CN113191456A - 基于文本识别技术的单证生成方法、装置、设备及介质 - Google Patents

基于文本识别技术的单证生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN113191456A
CN113191456A CN202110575278.1A CN202110575278A CN113191456A CN 113191456 A CN113191456 A CN 113191456A CN 202110575278 A CN202110575278 A CN 202110575278A CN 113191456 A CN113191456 A CN 113191456A
Authority
CN
China
Prior art keywords
field
document
target
service
preset
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.)
Pending
Application number
CN202110575278.1A
Other languages
English (en)
Inventor
李黎
郭茹霜
许丹
王云峰
曾小建
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 Trust Co Ltd
Original Assignee
Ping An Trust 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 Trust Co Ltd filed Critical Ping An Trust Co Ltd
Priority to CN202110575278.1A priority Critical patent/CN113191456A/zh
Publication of CN113191456A publication Critical patent/CN113191456A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能领域，揭露一种基于文本识别技术的单证生成方法，包括：利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；根据单证生成请求获取待分析服务文本信息，利用训练完成的单证字段抽取模型从待分析服务文本信息中抽取预设字段，得到目标字段；提取单证生成请求中的服务类型，根据服务类型对目标字段进行筛选处理，得到标准目标字段；根据服务类型获取目标单证模板，将标准目标字段与目标单证模板进行关联匹配，得到目标单证。本发明还涉及区块链领域，所述标准目标字段可以存储在区块链节点中。本发明还提出一种单证生成装置、电子设备以及可读存储介质。本发明可以提高单证生成的灵活性。

Description

基于文本识别技术的单证生成方法、装置、设备及介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于文本识别技术的基于文本识别技术的单证生成方法、装置、设备及存储介质。
背景技术
单证为根据业务的文本信息所生成的合同、确认书、协议等，随着人们对业务的需求越来越强，因此，单证生成也越来越受到人们的重视。
但是目前的基于文本识别技术的单证生成方法往往只能识别某一类型业务的文本信息，并生成对应的单证，无法覆盖多样化的业务，单证生成的灵活性较低。
发明内容
本发明提供一种基于文本识别技术的单证生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高单证生成的灵活性。
为实现上述目的，本发明提供的一种基于文本识别技术的单证生成方法，包括：
利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；
提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
可选地，所述利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型，包括：
构建单证字段抽取模型；
对所述历史单证文本信息集进行预设字段标记，得到训练集；
利用所述训练集对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到所述训练完成的单证字段抽取模型。
可选地，所述构建单证字段抽取模型，包括：
利用预设的深度学习网络模型构建初始抽取模型；
在所述初始抽取模型中增加全连接网络，用于计算输入到所述初始抽取模型中的每个字符属于不同标签的概率，根据所述概率得到预设字段对应的字符组合；及
在所述全连接网络之后加入序列化标注算法网络，以对所述全连接网络得到的字符组合的顺序进行约束，得到所述单证字段抽取模型。
可选地，所述对所述历史单证文本信息集进行预设字段标记，得到训练集，包括：
根据预设字段构建包含非预设字段字符标签、预设字段开始字符标签、预设字段中间字符标签的标签集合；
利用所述标签集合中对应的标签对所述历史单证文本信息集中的每个字符进行标记，得到所述训练集。
可选地，所述利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段，包括：
对所述待分析服务文本信息中的每个字符进行坐标点位置标记，得到字符信息；
利用所述训练完成的单证字段抽取模型对所述字符信息进行字段抽取，得到预设字段开始字符及预设字段中间字符；
将所述预设字段开始字符及预设字段中间字符按照序列顺序进行组合，得到所述目标字段。
可选地，所述根据单证生成请求获取待分析服务文本信息，包括：
提取所述单证生成请求中的文本信息路径；
根据所述文本信息路径在预设的服务文本数据库中获取所述待分析服务文本信息。
可选地，所述根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，包括：
根据所述服务类型在预设的服务字段数据库中进行字段查询，得到服务字段；
利用所述服务字段对所述目标字段进行筛选，得到目标服务字段；
利用所述目标服务字段在预设的规则脚本数据库中进行脚本查询，得到目标脚本；
利用所述目标脚本对所述目标服务字段进行格式化处理，得到标准目标字段。
为了解决上述问题，本发明还提供一种单证生成装置，所述装置包括：
信息获取模块，用于获取文件信息；
关联计算模块，用于提取所述文件信息中的单证生成信息，利用所述单证生成信息进行关联计算，得到文件关联值集；根据所述文件关联值集划分所述单证生成信息中对应文件的关联关系，得到文件关联关系集；
单证生成模块，用于响应单证生成请求，根据所述单证生成请求确定待访问文件，利用所述文件关联关系集对所述待访问文件进行访问。
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：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于文本识别技术的单证生成方法。
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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于文本识别技术的单证生成方法。
本发明实施例利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段，可以利用模型对不同类型的业务或服务对应的文本信息进行信息抽取，更加灵活；提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，根据服务类型对提取到的字段进行筛选格式化；根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证，根据所述服务类型筛选对应的模板进行关联匹配，不局限于某一类型的单证，单证生成的灵活性更高。因此，本发明实施例提出的基于文本识别技术的单证生成方法、装置、电子设备及计算机可读存储介质提高了单证生成的灵活性。
附图说明
图1为本发明一实施例提供的基于文本识别技术的单证生成方法的流程示意图；
图2为本发明一实施例提供的得到训练完成的单证字段抽取模型的流程示意图；
图3为本发明一实施例提供的单证生成装置的模块示意图；
图4为本发明一实施例提供的实现基于文本识别技术的单证生成方法的电子设备的内部结构示意图；
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
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。
本发明实施例提供一种基于文本识别技术的单证生成方法。所述基于文本识别技术的单证生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于文本识别技术的单证生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于文本识别技术的单证生成方法的流程示意图，在本发明实施例中，所述基于文本识别技术的单证生成方法包括：
S1、利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
详细地，本发明实施例中，所述历史单证文本信息集为不同的历史单证文本信息的集合，所述历史单证文本信息为不同服务生成的单证对应的服务文本信息，如：家族信托服务的服务文本信息，可选地，所述历史单证文本信息集可以从某公司的业务数据库中获取。
进一步地，本发明实施例中单证生成时需要填写各种字段的数据，为了更好抽取需要抽取的各种字段的数据，利用所述历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型。
具体的，参阅图2所示，本发明实施例中，利用所述历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型，包括：
S11、构建单证字段抽取模型；
详细地，本发明实施例利用预设的深度学习网络模型构建初始抽取模型；较佳地，利用Bert base网络模型作为初始抽取模型，在所述初始抽取模型后面接一层全连接网络和一层序列化标注算法网络，得到所述单证字段抽取模型，即在所述初始抽取模型中增加全连接网络，用于计算输入到所述初始抽取模型中的每个字符属于不同标签的概率，根据所述概率得到预设字段对应的字符组合；及在所述全连接网络之后加入序列化标注算法网络，以对所述全连接网络得到的字符组合的顺序进行约束，得到所述单证字段抽取模型。例如：利用所述全连接网络计算字符“张”属于姓名字段的开始字符概率最高、计算字符“三”属于姓名字段中间字符的概率最高，因此，通过全连接层得到的姓名字段为“张三”或“三张”，由于全连接层不能确定字符组合的顺序，因此，本发明实施例通过序列化标注算法网络确定姓名字段开始字符应该在姓名中间字符前面，因此，得到姓名字段对应的最终字符组合为“张三”。
S12、对所述历史单证文本信息集进行预设字段标记，得到训练集；
详细地，本发明实施例使用BIO标记法对所述历史单证文本信息集进行预设字段标记，得到训练集，其中，所述预设字段为单证生成需要的字段，包括：姓名、日期、金额。
详细地，所述对所述历史单证文本信息集进行预设字段标记，得到训练集，包括：根据预设字段构建包含非预设字段字符标签、预设字段开始字符标签、预设字段中间字符标签的标签集合，利用所述标签集合中对应的标签对所述历史单证文本信息集中的每个字符进行标记，得到训练集。例如：历史单证文本信息集包含的文本信息为“张某三向银行借款”，预设字段为姓名字段，标签集合包括：非姓名字段字符、姓名字段开始字符、姓名字段中间字符，那么利用标签集合对文本信息“张某三向银行借款”进行标记，“张”字符利用姓名字段开始字符标签标记为姓名字段开始字符、“某三”字符利用姓名字段中间字符标签标记为姓名字段中间字符，“向”字符利用非姓名字段字符标签标记为非姓名字段字符，“银行”字符利用非姓名字段字符标签标记为非姓名字段字符，“借款”字符利用非姓名字段字符标签标记为非姓名字段字符。可选地，本发明实施例通过文本识别算法来识别历史单证文本信息集对应的字符从而进行标记。
S13、利用所述训练集对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到训练完成的单证字段抽取模型。
详细地，本发明实施例中，利用所述训练集对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到训练完成的单证字段抽取模型，包括：
步骤A：利用所述单证字段抽取模型中的初始抽取模型将所述训练集中的每个字符进行向量化处理，得到字符向量集；
步骤B：利用所述单证字段抽取模型中的全连接网络计算所述字符向量集中的每个字符向量的标签分类真实值，利用所述单证字段抽取模型中的所述序列化标注算法网络计算字符向量集中每个字符向量的标签顺序真实值，根据所述字符向量集中的对应的字符的标签确定字符向量集中每个字符向量的标签分类预测值及标签顺序预测值；
步骤C：根据所述标签分类真实值及所述标签分类预测值，利用预设的第一损失函数进行计算，得到第一损失值；根据所述标签顺序真实值及所述标签顺序预测值，利用预设的第二损失函数进行计算，得到第二损失值；将所述第一损失值及所述第二损失值进行求和计算得到目标损失值，当所述目标损失值大于或等于预设阈值时，更新所述单证字段抽取模型的模型参数，并返回所述步骤A；当所述目标损失值小于预设阈值时，停止训练，得到所述训练完成的单证字段抽取模型。
可选地，本发明实施例中，所述第一损失函数可用如下公式进行计算：
Figure BDA0003084055310000071
其中，Lce表示所述第一损失值，N为所述字符向量集的数据数目，i为正整数，yi为所述标签分类真实值，pi为所述标签分类预测值。
S2、根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；
详细地，本发明实施例中，所述单证生成请求为根据待分析服务文本信息生成单证的请求，包括：待生成单证的待分析服务文本信息对应的文本信息路径及服务类型。
进一步地，本发明实施例中响应单证生成请求后，提取所述单证生成请求中的文本信息路径，根据所述文本信息路径在预设的服务文本数据库中获取待生成单证的待分析服务文本信息，其中，所述服务文本数据库为包含不同服务文本信息的数据库，所述文本信息路径为所述待分析服务文本信息在所述服务文本数据库的存储路径。
由于所述待分析服务文本信息中的字符数量庞大，为了提取我们需要的信息，因此，需要提取所述待分析服务文本信息需要的单证字段对应的字符组合。例如：所述待分析服务文本信息中字符包括“张”、“某三”“汽”、“车”，当需要提取的单证字段为姓名时，提取所述待分析服务文本信息中姓名对应的字符组合“张某三”，得到目标字段。
进一步地，本发明实施例中为了区分不同位置的相同字符，对所述待分析服务文本信息中的每个字符进行坐标点位置标记，得到字符信息，其中，所述坐标点位置为字符在所述待分析服务文本信息所在文本中的坐标位置；利用所述训练完成的单证字段抽取模型对所述字符信息进行字段抽取，得到所述预设字段开始字符及预设字段中间字符；详细地，本发明实施例利用所述单证字段抽取模型对所述字符信息进行字段抽取，所述单证字段抽取模型的全连接层得到预设字段对应的字符，所述单证字段抽取模型的序列化标注算法网络层得到不同的字符的顺序，例如：全连接层得到姓名字段对应的字符为“四”、“李”，序列化标注算法网络层得到“李”为开始字符、“四”为中间字符，则得到姓名字段开始字符为“李”、姓名字段中间字符为“四”；将所述预设字段开始字符及预设字段中间字符按照序列顺序进行组合，得到所述的目标字段，其中，所述序列顺序为预设字段的开始字符、中间字符的顺序，例如：预设字段为姓名字段，得到的姓名字段开始字符为“李”、姓名字段中间字符为“某四”，那么按照开始字符、中间字符的序列顺序，将字符“李”、“某四”组合得到目标字符“李某四”。
S3、提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
本发明实施例中所述目标字段的格式可能不符合预定格式，不方便查看利用，因此需要对所述目标字段进行筛选处理。进一步地，本发明实施例中，不同服务类型的服务文本信息对应的单证需要的字段数据是不同的，因此，提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段。
详细地，本发明实施例中根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，包括：根据所述服务类型在预设的服务字段数据库中进行字段查询，得到服务字段，利用所述服务字段对所述目标字段进行筛选，得到目标服务字段；利用所述目标服务字段在预设的规则脚本数据库中进行脚本查询，得到目标脚本，其中，所述规则脚本数据库为包含不同字段处理脚本的数据库；利用所述目标脚本对所述目标服务字段进行格式化处理，得到标准目标字段；例如，所述目标服务字段中的目标服务字段金额，查询所述规则脚本数据库中金额字段对应的脚本消除目标服务字段所有的“,”分隔符，将大于10位数且无货币单位的目标服务字段，直接丢弃，以排除误抽出电话号码或会员号码的可能性，若目标服务字段有其他货币单位的金额，则按照汇率处理不同货币单位的单位转换，及货币金额的大小写转换，得到所述标准目标字段。可选地，所述目标脚本可以问Python脚本。
本发明的另一实施例中，为了保证数据的隐私性，所述标准目标字段可以存储在区块链节点中。
S4、根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
本发明实施例中，不同服务类型对应的单证模板是不同的，如：甲类型的服务文本信息对应的单证模板为A；乙类型的服务文本信息对应的单证模板为B。因此根据所述服务类型在预设的单证模板数据库中进行查询，得到目标单证模板。
详细地，本发明实施例中，将所述标准目标字段与所述目标单证模板进行关联匹配，得到所述目标单证；详细地，本发明实施例中将标准目标字段中每个字段替换所述目标单证模板中对应的字段，得到所述目标单证。如：所述标准目标字段中姓名字段为“姓名：张三”，所述目标单证模板中对应的姓名字段为“姓名：XXX”，将“姓名：张三”替换所述目标单证模板中的“姓名：XXX”。
本发明实施例利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段，可以利用模型对不同类型的业务或服务对应的文本信息进行信息抽取，更加灵活；提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，根据服务类型对提取到的字段进行筛选格式化；根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证，根据所述服务类型筛选对应的模板进行关联匹配，不局限于某一类型的单证，单证生成的灵活性更高。因此，本发明实施例提出的基于文本识别技术的单证生成方法、装置、电子设备及计算机可读存储介质提高了单证生成的灵活性。
如图3所示，是本发明单证生成装置的功能模块图。
本发明所述单证生成装置100可以安装于电子设备中。根据实现的功能，所述单证生成装置可以包括信息获取模块101、关联计算模块102、单证生成模块103，本发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：
所述模型训练模块101用于利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
详细地，本发明实施例中，所述历史单证文本信息集为不同的历史单证文本信息的集合，所述历史单证文本信息为不同服务的服务文本信息，如：家族信托服务的服务文本信息，可选地，所述历史单证文本信息集可以从某公司的业务数据库中获取。
进一步地，本发明实施例中单证生成时需要填写各种字段的数据，为了更好抽取需要抽取的各种字段的数据，所述模型训练模块101利用所述历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型。
具体的，本发明实施例中，所述模型训练模块101利用下述手段对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型：
构建单证字段抽取模型；
详细地，本发明实施例利用预设的深度学习网络模型构建初始抽取模型；较佳地，利用Bert base网络模型作为初始抽取模型，在所述初始抽取模型后面接一层全连接网络和一层序列化标注算法网络，得到所述单证字段抽取模型，即在所述初始抽取模型中增加全连接网络，用于计算输入到所述初始抽取模型中的每个字符属于不同标签的概率，根据所述概率得到预设字段对应的字符组合；及在所述全连接网络之后加入序列化标注算法网络，以对所述全连接网络得到的字符组合的顺序进行约束，得到所述单证字段抽取模型。例如：利用所述全连接网络计算字符“张”属于姓名字段的开始字符概率最高、计算字符“三”属于姓名字段中间字符的概率最高，因此，通过全连接层得到的姓名字段为“张三”或“三张”，由于全连接层不能确定字符组合的顺序，因此，本发明实施例通过序列化标注算法网络确定姓名字段开始字符应该在姓名中间字符前面，因此，得到姓名字段对应的最终字符组合为“张三”。
对所述历史单证文本信息集进行预设字段标记，得到训练集；
可选地，本发明实施例使用BIO标记法对所述历史单证文本信息集进行预设字段标记，得到训练集。
详细地，所述对所述历史单证文本信息集进行预设字段标记，得到训练集，包括：根据预设字段构建包含非预设字段字符标签、预设字段开始字符标签、预设字段中间字符标签的标签集合，利用所述标签集合中对应的标签对所述历史单证文本信息集中的每个字符进行标记，得到训练集。例如：历史单证文本信息集包含的文本信息为“张某三向银行借款”，预设字段为姓名字段，标签集合包括：非姓名字段字符、姓名字段开始字符、姓名字段中间字符，那么利用标签集合对文本信息“张某三向银行借款”进行标记，“张”字符利用姓名字段开始字符标签标记为姓名字段开始字符、“某三”字符利用姓名字段中间字符标签标记为姓名字段中间字符，“向”字符利用非姓名字段字符标签标记为非姓名字段字符，“银行”字符利用非姓名字段字符标签标记为非姓名字段字符，“借款”字符利用非姓名字段字符标签标记为非姓名字段字符。可选地，本发明实施例通过文本识别算法来识别历史单证文本信息集对应的字符从而进行标记。
利用所述训练集对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到训练完成的单证字段抽取模型。
详细地，本发明实施例中，所述模型训练模块101利用下述手段对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到训练完成的单证字段抽取模型：
步骤A：利用所述单证字段抽取模型中的初始抽取模型将所述训练集中的每个字符进行向量化处理，得到字符向量集；
步骤B：利用所述单证字段抽取模型中的全连接网络计算所述字符向量集中的每个字符向量的标签分类真实值，利用所述单证字段抽取模型中的所述序列化标注算法网络计算字符向量集中每个字符向量的标签顺序真实值，根据所述字符向量集中的对应的字符的标签确定字符向量集中每个字符向量的标签分类预测值及标签顺序预测值；
步骤C：根据所述标签分类真实值及所述标签分类预测值，利用预设的第一损失函数进行计算，得到第一损失值；根据所述标签顺序真实值及所述标签顺序预测值，利用预设的第二损失函数进行计算，得到第二损失值；将所述第一损失值及所述第二损失值进行求和计算得到目标损失值，当所述目标损失值大于或等于预设阈值时，更新所述单证字段抽取模型的模型参数，并返回所述步骤A；当所述目标损失值小于预设阈值时，停止训练，得到所述训练完成的单证字段抽取模型。
可选地，本发明实施例中，所述第一损失函数可用如下公式进行计算：
Figure BDA0003084055310000121
其中，Lce表示所述第一损失值，N为所述字符向量集的数据数目，i为正整数，yi为所述标签分类真实值，pi为所述标签分类预测值。
所述字段抽取模块102用于根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
详细地，本发明实施例中，所述单证生成请求为根据待分析服务文本信息生成单证的请求，包括：待生成单证的待分析服务文本信息对应的文本信息路径及服务类型。
进一步地，本发明实施例中响应单证生成请求后，所述字段抽取模块102提取所述单证生成请求中的文本信息路径，根据所述文本信息路径在预设的服务文本数据库中获取待生成单证的待分析服务文本信息，其中，所述服务文本数据库为包含不同服务文本信息的数据库，所述文本信息路径为所述待分析服务文本信息在所述服务文本数据库的存储路径。
由于所述待分析服务文本信息中的字符数量庞大，为了提取我们需要的信息，因此，所述字段抽取模块102需要对所述待分析服务文本信息进行预设字段的提取。其中，所述预设字段为需要提取的字符组合的类型。例如，本发明其中一个实施例中所述预设字段包括：姓名、日期、金额；例如：所述待分析服务文本信息中字符包括“张”、“某三”“汽”、“车”，当所述预设字段为姓名时，提取所述待分析服务文本信息中姓名对应的字符组合“张某三”，得到目标字段。
进一步地，本发明实施例中为了区分不同位置的相同字符，所述字段抽取模块102对所述待分析服务文本信息中的每个字符进行坐标点位置标记，得到字符信息，其中，所述坐标点位置为字符在所述待分析服务文本信息所在文本中的坐标位置；利用所述训练完成的单证字段抽取模型对所述字符信息进行字段抽取，得到所述预设字段开始字符及预设字段中间字符；详细地，本发明实施例利用所述单证字段抽取模型对所述字符信息进行字段抽取，所述单证字段抽取模型的全连接层得到预设字段对应的字符，所述单证字段抽取模型的序列化标注算法网络层得到不同的字符的顺序，例如：全连接层得到姓名字段对应的字符为“四”、“李”，序列化标注算法网络层得到“李”为开始字符、“四”为中间字符，则得到姓名字段开始字符为“李”、姓名字段中间字符为“四”；将所述预设字段开始字符及预设字段中间字符按照序列顺序进行组合，得到所述的目标字段，其中，所述序列顺序为预设字段的开始字符、中间字符的顺序，例如：预设字段为姓名字段，得到的姓名字段开始字符为“李”、姓名字段中间字符为“某四”，那么按照开始字符、中间字符的序列顺序，将字符“李”、“某四”组合得到目标字符“李某四”。
本发明实施例中所述目标字段的格式可能不符合预定格式，不方便查看利用，因此所述字段抽取模块102需要对所述目标字段进行筛选处理。进一步地，本发明实施例中，不同服务类型的服务文本信息对应的单证需要的字段数据是不同的，因此，所述字段抽取模块102提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段。
详细地，本发明实施例中所述字段抽取模块102根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，包括：根据所述服务类型在预设的服务字段数据库中进行字段查询，得到服务字段，利用所述服务字段对所述目标字段进行筛选，得到目标服务字段；利用所述目标服务字段在预设的规则脚本数据库中进行脚本查询，得到目标脚本，其中，所述规则脚本数据库为包含不同字段处理脚本的数据库；利用所述目标脚本对所述目标服务字段进行格式化处理，得到标准目标字段；例如，所述目标服务字段中的目标服务字段为金额，查询所述规则脚本数据库中金额字段对应的脚本消除目标服务字段所有的“,”分隔符，将大于10位数且无货币单位的目标服务字段，直接丢弃，以排除误抽出电话号码或会员号码的可能性，若目标服务字段有其他货币单位的金额，则按照汇率处理不同货币单位的单位转换，及货币金额的大小写转换，得到所述标准目标字段。可选地，所述目标脚本可以问Python脚本。
本发明的另一实施例中，为了保证数据的隐私性，所述标准目标字段可以存储在区块链节点中。
所述模板匹配模块103用于根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
本发明实施例中，不同服务类型对应的单证模板是不同的，如：甲类型的服务文本信息对应的单证模板为A；乙类型的服务文本信息对应的单证模板为B。因此所述模板匹配模块103根据所述服务类型在预设的单证模板数据库中进行查询，得到目标单证模板。
详细地，本发明实施例中，所述模板匹配模块103将所述标准目标字段与所述目标单证模板进行关联匹配，得到所述目标单证；详细地，本发明实施例中所述模板匹配模块103将标准目标字段中每个字段替换所述目标单证模板中对应的字段，得到所述目标单证。如：所述标准目标字段中姓名字段为“姓名：张三”，所述目标单证模板中对应的姓名字段为“姓名：XXX”，将“姓名：张三”替换所述目标单证模板中的“姓名：XXX”。
如图4所示，是本发明实现基于文本识别技术的单证生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如单证生成程序12。
其中，所述存储器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、移动硬盘、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。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如单证生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如单证生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(perIPheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备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。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、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存储的单证生成程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；
提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
具体地，所述处理器10对上述计算机程序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。
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)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；
提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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)

1.一种基于文本识别技术的单证生成方法，其特征在于，所述方法包括：
利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；
提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
2.如权利要求1所述的基于文本识别技术的单证生成方法，其特征在于，所述利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型，包括：
构建单证字段抽取模型；
对所述历史单证文本信息集进行预设字段标记，得到训练集；
利用所述训练集对所述单证字段抽取模型进行迭代训练，直至所述单证字段抽取模型收敛，得到所述训练完成的单证字段抽取模型。
3.如权利要求2所述的基于文本识别技术的单证生成方法，其特征在于，所述构建单证字段抽取模型，包括：
利用预设的深度学习网络模型构建初始抽取模型；
在所述初始抽取模型中增加全连接网络，用于计算输入到所述初始抽取模型中的每个字符属于不同标签的概率，根据所述概率得到预设字段对应的字符组合；及
在所述全连接网络之后加入序列化标注算法网络，以对所述全连接网络得到的字符组合的顺序进行约束，得到所述单证字段抽取模型。
4.如权利要求2所述的基于文本识别技术的单证生成方法，其特征在于，所述对所述历史单证文本信息集进行预设字段标记，得到训练集，包括：
根据预设字段构建包含非预设字段字符标签、预设字段开始字符标签、预设字段中间字符标签的标签集合；
利用所述标签集合中对应的标签对所述历史单证文本信息集中的每个字符进行标记，得到所述训练集。
5.如权利要求4所述的基于文本识别技术的单证生成方法，其特征在于，所述利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段，包括：
对所述待分析服务文本信息中的每个字符进行坐标点位置标记，得到字符信息；
利用所述训练完成的单证字段抽取模型对所述字符信息进行字段抽取，得到预设字段开始字符及预设字段中间字符；
将所述预设字段开始字符及预设字段中间字符按照序列顺序进行组合，得到所述目标字段。
6.如权利要求1至5中任意一项所述的基于文本识别技术的单证生成方法，其特征在于，所述根据单证生成请求获取待分析服务文本信息，包括：
提取所述单证生成请求中的文本信息路径；
根据所述文本信息路径在预设的服务文本数据库中获取所述待分析服务文本信息。
7.如权利要求1至5中任意一项所述的基于文本识别技术的单证生成方法，其特征在于，所述根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段，包括：
根据所述服务类型在预设的服务字段数据库中进行字段查询，得到服务字段；
利用所述服务字段对所述目标字段进行筛选，得到目标服务字段；
利用所述目标服务字段在预设的规则脚本数据库中进行脚本查询，得到目标脚本；
利用所述目标脚本对所述目标服务字段进行格式化处理，得到标准目标字段。
8.一种单证生成装置，其特征在于，包括：
模型训练模块，用于利用历史单证文本信息集对预设的单证字段抽取模型进行训练，得到训练完成的单证字段抽取模型；
字段抽取模块，用于根据单证生成请求获取待分析服务文本信息，利用所述训练完成的单证字段抽取模型对所述待分析服务文本信息进行单证字段抽取，得到目标字段；提取所述单证生成请求中的服务类型，根据所述服务类型对所述目标字段进行筛选处理，得到标准目标字段；
模板匹配模块，用于根据所述服务类型获取目标单证模板，将所述标准目标字段与所述目标单证模板进行关联匹配，得到目标单证。
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计算机程序指令，所述计算机程序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权利要求1至7中任一所述的基于文本识别技术的单证生成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的基于文本识别技术的单证生成方法。
CN202110575278.1A 2021-05-26 2021-05-26 基于文本识别技术的单证生成方法、装置、设备及介质 Pending CN113191456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575278.1A CN113191456A (zh) 2021-05-26 2021-05-26 基于文本识别技术的单证生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575278.1A CN113191456A (zh) 2021-05-26 2021-05-26 基于文本识别技术的单证生成方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113191456A true CN113191456A (zh) 2021-07-30

Family

ID=76985102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575278.1A Pending CN113191456A (zh) 2021-05-26 2021-05-26 基于文本识别技术的单证生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113191456A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140215301A1 (en) * 2013-01-25 2014-07-31 Athenahealth, Inc. Document template auto discovery
US20160124933A1 (en) * 2014-10-30 2016-05-05 International Business Machines Corporation Generation apparatus, generation method, and program
CN110765770A (zh) * 2019-09-04 2020-02-07 平安科技（深圳）有限公司 一种合同自动生成方法及装置
US20200394567A1 (en) * 2019-06-14 2020-12-17 The Toronto-Dominion Bank Target document template generation
CN112528984A (zh) * 2020-12-18 2021-03-19 平安银行股份有限公司 图像信息抽取方法、装置、电子设备及存储介质
CN112668041A (zh) * 2020-12-17 2021-04-16 平安消费金融有限公司 单证文件的生成方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140215301A1 (en) * 2013-01-25 2014-07-31 Athenahealth, Inc. Document template auto discovery
US20160124933A1 (en) * 2014-10-30 2016-05-05 International Business Machines Corporation Generation apparatus, generation method, and program
US20200394567A1 (en) * 2019-06-14 2020-12-17 The Toronto-Dominion Bank Target document template generation
CN110765770A (zh) * 2019-09-04 2020-02-07 平安科技（深圳）有限公司 一种合同自动生成方法及装置
CN112668041A (zh) * 2020-12-17 2021-04-16 平安消费金融有限公司 单证文件的生成方法、装置、计算机设备和存储介质
CN112528984A (zh) * 2020-12-18 2021-03-19 平安银行股份有限公司 图像信息抽取方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112528616B (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112418798A (zh) 信息审核方法、装置、电子设备及存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN113704614A (zh) 基于用户画像的页面生成方法、装置、设备及介质
CN114979120B (zh) 数据上传方法、装置、设备及存储介质
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113961473A (zh) 数据测试方法、装置、电子设备及计算机可读存储介质
CN112860905A (zh) 文本信息抽取方法、装置、设备及可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN113344125A (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN112528984A (zh) 图像信息抽取方法、装置、电子设备及存储介质
CN112560855A (zh) 图像信息提取方法、装置、电子设备及存储介质
CN111814743A (zh) 笔迹识别方法、装置及计算机可读存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN114840388A (zh) 数据监控方法、装置、电子设备及存储介质
CN113486646A (zh) 产品报告发布方法、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