机设备
CN113033179A (zh) 知识获取方法、装置、电子设备及可读存储介质

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