CN113743393A - 一种基于人工智能的销售小票校验方法 - Google Patents
一种基于人工智能的销售小票校验方法 Download PDFInfo
- Publication number
- CN113743393A CN113743393A CN202011288171.0A CN202011288171A CN113743393A CN 113743393 A CN113743393 A CN 113743393A CN 202011288171 A CN202011288171 A CN 202011288171A CN 113743393 A CN113743393 A CN 113743393A
- Authority
- CN
- China
- Prior art keywords
- semantic
- sales
- sales receipt
- artificial intelligence
- self
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 26
- 238000012552 review Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000012954 risk control Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 abstract description 3
- 238000012015 optical character recognition Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供一种基于人工智能的销售小票校验方法。所述基于人工智能的销售小票校验方法,包括:S1:消费者上传销售小票影像到自助积分系统;S2:自助积分系统将销售小票影像传送至OCR辨识系统。本发明提供的基于人工智能的销售小票校验方法,达到对于商业管理:增速提效:数智驱动能准确合理调配资源,协助大大提高审单效率,有效优化人员工作量;精准判断:结合OCR辨识及语意辨识确保数据准确度与真实性;节省成本:自动/半自动审核环节使单笔业务审核成本大大降低,业务流程更为高效;客群筛查:关联大数据评分体系,筛选高风险客户,减少损失发生;找出相对优质的客户群,发掘潜在机会。
Description
技术领域
本发明涉及小票校验领域,尤其涉及一种基于人工智能的销售小票校验方法。
背景技术
目前,中国市场正从“忠诚度”进入“关联度”时代。83%的中国CEO表示,客户期望受关联度体验的影响越来越大,打造超高消费者关联度是实现企业可持续增长的关键。然而,企业想提高关联度,需要及时地感知客户需求,并能以敏捷式响应持续满足不断变化的客户需求,为达到此一诉求,零售企业通常推出“消费积分反馈”的营销模式,同时针对未能在交易时进行消费积分模式的消费者提供自助积分的解决方案。
然而大部分的自助积分方案,仅就纸本销售小票进行OCR辨识,虽然对于字体的辨识率很高,但是却无法依据文意撷取到正确数据,需要藉由人工方式进行辨认正确的信息。同时受到个人对于商业文件照相时的环境影响,往往无法以最佳方式取得合适的辨识图像。因而造成部份信息的缺失,为了解决这些问题,原本的OCR辨识方法已经不足,必须提高对于商业文件中的文意辨识正确率,以降低或减少人工辨识的次数,在提高文意辨识正确率的相关技术中,通过自然语言处理、计算语言学等各类学科的发展,可以在一定程度上实现计算机对自然语言的理解和处理。
因此,有必要提供一种基于人工智能的销售小票校验方法解决上述技术问题。
发明内容
本发明提供一种基于人工智能的销售小票校验方法,解决了原本的OCR辨识方法已经不足,必须提高对于商业文件中的文意辨识正确率,以降低或减少人工辨识的次数的问题。
为解决上述技术问题,本发明提供的一种基于人工智能的销售小票校验方法,包括:
S1:消费者上传销售小票影像到自助积分系统;
S2:自助积分系统将销售小票影像传送至OCR辨识系统;
S3:OCR辨识系统将辨识后的销售小票文字数据及文字辨识置信度回传至自助积分系统;
S4:自助积分系统依据文字辨识置信度判定;S41:当文字辨识置信度大于p1,则将销售小票文字数据传送至语意辨识系统;S42:当文字辨识置信度小于p1,则将销售小票文字数据传送至人工审核;
S5:语意辨识系统将辨识后的销售小票事务数据及语意辨识置信度回传至自助积分系统;
S6:科传自助积分系统依据语意辨识置信度判定;S61:当语意辨识置信度大于p2,则将销售小票交易数据传送至积分风控系统;S62:当语意辨识置信度小于p2,则将销售小票交易数据传送至人工审核;
S7:积分风控系统依据风险控制规则审核销售小票事务数据同时根据判别结果;S71:成功:进行自助积分程序;S72:失败:回复消费者积分失败;S73:人工审核:则将销售小票数据传送至人工审核;
S8:以人工方式对于上传的销售小票影像数据进行审核;S81:成功:将人工处理后的销售小票交易传送至科传CRM系统的消费积分程序;S82:失败:将积分失败回馈给消费者端装置;
S9:CRM系统的消费积分程序依据销售小票交易数据进行积分处理,并将消费积分数据回馈给消费者端装置。
优选的,所述语意辨识系统的输入端与所述OCR辨识系统的输出端连接。
优选的,所述语意辨识系统的输出端与所述积分风控系统的输入端连接。
优选的,所述语意辨识系统包括辨识语意模型、语意模型库、训练语意模型、特征值、提取特征值、语意训练集。
优选的,所述辨识语意模型的输出端与语意模型库的输入端连接。
优选的,所述语意训练集接收销售小票文字数据和销售小票交易数据。
优选的,所述语意训练集的输出端与所述提取特征值的输入端连接,所述提取特征值的输出端与所述特征值的输入端连接,所述特征值的输出端与训练语意模型的输入端连接,所述训练语意模型的输出端与所述辨识语意模型的输入端连接。
优选的,所述语意训练集的输出端与所述训练语意模型的输入端连接。
与相关技术相比较,本发明提供的基于人工智能的销售小票校验方法具有如下有益效果:
本发明提供一种基于人工智能的销售小票校验方法,通过S1:消费者上传销售小票影像到自助积分系统;S2:自助积分系统将销售小票影像传送至OCR辨识系统;S3:OCR辨识系统将辨识后的销售小票文字数据及文字辨识置信度回传至自助积分系统;S4:自助积分系统依据文字辨识置信度判定;S41:当文字辨识置信度大于p1,则将销售小票文字数据传送至语意辨识系统;S42:当文字辨识置信度小于p1,则将销售小票文字数据传送至人工审核;S5:语意辨识系统将辨识后的销售小票事务数据及语意辨识置信度回传至自助积分系统;S6:科传自助积分系统依据语意辨识置信度判定;S61:当语意辨识置信度大于p2,则将销售小票交易数据传送至积分风控系统;S62:当语意辨识置信度小于p2,则将销售小票交易数据传送至人工审核;S7:积分风控系统依据风险控制规则审核销售小票事务数据同时根据判别结果;S71:成功:进行自助积分程序;S72:失败:回复消费者积分失败;S73:人工审核:则将销售小票数据传送至人工审核;S8:以人工方式对于上传的销售小票影像数据进行审核;S81:成功:将人工处理后的销售小票交易传送至科传CRM系统的消费积分程序;S82:失败:将积分失败回馈给消费者端装置;S9:CRM系统的消费积分程序依据销售小票交易数据进行积分处理,并将消费积分数据回馈给消费者端装置,达到对于商业管理:增速提效:数智驱动能准确合理调配资源,协助大大提高审单效率,有效优化人员工作量;精准判断:结合OCR辨识及语意辨识确保数据准确度与真实性;节省成本:自动/半自动审核环节使单笔业务审核成本大大降低,业务流程更为高效;客群筛查:关联大数据评分体系,筛选高风险客户,减少损失发生;找出相对优质的客户群,发掘潜在机会,对于消费客群:服务普惠:预判客户诉求提前触客,智能化分流客户诉求至自助应用,真正实现普惠式客户服务;体验升级:便捷自助积分根据不同需求场景,准确响应客户需求,提供个性化服务。
附图说明
图1为本发明提供的基于人工智能的销售小票校验方法的一种较佳实施例的系统示意图;
图2为图1所示语意辨识系统的示意图;
图3为图1所示语意辨识系统运算方式示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2、图3,其中,图1为本发明提供的基于人工智能的销售小票校验方法的一种较佳实施例的系统示意图;图2为图1所示语意辨识系统的示意图;图3为图1所示语意辨识系统运算方式示意图。一种基于人工智能的销售小票校验方法,包括:
S1:消费者上传销售小票影像到自助积分系统;
S2:自助积分系统将销售小票影像传送至OCR辨识系统;
S3:OCR辨识系统将辨识后的销售小票文字数据及文字辨识置信度回传至自助积分系统;
S4:自助积分系统依据文字辨识置信度判定;S41:当文字辨识置信度大于p1,则将销售小票文字数据传送至语意辨识系统;S42:当文字辨识置信度小于p1,则将销售小票文字数据传送至人工审核;
S5:语意辨识系统将辨识后的销售小票事务数据及语意辨识置信度回传至自助积分系统;
S6:科传自助积分系统依据语意辨识置信度判定;S61:当语意辨识置信度大于p2,则将销售小票交易数据传送至积分风控系统;S62:当语意辨识置信度小于p2,则将销售小票交易数据传送至人工审核;
S7:积分风控系统依据风险控制规则审核销售小票事务数据同时根据判别结果;S71:成功:进行自助积分程序;S72:失败:回复消费者积分失败;S73:人工审核:则将销售小票数据传送至人工审核;
S8:以人工方式对于上传的销售小票影像数据进行审核;S81:成功:将人工处理后的销售小票交易传送至科传CRM系统的消费积分程序;S82:失败:将积分失败回馈给消费者端装置;
S9:CRM系统的消费积分程序依据销售小票交易数据进行积分处理,并将消费积分数据回馈给消费者端装置。
所述语意辨识系统的输入端与所述OCR辨识系统的输出端连接。
所述语意辨识系统的输出端与所述积分风控系统的输入端连接。
所述语意辨识系统包括辨识语意模型、语意模型库、训练语意模型、特征值、提取特征值、语意训练集。
所述辨识语意模型的输出端与语意模型库的输入端连接。
所述语意训练集接收销售小票文字数据和销售小票交易数据。
所述语意训练集的输出端与所述提取特征值的输入端连接,所述提取特征值的输出端与所述特征值的输入端连接,所述特征值的输出端与训练语意模型的输入端连接,所述训练语意模型的输出端与所述辨识语意模型的输入端连接。
所述语意训练集的输出端与所述训练语意模型的输入端连接。
输入定量的原始的OCR识别文本字符,对输入的定量字符按高斯算法进行分布,获得根据定量输入生成预期比例数量的仿真样本,样本分为训练集和验证集,训练集和验证集比例为4:1。
对仿真样本创建不重复字库(字库TOKEN),再根据使用的场景定义不同字符的最小单位,然后将最小字符单位嵌入到N维矢量中(N维值可根据使用场景进行修正),通过聚类计算词矢量空间中的余弦相似性,余弦差异越小,语义相关性越吻合,通过语义的学习完成分词过程。
模型训练参数设置:文本以若干行为一组单元,所有字符加入至与字库TOKEN长度相等的稀疏矢量中,组成稀疏矩阵。并对标签值采用ONEHOT编码(热独编码)离散化。
连续语义检测长度为7(卷积核接收野长度),使用一维卷积神经网络叠加组成若干层深度网络。语义通道根据场景需要依次定义为 32维->32维->64维……->N维,激活函数使用线性整流函数(RELU)。其中池化层采用最大池化,步长为5。 使用正则化降低过拟合,正则化比率为0.5。
最终业务作为多分类任务处理,最后一层为密集连接层(第4点提及的64维的层),激活函数采用指数归一化函数(SOFTMAX),损失函数采用交叉熵成本函数。 梯度下降的优化器使用(Root Mean Square Prop)算法。
训练过程中根据预设定主要指标为验证精度(val_acc),经过N轮迭代训练,批次大小为512,若连续N轮验证精度不提升则采纳当前精度最高的模型。
与相关技术相比较,本发明提供的基于人工智能的销售小票校验方法具有如下有益效果:
通过S1:消费者上传销售小票影像到自助积分系统;S2:自助积分系统将销售小票影像传送至OCR辨识系统;S3:OCR辨识系统将辨识后的销售小票文字数据及文字辨识置信度回传至自助积分系统;S4:自助积分系统依据文字辨识置信度判定;S41:当文字辨识置信度大于p1,则将销售小票文字数据传送至语意辨识系统;S42:当文字辨识置信度小于p1,则将销售小票文字数据传送至人工审核;S5:语意辨识系统将辨识后的销售小票事务数据及语意辨识置信度回传至自助积分系统;S6:科传自助积分系统依据语意辨识置信度判定;S61:当语意辨识置信度大于p2,则将销售小票交易数据传送至积分风控系统;S62:当语意辨识置信度小于p2,则将销售小票交易数据传送至人工审核;S7:积分风控系统依据风险控制规则审核销售小票事务数据同时根据判别结果;S71:成功:进行自助积分程序;S72:失败:回复消费者积分失败;S73:人工审核:则将销售小票数据传送至人工审核;S8:以人工方式对于上传的销售小票影像数据进行审核;S81:成功:将人工处理后的销售小票交易传送至科传CRM系统的消费积分程序;S82:失败:将积分失败回馈给消费者端装置;S9:CRM系统的消费积分程序依据销售小票交易数据进行积分处理,并将消费积分数据回馈给消费者端装置,达到对于商业管理:增速提效:数智驱动能准确合理调配资源,协助大大提高审单效率,有效优化人员工作量;精准判断:结合OCR辨识及语意辨识确保数据准确度与真实性;节省成本:自动/半自动审核环节使单笔业务审核成本大大降低,业务流程更为高效;客群筛查:关联大数据评分体系,筛选高风险客户,减少损失发生;找出相对优质的客户群,发掘潜在机会,对于消费客群:服务普惠:预判客户诉求提前触客,智能化分流客户诉求至自助应用,真正实现普惠式客户服务;体验升级:便捷自助积分根据不同需求场景,准确响应客户需求,提供个性化服务。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于人工智能的销售小票校验方法,其特征在于,包括:
S1:消费者上传销售小票影像到自助积分系统;
S2:自助积分系统将销售小票影像传送至OCR辨识系统;
S3:OCR辨识系统将辨识后的销售小票文字数据及文字辨识置信度回传至自助积分系统;
S4:自助积分系统依据文字辨识置信度判定;S41:当文字辨识置信度大于p1,则将销售小票文字数据传送至语意辨识系统;S42:当文字辨识置信度小于p1,则将销售小票文字数据传送至人工审核;
S5:语意辨识系统将辨识后的销售小票事务数据及语意辨识置信度回传至自助积分系统;
S6:科传自助积分系统依据语意辨识置信度判定;S61:当语意辨识置信度大于p2,则将销售小票交易数据传送至积分风控系统;S62:当语意辨识置信度小于p2,则将销售小票交易数据传送至人工审核;
S7:积分风控系统依据风险控制规则审核销售小票事务数据同时根据判别结果;S71:成功:进行自助积分程序;S72:失败:回复消费者积分失败;S73:人工审核:则将销售小票数据传送至人工审核;
S8:以人工方式对于上传的销售小票影像数据进行审核;S81:成功:将人工处理后的销售小票交易传送至科传CRM系统的消费积分程序;S82:失败:将积分失败回馈给消费者端装置;
S9:CRM系统的消费积分程序依据销售小票交易数据进行积分处理,并将消费积分数据回馈给消费者端装置。
2.根据权利要求1所述的基于人工智能的销售小票校验方法,其特征在于,所述语意辨识系统的输入端与所述OCR辨识系统的输出端连接。
3.根据权利要求1所述的基于人工智能的销售小票校验方法,其特征在于,所述语意辨识系统的输出端与所述积分风控系统的输入端连接。
4.根据权利要求1所述的基于人工智能的销售小票校验方法,其特征在于,所述语意辨识系统包括辨识语意模型、语意模型库、训练语意模型、特征值、提取特征值、语意训练集。
5.根据权利要求4所述的基于人工智能的销售小票校验方法,其特征在于,所述辨识语意模型的输出端与语意模型库的输入端连接。
6.根据权利要求4所述的基于人工智能的销售小票校验方法,其特征在于,所述语意训练集接收销售小票文字数据和销售小票交易数据。
7.根据权利要求4所述的基于人工智能的销售小票校验方法,其特征在于,所述语意训练集的输出端与所述提取特征值的输入端连接,所述提取特征值的输出端与所述特征值的输入端连接,所述特征值的输出端与训练语意模型的输入端连接,所述训练语意模型的输出端与所述辨识语意模型的输入端连接。
8.根据权利要求4所述的基于人工智能的销售小票校验方法,其特征在于,所述语意训练集的输出端与所述训练语意模型的输入端连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288171.0A CN113743393A (zh) | 2020-11-17 | 2020-11-17 | 一种基于人工智能的销售小票校验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288171.0A CN113743393A (zh) | 2020-11-17 | 2020-11-17 | 一种基于人工智能的销售小票校验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743393A true CN113743393A (zh) | 2021-12-03 |
Family
ID=78728136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288171.0A Pending CN113743393A (zh) | 2020-11-17 | 2020-11-17 | 一种基于人工智能的销售小票校验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743393A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858453A (zh) * | 2019-02-15 | 2019-06-07 | 浪潮通用软件有限公司 | 一种通用的多引擎票据识别系统及方法 |
CN110826547A (zh) * | 2019-10-24 | 2020-02-21 | 南京猫酷科技股份有限公司 | 一种购物小票识别积分系统及方法 |
CN110826548A (zh) * | 2019-10-28 | 2020-02-21 | 广州凯风科技有限公司 | 票据数据处理方法、系统、设备及机器可读介质 |
CN111062397A (zh) * | 2019-12-18 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种智能票据处理系统 |
CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
-
2020
- 2020-11-17 CN CN202011288171.0A patent/CN113743393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858453A (zh) * | 2019-02-15 | 2019-06-07 | 浪潮通用软件有限公司 | 一种通用的多引擎票据识别系统及方法 |
CN110826547A (zh) * | 2019-10-24 | 2020-02-21 | 南京猫酷科技股份有限公司 | 一种购物小票识别积分系统及方法 |
CN110826548A (zh) * | 2019-10-28 | 2020-02-21 | 广州凯风科技有限公司 | 票据数据处理方法、系统、设备及机器可读介质 |
CN111062397A (zh) * | 2019-12-18 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种智能票据处理系统 |
CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210149993A1 (en) | Pre-trained contextual embedding models for named entity recognition and confidence prediction | |
US10936970B2 (en) | Machine learning document processing | |
US11113323B2 (en) | Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering | |
CN108550065B (zh) | 评论数据处理方法、装置及设备 | |
US20230065915A1 (en) | Table information extraction and mapping to other documents | |
EP2671190B1 (en) | System for data extraction and processing | |
CN110750646B (zh) | 一种旅店评论文本的属性描述提取方法 | |
US20020114515A1 (en) | Character string recognition apparatus, character string recognizing method, and storage medium therefor | |
CN112732871A (zh) | 一种机器人催收获取客户意向标签的多标签分类方法 | |
WO2022203899A1 (en) | Document distinguishing based on page sequence learning | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN115564469A (zh) | 广告创意选取和模型训练方法、装置、设备及存储介质 | |
Li et al. | Image pattern recognition in identification of financial bills risk management | |
CN114586038A (zh) | 事件抽取和抽取模型训练的方法和装置、设备、介质 | |
CN111309901A (zh) | 一种短文本分类方法及装置 | |
US11694463B2 (en) | Systems and methods for generating document numerical representations | |
CN113743393A (zh) | 一种基于人工智能的销售小票校验方法 | |
CN113449103A (zh) | 融入标签与文本交互机制的银行交易流水分类方法及系统 | |
CN115294593A (zh) | 一种图像信息抽取方法、装置、计算机设备及存储介质 | |
CN114283429A (zh) | 素材工单数据处理方法、装置、设备及存储介质 | |
US20230409644A1 (en) | Systems and method for generating labelled datasets | |
CN116976313B (zh) | 场外交易指令文本的解析方法、装置和计算机可读介质 | |
CN115186820B (zh) | 事件共指消解方法、装置、终端及计算机可读存储介质 | |
US20240176951A1 (en) | Electronic document validation | |
CN116226377A (zh) | 一种用于法律咨询文本的分类方法和装置 |
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 |