CN112560504A - 抽取表单文档中信息的方法、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了抽取表单文档中信息的方法、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取表单文档和预先确定的键值；基于预先确定的键值，生成键值语义序列；将表单文档和键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列；将目标信息序列和目标触发词序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列。这种方法将键值表示为键值语义序列，能够显式表示该键值的语义信息，从而可以直接根据键值语义序列得到表单文档中待抽取的目标信息序列的语义信息。引入目标触发词序列，能够解释键值语义序列，同时指示出目标信息序列在表单文档中的位置，提升了可抽取的目标信息序列的准确度，方便用户抽取表单文档中的关键信息。

Description

抽取表单文档中信息的方法、电子设备和计算机可读介质

技术领域

本公开实施例涉及信息抽取领域，具体涉及表单文档信息抽取的方法、电子设备和计算机可读介质。

背景技术

信息抽取通常可以指从源文档中抽取出特定的事件或事实信息。近年来，人们对从各种垂直领域的表单文档中提取结构化信息的兴趣越来越大，如发票、采购订单、税务表格等，表单文档作为一种数据展示、统计、核对、分析的工具，应用的场合越来越多。现有的方法大多将每个要提取的结构化信息预先定义为类标签，然后预测表单文档中每个词的类标签,以找到目标结构化信息。

然而，当采用上述方式抽取表单文档中的结构化信息时，经常会存在如下技术问题：

第一，待处理的结构化信息是全新出现的，没有预先定义的类标签。此时应用传统的基于类标签进行预测查找的方法就不再适用，无法找到全新出现的结构化信息。

第二，现有的方法只能根据预先定义的类标签进行查找抽取，对于表达类似含义的结构化信息则无法判断。因此结构化信息抽取的准确度比较低。

发明内容

本公开实施例提出了一种抽取表单文档中信息的方法。

第一方面，本公开实施例提供了一种抽取表单文档中信息的方法，该方法包括：获取表单文档和预先确定的键值；基于预先确定的键值，生成键值语义序列；将表单文档和键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列；将目标信息序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列。

第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的抽取表单文档中信息的方法能够将键值表示为键值语义序列，能够显式表示该键值的语义信息，从而可以直接根据键值语义序列得到表单文档中待抽取的目标信息序列的语义信息。引入目标触发词序列，能够解释键值语义序列，同时指示出目标信息序列在表单文档中的位置。提升了可抽取的目标信息序列的准确度，方便用户抽取表单文档中的关键信息。具体来说，发明人发现，造成抽取表单文档中信息的准确度较低的主要原因在于：将键值语义序列视为不同的类别标签，忽视了键值语义序列本身的语义信息，导致无法抽取未预先定义的信息，只能抽取预先定义类别标签的信息。此外，对于表单文档中表达类似含义的信息也无法进行准确判断和抽取，影响了信息抽取的准确度。基于此，首先，本公开的一些实施例获取用户输入的表单文档和预先确定的键值。其中，根据预先确定的键值来判断和抽取结构化信息。然后，根据用户输入的预先确定的键值，生成键值语义序列。键值语义序列显式表示语义信息，从而可以直接根据键值语义序列得到表单文档中待抽取的结构化信息的语义信息。其次，利用键值语义序列、表单文档和预先确定的训练库来生成目标信息序列和目标触发词序列。其中，目标信息序列表征待抽取的结构化信息。目标触发词序列可以纳入到样本库中辅助后续的结构化信息抽取工作。再次，预先确定训练库，其中包括样本库、样本键值、样本信息和样本触发词。利用训练库训练得到预先确定的信息生成模型。预先确定的信息生成模型能够学习两个映射关系：从键值语义序列到触发词序列的映射、从触发词序列的映射到目标信息序列的映射。当预先确定的模型接收一个没有预先定义的键值语义序列后，能够通过预先训练后确定的从键值语义序列到触发词序列的映射，来找到表单文档中对应的触发词序列。基于找到的触发词序列，能够通过预先训练后确定的从触发词序列到目标信息序列的映射，来找到表单文档中对应的目标信息序列。最后，将目标信息序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列。这种处理方式能够扩大信息抽取的范围，提高信息抽取的准确度，方便用户抽取表单文档中的关键信息。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；

图2是根据本公开的抽取表单文档中信息的方法的一些实施例的流程图；

图3是根据本公开的用于训练预先确定的信息生成模型的训练步骤的一个实施例的流程图；

图4-图5是示例性的预先确定的样本库中的表单文档；

图6是示例性的标记处理后的表单文档；

图7是适于用来实现本公开的一些实施例的终端设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

下面将参考附图并结合实施例来详细说明本公开。

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的抽取表单文档中信息的方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如信息生成应用、信息显示应用、信息抽取应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块（例如用来提供表单文档和目标键值输入等），也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的目标数据进行存储的服务器等。服务器可以对接收到的目标工单序列进行处理，并将处理结果（例如目标信息序列）反馈给终端设备。

需要说明的是，本公开实施例所提供的抽取表单文档中信息的方法可以由服务器105，也可以由终端设备执行。

需要指出的是，服务器105的本地也可以直接存储表单文档，服务器105可以直接提取本地的表单文档通过处理后得到目标信息序列，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有抽取表单文档中信息的方法应用，此时，处理方法也可以由终端设备101、102、103执行。此时，示例性系统架构100也可以不包括服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块（例如用来提供抽取表单文档中信息的方法服务），也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备、网络和服务器。

继续参考图2，示出了根据本公开的抽取表单文档中信息的方法的一些实施例的流程200。该抽取表单文档中信息的方法，包括以下步骤：

步骤201，获取表单文档和预先确定的键值。

在一些实施例中，抽取表单文档中信息的方法的执行主体（例如图1所示的终端设备）可以获取表单文档和预先确定的键值。其中，表单文档可以是PDF、WORD格式的文档。表单文档中分词、字符、数字、符号的内容信息和位置信息是确定的。具体的，表单文档可以是发票、收据、合同、购物凭证。表单文档可以是图片格式、word格式、PDF格式。表单文档广泛应用于日常商业活动中。

可选的，获取表单文档和预先确定的键值之前，还可以获取预先确定的样本库。具体的，预先确定的样本库可以包括预先获得的第四数目个表单文档。对于预先确定的样本库中的每个表单文档，进行标记处理，确定该表单文档中的样本键值、样本信息和样本触发词，以得到样本库的样本键值集合、样本信息集合和样本触发词集合。将样本库、样本键值集合、样本信息集合和样本触发词集合确定为预先确定的训练库。

步骤202，基于预先确定的键值，生成键值语义序列。

在一些实施例中，上述执行主体基于预先确定的键值，生成键值语义序列。键值语义序列包括第二数目个键值语义。键值语义为表单文档中的分词。预先确定的键值包括第二数目个分词。

可选的，生成初始键值语义序列。其中，初始键值语义序列中的初始键值语义为空值，初始键值语义序列包括第二数目个初始键值语义。将预先确定的键值中的分词按照从前到后的顺序放入初始键值语义序列中，以得到键值语义序列。

上述步骤202中的可选内容，即：“生成键值语义序列的技术内容”作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题一“待处理的结构化信息是全新出现的，没有预先定义的类标签。此时应用传统的基于类标签进行预测查找的方法就不再适用，无法找到全新出现的结构化信息。”。导致无法抽取新出现的结构化信息的因素往往如下：传统方法是基于训练库进行信息抽取的，没有在训练库中出现的信息则无法处理。如果解决了上述因素，就能达到处理新的键值和结构化信息的效果。为了达到这一效果，本公开基于预先确定的键值，生成键值语义序列。首先，生成初始键值语义序列。初始键值语义序列中的键值语义都为空。初始键值语义序列中的键值语义数量与预先确定的键值中的分词数量相同。然后，将预先确定的键值中的分词按照从前到后的顺序放入初始键值语义序列中，以得到键值语义序列。这种方法改变了传统的直接根据键值进行文本比对、查找的方法，而是直接根据具备显式语义信息的键值语义序列进行查找、匹配和抽取，能够处理没有在训练库中出现的信息，从而解决了技术问题一。

步骤203，将表单文档和键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列。

在一些实施例中，上述执行主体将表单文档和键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列。

可选的，上述执行主体在将表单文档和键值语义序列输入预先确定的信息生成模型之前，确定初始信息生成模型。利用预先确定的训练库训练初始信息生成模型，以得到过程信息生成模型。确定微调训练库，其中，微调训练库包括微调样本库、微调样本键值、微调样本信息和微调样本触发词。利用微调训练库训练过程信息生成模型，以得到预先确定的信息生成模型。

可选的，预先确定的信息生成模型包括第一提取网络、第二提取网络。将表单文档和键值语义序列输入第一提取网络，生成触发词序列。基于表单文档和键值语义序列，生成位置嵌入特征序列、内容特征序列和分块嵌入特征序列。可选的，对于表单文档中的每个表单文档分词，生成该表单文档分词的表单文档分词标记，以得到表单文档分词标记序列。对于键值语义序列中的每个键值语义，生成该键值语义的键值语义标记，以得到键值语义标记序列。对于表单文档中的每个表单文档分词，将该表单文档分词和该表单文档分词的表单文档分词标记确定为表单文档分词对，以得到表单文档分词对序列。对于键值语义序列中的每个键值语义，将该键值语义和该键值语义的键值语义标记确定为键值语义对，以得到键值语义对序列。拼接键值语义对序列和表单文档分词对序列，以得到输入分词序列。对于输入分词序列中的每个输入分词，确定该输入分词的位置嵌入特征，以得到位置嵌入特征序列。根据表单文档分词标记序列和键值语义标记序列，确定内容特征序列。根据表单文档和键值语义序列，确定分块嵌入特征序列。将位置嵌入特征序列、内容特征序列和分块嵌入特征序列相加，生成第一输入特征序列。将第一输入特征序列输入第一提取网络，以得到触发词序列。其中，触发词序列包括第一数目个触发词。

具体的，对于表单文档中的每个表单文档分词，将该表单文档分词和该表单文档分词的表单文档分词标记确定为表单文档分词对，以得到表单文档分词对序列。对于键值语义序列中的每个键值语义，生成该键值语义的键值语义标记，以得到键值语义标记序列。键值语义标记可以是该键值语义在表单文档中位置的坐标集合。对于键值语义序列中的每个键值语义，将该键值语义和该键值语义的键值语义标记确定为键值语义对，以得到键值语义对序列。拼接键值语义对序列和表单文档分词对序列，以得到输入分词序列。

对于输入分词序列中的每个输入分词，确定该输入分词的位置嵌入特征，以得到位置嵌入特征序列。具体的，位置嵌入特征可以是二维的位置特征。位置嵌入特征可以是（左坐标、上坐标、右坐标、下坐标）。对于输入分词序列中的每个输入分词，生成该输入分词的内容特征，以得到内容特征序列。具体的，该输入分词的内容特征可以是该输入分词对应分词字典中的索引。分词字典可以是预先确定的对分词和索引进行定义的信息集合。分词字典包括两列，第一列为分词对应的索引，第二列为分词。对于表单文档中的每个表单文档分词，生成该表单文档分词的表单文档分词标记，以得到表单文档分词标记序列。表单文档分词标记可以定义为“E_D”。对于键值语义序列中的每个键值语义，生成该键值语义的键值语义分词标记，以得到键值语义分词标记序列。键值语义分词标记可以定义为“E_K”。拼接表单文档分词标记序列和键值语义分词标记序列，得到分块嵌入特征序列。

第一提取网络的输出为触发词序列。具体的，触发词序列包括第一数目个触发词，触发词可以是表单文档中分词和该分词对应的触发词标记的组合。响应于该分词是触发词，触发词标记为1。响应于该分词不是触发词，触发词标记为0。

可选的，将表单文档和触发词序列输入第二提取网络，生成目标信息序列和目标触发词序列。将触发词序列、位置嵌入特征序列和分块嵌入特征序列相加，以得到第二输入特征序列。将第二输入特征序列输入第二提取网络，以得到目标信息序列。将触发词序列确定为目标触发词序列。具体的，目标信息序列包括第一数目个目标信息，目标信息可以是表单文档中分词和该分词对应的目标信息标记的组合。响应于该分词是目标信息，目标信息标记为1。响应于该分词不是目标信息，目标信息标记为0。

上述步骤203中的可选内容，即：“得到目标信息序列和目标触发词序列的技术内容”作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“现有的方法只能根据预先定义的类标签进行查找抽取，对于表达类似含义的结构化信息则无法判断。因此结构化信息抽取的准确度比较低。”。导致抽取信息的准确度比较低的因素往往如下：传统方法无法处理表达类似含义的结构化信息，仅能抽取与训练库中完全一致的信息。如果解决了上述因素，就能达到提高信息抽取准确度的效果。为了达到这一效果，本公开利用表单文档和键值语义序列输入预先确定的信息生成模型，以生成目标信息序列和目标触发词序列。首先，利用训练库生成预先确定的信息生成模型。然后，将表单文档和键值语义序列输入预先确定的信息生成模型。预先确定的信息生成模型包括第一提取网络和第二提取网络。将表单文档和键值语义序列输入第一提取网络能够生成触发词序列。触发词序列可以用于判断与键值语义序列类似的语义信息。将表单文档和触发词输入第二提取网络，生成目标信息序列和所述目标触发词序列。这种方法将传统的信息生成方法切割为第一提取网络和第二提取网络两部分，并在第一提取网络输出中生成触发词序列。触发词序列能够用于辅助判断具有类似语义信息的目标信息序列，从而提高了确定目标信息序列的准确度，解决了技术问题二。

步骤204，将目标信息序列和目标触发词序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列和目标触发词序列。

在一些实施例中，上述执行主体将目标信息序列和目标触发词序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列和目标触发词序列。其中，具有显示功能的目标设备可以是与上述执行主体通信连接的设备，可以根据接收到的目标信息序列和目标触发词序列进行显示。例如，上述执行主体可以将当前时刻目标信息序列展示出来，以抽取到的结构化信息。该结构化信息可以辅助用户处理后续表单文档中的任务，或提示用户该表单文档中包括了哪些关键信息，提示用户做出相应的操作动作。目标触发词序列可以是表单文档中出现的短语序列。显示目标触发词序列可以强调目标信息序列在表单文档中所处的位置。

图2给出的一个实施例具有如下有益效果：获取表单文档和预先确定的键值；基于预先确定的键值，生成键值语义序列；将表单文档和键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列；将目标信息序列推送至具有显示功能的目标设备，以及控制目标设备显示目标信息序列。这种方法将键值表示为键值语义序列，能够显式表示该键值的语义信息，从而可以直接根据键值语义序列得到表单文档中待抽取的目标信息序列的语义信息。引入目标触发词序列，扩大了可抽取的目标信息序列的范围，提升了可抽取的目标信息序列的准确度，方便用户抽取表单文档中的关键信息。

继续参考图3，示出了根据本公开的用于训练预先确定的信息生成模型的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤：

步骤301，获取预先确定的训练库。

在一些实施例中，该训练步骤的执行主体可以与抽取表单文档中信息的方法的执行主体（例如图1所示的终端设备）相同或者不同。如果相同，则该训练步骤的执行主体可以在训练得到信息生成模型后将训练好的信息生成模型的模型结构信息和模型参数的参数值存储在本地。如果不同，则该训练步骤的执行主体可以在训练得到信息生成模型后将训练好的信息生成模型的模型结构信息和模型参数的参数值发送给抽取表单文档中信息的方法的执行主体。

在一些实施例中，该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取预先确定的训练库。

在一些实施例的一些可选的实现方式中，预先确定的训练库可以通过如下步骤获得。获取预先确定的样本库。具体的，预先确定的样本库可以是维基百科中的表单文档。

继续参考图4-图5，示出了示例性的预先确定的样本库中的表单文档。其中，文档中的信息以表单形式展示出来。具体的，表单同一行中“分类”表示所属类别，“古建筑、历史纪念建筑物”表示具体所属的类别信息。具体的，表单同一行中“产业”表示所属的产业信息，“食品”表示具体所属产业为食品产业。

对预先确定的样本库进行标记处理，以得到样本键值集合、样本信息集合和样本触发词集合。具体的，对于预先确定的样本库中的每个表单文档，可以由人工对该表单文档进行标记处理，圈定出该表单文档中的样本键值、样本信息和样本触发词，以得到样本键值集合、样本信息集合和样本触发词集合。将样本库、样本键值集合、样本信息集合和样本触发词集合的集合确定为预先确定的训练库。

继续参考图6，示出了示例性的标记处理后的表单文档。其中，键可以是“编号”，对应的值可以是“5-61”，以得到样本键值“编号 5-61”。对应的样本信息为“编号”，触发词为“编号”。键可以是“地点”，对应的值可以是“长沙市天心区”，以得到样本键值“地点长沙市天心区”。对应的样本信息为“地点”，触发词为“所在”。

步骤302，确定预先确定的信息生成模型的模型结构以及初始化预先确定的信息生成模型的模型参数。

在一些实施例中，该训练步骤的执行主体可以首先确定初始信息生成模型的模型结构。例如，需要确定初始信息生成模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重（weight）和偏置项（bias），每层的激活函数等等。

在一些实施例的一些可选的实现方式中，初始信息生成模型的模型结构可以包括第一提取网络、第二提取网络两部分。具体的，第一提取网络可以是变换器（Transformer）模型。第一提取网络、第二提取网络也可以是循环神经网络（Recurrent Neural Network,RNN）。第一提取网络、第二提取网络还可以是卷积神经网络（Convolutional NeuralNetworks, CNN）。

具体的，预先确定的信息生成模型的模型参数包括：字符嵌入矩阵、类型嵌入矩阵、坐标嵌入矩阵、触发词嵌入矩阵、权重矩阵、分类权重矩阵和分类偏置向量。具体的，字符嵌入矩阵可以表示为

。具体的，分词字典中保存的分词个数可以为Ｃ，隐变量维度可以为

，则该矩阵尺寸为

。类型嵌入矩阵可以表示为，该矩阵尺寸为

，该矩阵第一行向量表示分词类型为键值，第二行向量表示分词类型为文档。坐标嵌入矩阵包括左坐标嵌入矩阵、右坐标嵌入矩阵、上坐标嵌入矩阵和下坐标嵌入矩阵。左坐标嵌入矩阵可以表示为

，具体的，页面宽度为1000，则该矩阵尺寸为

。上坐标嵌入矩阵

、右坐标嵌入矩阵

、下坐标嵌入矩阵

均类似。触发词嵌入矩阵可以表示为

，该矩阵尺寸为

，该矩阵第一行向量表示分词是触发词，第二行向量表示分词不是触发词。具体的，假设预先确定的信息生成模型的隐藏层有

层，第

层包含三个权重矩阵

，每个矩阵的尺寸为

。这些向量均使用随机初始化方式，并且通过梯度下降法进行参数更新。对于预先确定的信息生成模型的分类层，包含分类权重矩阵

和分类偏置向量

。

步骤303，利用机器学习方法，将预先确定的训练库中的表单文档作为信息生成模型的输入，将与输入的表单文档对应的预先得到的目标信息作为信息生成模型的期望输出，训练得到预先确定的信息生成模型。

在一些实施例中，该训练步骤的执行主体可以将用机器学习方法，将预先确定的训练库中的表单文档作为信息生成模型的输入，将与输入的表单文档对应的预先得到的目标信息作为信息生成模型的期望输出，训练得到预先确定的信息生成模型。

可选的，执行下述步骤一利用预先确定的训练库训练初始信息生成模型，以得到过程信息生成模型。

步骤一，得到过程信息生成模型。

第一步，对于训练库中的每个表单文档，将该表单文档中的所有分词排成一个分词序列，

。其中，c表示分词，k表示样本键值，d表示样本信息，M表示该表单文档中的样本键值数目，N表示该表单文档中的样本信息数目，

表示第1个键值分词，

表示第2个键值分词，

表示第M个键值分词，

表示第1个样本信息，

表示第2个样本信息，

表示第N个样本信息。对于分词序列中的每一个分词，计算如下向量，一是，字符嵌入向量。根据该分词在字符嵌入矩阵中的索引，取该分词对应的行即为该分词对应的字符嵌入向量。二是，类型嵌入向量。根据该分词是样本键值还是样本信息，根据该分词在类型嵌入矩阵中对应的行，即为该分词对应的类型嵌入向量。三是，左坐标嵌入向量。将该分词的左坐标值作为该分词对应的行确定为该分词对应的左坐标嵌入向量。三是，右坐标嵌入向量。将该分词的右坐标值作为该分词对应的行确定为该分词对应的右坐标嵌入向量。五是，上坐标嵌入向量。将该分词的上坐标值作为该分词对应的行确定为该分词对应的上坐标嵌入向量。六是，下坐标嵌入向量。将该分词的下坐标值作为该分词对应的行确定为该分词对应的下坐标嵌入向量。这6个向量的维度一样，直接对该分词的6个向量加和，即可得到该分词的输入层隐变量。因此，对于表单文档中的每一个分词都对应一个隐变量，将全部隐变量串在一起得到输入层隐藏矩阵。利用下式，计算得到第二层隐藏矩阵：

，

其中，

表示第二层隐藏矩阵。

表示输入层隐藏矩阵。D表示字符嵌入矩阵的隐变量维度。

表示输入层隐藏矩阵的权重矩阵，

表示第二层隐藏矩阵的权重矩阵，

表示第三层隐藏矩阵的权重矩阵。

、

和

为任意确定的权重矩阵。利用这种方法，分别计算出6个层的隐藏矩阵。将各个隐藏矩阵确定为隐变量，记为

，其中，L表示层数，i表示分词计数。

对每个隐变量进行分类，利用下式计算触发词标记：

，

其中，

表示预测的分词

是否为触发词的触发词标记，i为分词计数。

为任意确定的权重矩阵。

为任意确定的对应分词c的偏置。

第i个分词的隐变量。利用下式确定目标函数：

，

其中

表示交叉熵函数。

表示预测的分词

是否为触发词的触发词标记。

为预先确定的分词

对应的触发词标记。通过对

使用梯度下降法，可以对所有的参数进行更新，以输出该表单文档中的触发词。

第二步，对于分词序列中的每一个分词，计算如下向量，一是，字符嵌入向量。根据该分词在字符嵌入矩阵中的索引，取该分词对应的行即为该分词对应的字符嵌入向量。二是，类型嵌入向量。根据该分词是样本键值还是样本信息，根据该分词在类型嵌入矩阵中对应的行，即为该分词对应的类型嵌入向量。三是，左坐标嵌入向量。将该分词的左坐标值作为该分词对应的行确定为该分词对应的左坐标嵌入向量。三是，右坐标嵌入向量。将该分词的右坐标值作为该分词对应的行确定为该分词对应的右坐标嵌入向量。五是，上坐标嵌入向量。将该分词的上坐标值作为该分词对应的行确定为该分词对应的上坐标嵌入向量。六是，下坐标嵌入向量。将该分词的下坐标值作为该分词对应的行确定为该分词对应的下坐标嵌入向量。七是，触发词向量。将该分词是否是触发词，在触发词矩阵中查找取其中该分词对应的行，即为该分词的触发词嵌入向量。这7个向量的维度一样，直接对该分词的7个向量加和，即可得到该分词的二阶段输入层隐变量。因此，对于表单文档中的每一个分词都对应一个二阶段隐变量，将全部二阶段隐变量串在一起得到二阶段输入层隐藏矩阵。利用下式，计算得到二阶段第二层隐藏矩阵：

，

其中，角标’表示二阶段的参数。

表示二阶段第二层隐藏矩阵。

表示二阶段输入层隐藏矩阵。D’表示二阶段字符嵌入矩阵的隐变量维度。

表示二阶段输入层隐藏矩阵的权重矩阵，

表示二阶段第二层隐藏矩阵的权重矩阵，

表示二阶段第三层隐藏矩阵的权重矩阵。

、

和

为任意确定的二阶段权重矩阵。利用这种方法，分别计算出7个层的二阶段隐藏矩阵。将各个二阶段隐藏矩阵确定为二阶段隐变量，记为

，其中，L表示层数，i表示分词计数。

对每个二阶段隐变量进行分类，利用下式计算目标信息标记：

，

其中，

表示预测的分词是否为目标信息的目标信息标记，i为分词计数。

为任意确定的二阶段权重矩阵。

为任意确定的二阶段偏置。

第i个分词的二阶段隐变量。利用下式确定二阶段目标函数：

，

其中

表示交叉熵函数。

表示预测的分词是否为目标信息的目标信息标记。

为预先确定的分词对应的目标信息标记。通过对

使用梯度下降法，可以对所有的参数进行更新，以输出该表单文档中的目标信息。

可选的，确定微调训练库。其中，微调训练库包括微调样本库、微调样本键值、微调样本信息和微调样本触发词。具体的，微调训练库可以是与用户输入的表单文档相同类型的文档。具体的，微调训练库中的表单文档可以是财务报表类文档。用户输入的表单文档可以是一份企业经营收入年报。利用微调训练库训练过程信息生成模型，以得到预先确定的信息生成模型。具体的，利用微调训练库训练过程信息生成模型与利用预先确定的训练库训练初始信息生成模型的过程相同，只是所利用的用于训练的数据库不同。步骤一中使用的是预先确定的训练库，利用微调训练库训练过程信息生成模型所使用的是微调训练库。

图3给出的一个实施例具有如下有益效果：利用训练库训练预先确定的信息生成模型，再利用微调训练库进一步对信息生成模型进行微调，以改进信息生成模型的生成效果。

下面参考图7，其示出了适于用来实现本公开实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元（CPU，Central Processing Unit）701，其可以根据存储在只读存储器（ROM，Read Only Memory）702中的程序或者从存储部分708加载到随机访问存储器（RAM，Random Access Memory）703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O，Input / Output）接口705也连接至总线704。

以下部件连接至I/O接口705：包括硬盘等的存储部分706；以及包括诸如LAN（局域网，Local Area Network）卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至I/O接口705。可拆卸介质709，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器708上，以便于从其上读出的计算机程序根据需要被安装入存储部分706。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分707从网络上被下载和安装，和/或从可拆卸介质709被安装。在该计算机程序被中央处理单元（CPU）701执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种抽取表单文档中信息的方法，包括：

获取表单文档和预先确定的键值，其中，所述表单文档中包括第一数目个表单文档分词；

基于所述预先确定的键值，生成键值语义序列；

将所述表单文档和所述键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列；

将所述目标信息序列和所述目标触发词序列推送至具有显示功能的目标设备，以及控制所述目标设备显示所述目标信息序列和所述目标触发词序列。

2.根据权利要求1所述的方法，其中，所述获取表单文档和预先确定的键值之前，还包括：

获取预先确定的样本库；

对所述预先确定的样本库进行标记处理，以得到样本键值集合、样本信息集合和样本触发词集合；

将所述样本库、所述样本键值集合、所述样本信息集合和所述样本触发词集合的集合确定为预先确定的训练库。

3.根据权利要求2所述的方法，其中，所述键值语义序列包括第二数目个键值语义，所述键值语义为分词，所述预先确定的键值包括第二数目个分词；以及

所述基于所述预先确定的键值，生成键值语义序列，包括：

生成初始键值语义序列，其中，所述初始键值语义序列中的初始键值语义为空值，所述初始键值语义序列包括第二数目个初始键值语义；

将所述预先确定的键值中的分词按照从前到后的顺序放入所述初始键值语义序列中，以得到所述键值语义序列。

4.根据权利要求3所述的方法，其中，所述预先确定的信息生成模型包括第一提取网络、第二提取网络；以及

将所述表单文档和所述键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列，包括：

将所述表单文档和所述键值语义序列输入所述第一提取网络，生成触发词序列；

将所述表单文档和所述触发词序列输入所述第二提取网络，生成所述目标信息序列和所述目标触发词序列。

5.根据权利要求4所述的方法，其中，所述将所述表单文档和所述键值语义序列输入预先确定的信息生成模型，以得到目标信息序列和目标触发词序列之前，还包括：

确定初始信息生成模型；

利用所述预先确定的训练库训练所述初始信息生成模型，以得到过程信息生成模型；

确定微调训练库，其中，所述微调训练库包括微调样本库、微调样本键值、微调样本信息和微调样本触发词；

利用所述微调训练库训练所述过程信息生成模型，以得到所述预先确定的信息生成模型。

6.根据权利要求5所述的方法，其中，所述将所述表单文档和所述键值语义序列输入所述第一提取网络，生成触发词序列，包括：

基于所述表单文档和所述键值语义序列，生成位置嵌入特征序列、内容特征序列和分块嵌入特征序列；

将所述位置嵌入特征序列、所述内容特征序列和所述分块嵌入特征序列相加，以得到第一输入特征序列；

将所述第一输入特征序列输入所述第一提取网络，以得到所述触发词序列，其中，所述触发词序列包括第一数目个触发词。

7.根据权利要求6所述的方法，其中，所述将所述表单文档和所述触发词输入所述第二提取网络，生成所述目标信息序列和所述目标触发词序列，包括：

将所述触发词序列、所述内容特征序列、所述位置嵌入特征序列和所述分块嵌入特征序列相加，以得到第二输入特征序列；

将所述第二输入特征序列输入所述第二提取网络，以得到所述目标信息序列；

将所述触发词序列确定为所述目标触发词序列。

8.根据权利要求7所述的方法，其中，所述基于所述表单文档和所述键值语义序列，生成位置嵌入特征序列、内容特征序列和分块嵌入特征序列，包括：

对于所述表单文档中的每个表单文档分词，生成该表单文档分词的表单文档分词标记，以得到表单文档分词标记序列；

对于所述表单文档中的每个表单文档分词，将该表单文档分词和该表单文档分词的表单文档分词标记确定为表单文档分词对，以得到表单文档分词对序列；

对于所述键值语义序列中的每个键值语义，生成该键值语义的键值语义标记，以得到键值语义标记序列；

对于所述键值语义序列中的每个键值语义，将该键值语义和该键值语义的键值语义标记确定为键值语义对，以得到键值语义对序列；

拼接所述键值语义对序列和所述表单文档分词对序列，以得到输入分词序列；

对于所述输入分词序列中的每个输入分词，确定该输入分词的位置嵌入特征，以得到所述位置嵌入特征序列；

根据所述表单文档分词标记序列和所述键值语义标记序列，确定所述分块嵌入特征序列；

根据所述表单文档分词标记序列和所述键值语义标记序列，确定所述内容特征序列。

9.一种第一终端设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images