CN113761209B - 文本拼接方法及装置、电子设备、存储介质 - Google Patents
文本拼接方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113761209B CN113761209B CN202111094072.3A CN202111094072A CN113761209B CN 113761209 B CN113761209 B CN 113761209B CN 202111094072 A CN202111094072 A CN 202111094072A CN 113761209 B CN113761209 B CN 113761209B
- Authority
- CN
- China
- Prior art keywords
- text
- spliced
- splicing
- sentence
- line
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本公开提供了一种文本拼接方法及装置、电子设备、存储介质,涉及人工智能技术领域。该文本拼接方法包括:获取待拼接文本,待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;将待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;通过预设的第一分类模型和第二分类模型对上下行拼接文本进行多层次分类,以确定各上下行拼接文本的语句意图完整性;根据语句意图完整性将待拼接文本中的各行文本数据进行拼接处理,得到目标文本。本公开能够准确拼接通过光学字符识别技术识别得到的、具有分行现象的文本数据,提高拼接后的目标文本的准确率,以及实现将图像中的文本进行结构化处理,提高图像内容处理效率。
Description
技术领域
本公开涉及人工智能技术领域,具体而言,涉及一种文本拼接方法、文本拼接装置、电子设备以及计算机可读存储介质。
背景技术
随着科学技术的飞速发展,光学字符识别(Optical Character Recognition,OCR)技术越来越得到广泛的应用。OCR技术是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术。
目前,对具有文本内容的图像如票据图像或者表单图像等,经过OCR识别,会得到具有分行现象的文本数据,但是,由于分行现象会导致相关信息被分割在不同行显示,只能通过人工的方式逐行进行拼接,不仅准确率较低,而且拼接效率也较低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种文本拼接方法、文本拼接装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服相关技术中OCR识别的文本在拼接时准确率与拼接效率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提供了一种文本拼接方法,包括:
获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类,以确定各所述上下行拼接文本的语句意图完整性;
根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一些示例实施例中,基于前述方案,所述第一分类模型用于确定上下行拼接文本的语句意图完整性,所述第二分类模型用于确定单行文本的语句意图完整性;
所述通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类,以确定各所述上下行拼接文本的语句意图完整性,包括:
将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;
将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;
将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性。
在本公开的一些示例实施例中,基于前述方案,所述将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性,包括:
若拆分得到的单行文本均为完整语句意图,则确定所述上下行拼接文本为非完整语句意图;
若拆分得到的单行文本至少一个为非完整语句意图,则确定所述上下行拼接文本为完整语句意图。
在本公开的一些示例实施例中,基于前述方案,所述根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本,包括:
将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接;
将确定为完整语句意图的上下行拼接文本标记为可拼接;
根据确定的标记将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一些示例实施例中,基于前述方案,所述方法还包括:
获取基于光学字符识别技术识别得到的样本识别文本,并将所述样本识别文本进行上下行拼接处理得到第一样本识别文本,将所述样本识别文本进行单行处理得到第二样本识别文本;
获取第一样本识别文本对应的第一语句意图标签,以及获取第二样本识别文本对应的第二语句意图标签;
基于所述第一样本识别文本和所述第一语句意图标签对预训练语言模型进行训练,得到第一分类模型;
基于所述第二样本识别文本和所述第二语句意图标签对预训练语言模型进行训练,得到第二分类模型。
在本公开的一些示例实施例中,基于前述方案,所述方法还包括:
计算所述上下行拼接文本对应的词嵌入向量、段表征向量和位置表征向量;
将所述词嵌入向量、段表征向量和位置表征向量作为模型输入数据输入到第一分类模型中进行第一次分类。
在本公开的一些示例实施例中,基于前述方案,所述方法还包括:
对所述目标文本进行结构化处理,得到所述待拼接文本对应的结构化文本数据。
根据本公开实施例的第二方面,提供了一种文本拼接装置,包括:
文本获取模块,用于获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
上下行拼接模块,用于将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
文本分类模块,用于通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类,以确定各所述上下行拼接文本的语句意图完整性;
文本拼接模块,用于根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一种示例性实施例中,基于前述方案,所述第一分类模型用于确定上下行拼接文本的语句意图完整性,所述第二分类模型用于确定单行文本的语句意图完整性;所述文本分类模块包括:
第一次分类单元,用于将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;
第二次分类单元,用于将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;
第三次分类单元,用于将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性。
在本公开的一种示例性实施例中,基于前述方案,所述第三次分类单元可以用于:
若拆分得到的单行文本均为完整语句意图,则确定所述上下行拼接文本为非完整语句意图;
若拆分得到的单行文本至少一个为非完整语句意图,则确定所述上下行拼接文本为完整语句意图。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接模块可以用于:
将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接;
将确定为完整语句意图的上下行拼接文本标记为可拼接;
根据确定的标记将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置还包括分类模型训练模块,所述分类模型训练模块可以用于:
获取基于光学字符识别技术识别得到的样本识别文本,并将所述样本识别文本进行上下行拼接处理得到第一样本识别文本,将所述样本识别文本进行单行处理得到第二样本识别文本;
获取第一样本识别文本对应的第一语句意图标签,以及获取第二样本识别文本对应的第二语句意图标签;
基于所述第一样本识别文本和所述第一语句意图标签对预训练语言模型进行训练,得到第一分类模型;
基于所述第二样本识别文本和所述第二语句意图标签对预训练语言模型进行训练,得到第二分类模型。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置还包括数据输入模块,所述数据输入模块可以用于:
计算所述上下行拼接文本对应的词嵌入向量、段表征向量和位置表征向量;
将所述词嵌入向量、段表征向量和位置表征向量作为模型输入数据输入到第一分类模型中进行第一次分类。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置还包括文本结构化处理模块,所述文本结构化处理模块可以用于:
对所述目标文本进行结构化处理,得到所述待拼接文本对应的结构化文本数据。
根据本公开实施例的第三方面,提供了一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意一项所述的文本拼接方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的文本拼接方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开的示例实施例中的文本拼接方法,获取通过光学字符识别技术识别得到的、具有分行现象的待拼接文本,并将待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本,然后通过预设的第一分类模型和第二分类模型对上下行拼接文本进行多层次分类,以确定上下行拼接文本中各行文本数据的语句意图完整性,根据语句意图完整性将待拼接文本中的各行文本数据进行拼接处理,得到目标文本。一方面,通过第一分类模型和第二分类模型构成的融合框架,对由待拼接文本中各行文本数据两两拼接得到的上下行拼接文本进行多层次分类,能够有效提升语句意图完整性的识别准确性,从而保证拼接的目标文本中语句的完整性,提升拼接得到的目标文本的准确性;另一方面,通过第一分类模型和第二分类模型构成的融合框架,能够高效率的完成对待拼接文本的拼接,不需要通过人工的方式拼接文本,有效提升待拼接文本的拼接效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本公开实施例的一种文本拼接方法及装置的示例性应用环境的系统架构的示意图。
图2示意性示出了根据本公开的一些实施例的文本拼接方法的流程示意图;
图3示意性示出了根据本公开的一些实施例的对待拼接文本进行多层次分类的流程示意图;
图4示意性示出了根据本公开的一些实施例的实现多层次分类的流程示意图;
图5示意性示出了根据本公开的一些实施例的拼接待拼接文本中各行文本数据的流程示意图;
图6示意性示出了根据本公开的一些实施例的训练得到第一分类模型和第二分类模型的流程示意图;
图7示意性示出了根据本公开的一些实施例的模型输入数据的结构示意图;
图8示意性示出了根据本公开的一些实施例的训练模型的结构示意图;
图9示意性示出了根据本公开的一些实施例的实现待拼接文本拼接的流程示意图;
图10示意性示出了根据本公开的一些实施例的文本拼接装置的示意图;
图11示意性示出了根据本公开的一些实施例的电子设备的计算机系统的结构示意图;
图12示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
此外,附图仅为示意性图解,并非一定是按比例绘制。附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种文本拼接方法及装置的示例性应用环境的系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一个或多个,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。终端设备101、102、103可以是各种具有图像处理功能的电子设备,包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。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终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的文本拼接方法一般由终端设备101、102、103中执行,相应地,文本拼接装置一般设置于终端设备101、102、103中。但本领域技术人员容易理解的是,本公开实施例所提供的文本拼接方法也可以由服务器105执行,相应的,文本拼接装置也可以设置于服务器105中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,可以是用户通过终端设备101、102、103采集文本内容图像,然后将识别文本内容图像得到的待拼接文本上传至服务器105,服务器通过本公开实施例所提供的文本拼接方法生成目标文本后,将目标文本传输给终端设备101、102、103等。
本公开的示例性实施方式提供一种用于实现文本拼接方法的电子设备,其可以是图1中的终端设备101、102、103或服务器105。该电子设备至少包括处理器和存储器,存储器用于存储处理器的可执行指令,处理器配置为经由执行可执行指令来执行文本拼接方法。
在相关技术方案中,采用目前的OCR技术,能够较为完整的将图片中所需的项目名称列表识别为中文文本,并且按照原有的顺序进行排列。部分场景中,仅仅使用OCR技术进行文字识别,也能够满足部分需求,比如结构比较规整的身份证识别、车牌识别,这种类型的图片是严格规定好样式的,因此只需要提取特定位置的文字信息即可。但类似于票据清单类的图片,首先每张图片的样式存在差别,其次图中的项目名称、或者药品名称等,均存在着换行现象,并且OCR技术无法保证对文字识别的准确性,单纯使用OCR技术是无法将一个完整的名称合并的,因此存在着无法区分项目名称完整性的问题。那么在要求极其严格的医疗领域,是不允许存在对药品,和医疗项目名称存在错误识别的。
为了解决这一问题,就必须对OCR识别出的文本进行结构化加工,使其更具阅读和理解性。文本结构化是自然语言处理中的一个子任务,旨在将文本中的各种无序、杂乱无章的信息组织整合起来,使得文本按照一定规律有序的排列,每一部分都紧密联系,形成一个整体。
本公开能够解决OCR技术无法将完整的名称合并的问题,创造性的采用了两种文本处理方法(单句处理和上下句拼接处理)并设计出一套两模型融合框架,用于票据清单文本结构化处理。通过本公开能够高效的处理经过OCR技术识别后用户上传的票据清单等类型的图片并将识别得到的文本结构化处理,能够极大的减少人工的工作量,提高工作效率。
基于此,在本示例实施例中,首先提供了一种文本拼接方法,下面以服务器执行该方法为例进行详细说明。
图2示意性示出了根据本公开的一些实施例的文本拼接方法的流程示意图,参考图2所示,该文本拼接方法可以包括以下步骤:
步骤S210,获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
步骤S220,将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
步骤S230,通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类,以确定各所述上下行拼接文本的语句意图完整性;
步骤S240,根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
根据本示例实施例中的文本拼接方法,一方面,通过第一分类模型和第二分类模型构成的融合框架,对由待拼接文本中各行文本数据两两拼接得到的上下行拼接文本进行多层次分类,能够有效提升语句意图完整性的识别准确性,从而保证拼接的目标文本中语句的完整性,提升拼接得到的目标文本的准确性;另一方面,通过第一分类模型和第二分类模型构成的融合框架,能够高效率的完成对待拼接文本的拼接,不需要通过人工的方式拼接文本,有效提升待拼接文本的拼接效率。
下面,将对本示例实施例中的文本拼接方法进行进一步的说明。
在步骤S210中,获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据。
在本公开的一种示例性实施例中,待拼接文本是指通过光学字符识别OCR技术识别得到的、具有分行现象的文本数据,例如,待拼接文本可以是票据类图像经过光学字符识别OCR技术识别得到的多行文本数据,也可以是医疗数据类图像经过光学字符识别OCR技术识别得到的多行文本数据,当然,还可以是其他经过光学字符识别OCR技术识别得到的、具有分行现象从而导致文本语义不完整的文本数据,本示例实施例对此不做特殊限定。
在步骤S220中,将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本。
在本公开的一种示例性实施例中,上下行拼接文本是指将待拼接文本中的相邻两行文本数据进行拼接得到的文本数据,例如,待拼接文本可以是具有分行现象的文本“1,2,3,4”,其中“1”“2”“3”“4”可以分别表示不同行的文本数据,那么,上下行拼接文本可以是将单行文本“1”“2”“3”“4”进行两两拼接得到的“12”“23”“34”,当然,对于一些特殊的应用场景,如待拼接文本中不同的文本内容只可能分布在两行,为了减少计算量,上下行拼接文本也可以是“12”“34”,本示例实施例对此不做特殊限定。
在步骤S230中,通过预设的第一分类模型和第二分类模型对所述待拼接文本进行多层次分类,以确定所述待拼接文本中各行文本数据的语句意图完整性。
在本公开的一种示例性实施例中,第一分类模型是指预先训练的到的、用于分类上下行拼接文本的语句意图完整性的自然语言处理模型,第二分类模型预先训练的到的、用于分类单行文本的语句意图完整性的自然语言处理模型。
多层次分类是指通过第一分类模型和第二分类模型对文本进行多次分类,以提升文本的分类准确性的处理过程。例如,多层次分类可以至少包含两次分类,即通过第一分类模型进行一次分类,和通过第二分类模型进行一次分类。然而,在实践中发现,第一分类模型对非完整语句意图的文本的识别准确率更高,第二分类模型对完整语句意图的文本的识别准确率更高,因此,可以结合第一分类模型和第二分类模型的该特性,可以设置不同的多层次分类处理过程,有效提高分类结果的准确性。
语句意图完整性是指用于判断文本所表征的意图是否完整的参数,例如,对于文本“我今天吃了一个苹果”,对应的语句意图完整性是完整语句意图;对于分行文本“我今天吃/(分行)了一个苹果”,其中所包含的单行文本“我今天吃”对应的语句意图完整性是非完整语句意图,其中所包含的单行文本“了一个苹果”对应的语句意图完整性也是非完整语句意图。当然,此处仅是示意性举例说明,本示例实施例对此不做特殊限定。
在步骤S240中,根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一种示例性实施例中,在确定单行文本为完整语句意图时,可以认为该单行文本本身就是完整的,并没有因为分行现象将完整的语句分割在两行,因此不需要与上下行进行拼接;在确定单行文本为非完整语句意图时,可以认为该单行文本由于分行现象将完整的语句分割在两行中,因此需要与上下行进行拼接,但是仅根据当前分类结果无法判定将非完整语句意图的单行文本与前一行拼接,还是与后一行拼接,还是与前后行均进行拼接,因此,需要进一步判断上下行拼接后的文本的语句意图完整性。进而,通过训练好的第一分类模型以及第二分类模型,对单行文本以及上下行拼接文本进行准确地识别,有效保证拼接得到的目标文本的准确性。
下面,对步骤S210至步骤S240中的内容进行详细说明。
在本公开的一种示例性实施例中,可以通过图3中的步骤实现通过预设的第一分类模型和第二分类模型对待拼接文本进行多层次分类,参考图3所示,具体可以包括:
步骤S310,将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;
步骤S320,将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;
步骤S330,将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性。
其中,可以在将待拼接文本中的相邻两行文本数据进行拼接之前,对待拼接文本进行预处理,例如,预处理可以是对待拼接文本中包含的乱码进行剔除的处理过程,也可以是对待拼接文本中的格式进行整理的处理过程,当然,预处理还可以是其他对待拼接文本进行干扰因素消除的处理过程,本实例实施例对此不做特殊限定。
具体的,可以将上下行拼接文本输入到第一分类模型中进行第一次分类,确定上下行拼接文本的语句意图完整性,由于第一分类模型对非完整语句意图的分类准确率高,因此,在第一分类模型分类该上下行拼接文本为非完整语句意图时,确定该上下行拼接文本为非完整语句意图,那么该上下行拼接文本不应该进行拼接;而确定为完整语句意图的上下行拼接文本还需要进行进一步判断,因此将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定上下行拼接文本的语句意图完整性,由于第二分类模型对完整语句意图的分类准确率高,因此,在第二分类模型分类该上下行拼接文本为完整语句意图时,确定该上下行拼接文本为完整语句意图,那么该上下行拼接文本应该进行拼接;而确定为非完整语句意图的上下行拼接文本还需要进行进一步判断,因此,可以将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到第二分类模型中继续进行第三次分类,以根据单行文本的分类结果确定上下行拼接文本的语句意图完整性。
具体的,可以通过第三次分类的分类结果最终确定上下行拼接文本的语句意图完整性:若拆分得到的单行文本均被第二分类模型分类为完整语句意图,则可以确定该上下行拼接文本为非完整语句意图;若拆分得到的单行文本至少一个为非完整语句意图,则确定所述上下行拼接文本为完整语句意图。
图4示意性示出了根据本公开的一些实施例的实现多层次分类的流程示意图。
参考图4所示,步骤S401,通过OCR对票据清单类图像进行识别,得到待拼接文本;
步骤S402,对待拼接文本中相邻两行文本进行拼接得到上下行拼接文本;
步骤S403,将上下行拼接文本转化为由词嵌入向量、段表征向量和位置表征向量构成的模型输入数据,并将模型输入数据输入到第一分类模型(Combined-sentence-bert)中对该上下行拼接文本进行第一次分类;
步骤S404,该上下行拼接文本被第一分类模型分类为非完整语句意图;
步骤S405,由于第一分类模型对于非完整语句意图的分类的准确率(实验测得此类型的准确率在0.98及以上)以及召回率(实验测得此类型的召回率在0.77及以上)较高,因此,将第一分类模型分类为非完整语句意图的上下行拼接文本确定为非完整语句意图,此时说明上下行拼接文本不需要进行拼接,因此可以将上下行拼接文本中包含的两个单行文本标记为不可拼接;
步骤S406,该上下行拼接文本被第一分类模型分类为完整语句意图;
步骤S407,将被第一分类模型分类为完整语句意图的上下行拼接文本输入到第二分类模型(Single-sentence-bert)中进行第二次分类;
步骤S408,该上下行拼接文本被第二分类模型重新分类为完整语句意图;
步骤S409,由于第二分类模型对于完整语句意图的分类的准确率(实验测得此类型的准确率在0.97及以上)以及召回率(实验测得此类型的召回率在0.83及以上)较高,因此,将第二分类模型分类为完整语句意图的上下行拼接文本确定为完整语句意图,此时说明上下行拼接文本需要进行拼接,即下行拼接文本中包含的两个单行文本拼接后才是完整的,因此可以将上下行拼接文本中包含的两个单行文本标记为可拼接;
步骤S410,该上下行拼接文本被第二分类模型重新分类为非完整语句意图;
步骤S411,将该上下行拼接文本进行拆分,得到单行文本1和单行文本2;
步骤S412,将单行文本1和单行文本2输入到第二分类模型进行第三次分类;
步骤S413,判断单行文本1和单行文本2的分类结果是否均为完整语句意图;
步骤S414,若判断单行文本1和单行文本2的分类结果均为完整语句意图,则说明这两个单行文本本身就是完整的,不需要进行拼接,因此确定最终结论为该上下文拼接文本为非完整语句意图;
步骤S415,若判断单行文本1和单行文本2的分类结果至少有一个为非完整语句意图,则说明这两个单行文本需要进行拼接,因此确定最终结论为该上下文拼接文本为完整语句意图。
在本公开的一种示例性实施例中,具体可以根据图5中的步骤实现根据语句意图完整性将待拼接文本中的各行文本数据进行拼接处理,参考图5所示,具体可以包括:
步骤S510,将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接;
步骤S520,将确定为完整语句意图的上下行拼接文本标记为可拼接;
步骤S530,根据确定的标记将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
其中,经过第一分类模型以及第二分类模型的多层次分类,可以完整对所有上下行拼接文本的分类,此时,确定为非完整语句意图的上下行拼接文本说明这两行的文本并不能构成完整的语句,因此将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接,那么在后续待拼接文本的拼接处理过程中,被标记为不可拼接的两个单行文本不进行拼接;相反的,确定为完整语句意图的上下行拼接文本说明这两行的文本可以构成完整的语句,因此将确定为完整语句意图的上下行拼接文本直接标记为可拼接,作为后续的待拼接内容,当然,也可以将确定为完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为可拼接,那么在后续待拼接文本的拼接处理过程中,被标记为可拼接的两个单行文本进行拼接处理,此时完成待拼接文本的拼接闭环,完成待拼接文本的拼接,得到拼接好的目标文本。
在本公开的一种示例性实施例中,可以通过图6中的步骤实现对第一分类模型和第二分类模型的训练,参考图6所示,具体可以包括:
步骤S610,获取基于光学字符识别技术识别得到的样本识别文本,并将所述样本识别文本进行上下行拼接处理得到第一样本识别文本,将所述样本识别文本进行单行处理得到第二样本识别文本;
步骤S620,获取第一样本识别文本对应的第一语句意图标签,以及获取第二样本识别文本对应的第二语句意图标签;
步骤S630,基于所述第一样本识别文本和所述第一语句意图标签对预训练语言模型进行训练,得到第一分类模型;
步骤S640,基于所述第二样本识别文本和所述第二语句意图标签对预训练语言模型进行训练,得到第二分类模型。
其中,样本识别文本是指通过光学字符识别技术识别得到的各类型的文本资料,例如,样本识别文本可以是通过光学字符识别技术识别得到的票据清单类型的文本资料,也可以是相关领域内的网络公开文本资源,本示例实施例对此不做特殊限定。
具体的,将收集的样本识别文本进行上下行拼接处理得到第一样本识别文本,例如,假设样本识别文本为“1,2,3,4”,那么第一样本识别文本是“12”“23”“34”;同时,将收集的样本识别文本进行单行处理得到第二样本识别文本,一般情况下,识别得到的样本识别文本均是单行文本,因此,仅进行预处理即可,例如,假设样本识别文本为“1,2,3,4”,那么第一样本识别文本依旧是“1,2,3,4”。
预训练语言模型(Bidirectional Encoder Representations fromTransformers,BERT)能够进一步增加词向量模型泛化能力,充分描述字符级、词级、句子级甚至句间关系特征。预训练语言模型BERT是一种处理文本信息的方法,其网络架构使用的是多层Transformer结构,其最大的特点是抛弃了传统的循环神经网络(Recurrent NeuralNetwork,RNN)和卷积神经网络(Convolutional Neural Networks,CNN),通过注意力机制(Attention)将任意位置的两个单词的距离转换成1,有效的解决了自然语言处理(NaturalLanguage Processing,NLP)中棘手的长期依赖问题。
第一语句意图标签是指预先对第一样本识别文本进行语句意图完整性识别得到的标签,其中完整语句意图的标签可以是“0”,非完整语句意图可以是“1”,当然,第一语句意图标签还可以是其他能够区分语句意图完整性的标签,本示例实施例不以此为限;同样的,第二语句意图标签是指预先对第二样本识别文本进行语句意图完整性识别得到的标签。
具体的,可以基于第一样本识别文本和第一语句意图标签对预训练语言模型进行训练,得到第一分类模型(Combined-sentence-bert),主要用于对上下行拼接文本进行分类,可以基于第二样本识别文本和第二语句意图标签对预训练语言模型进行训练,得到第二分类模型(Single-sentence-bert),主要用于对单行文本进行分类,当然,第二分类模型也可以对上下行拼接文本进行分类,具体根据实际使用情况进行应用,本示例实施例对此不做特殊限定。
在本公开的一种示例性实施例中,可以计算上下行拼接文本对应的词嵌入向量、段表征向量和位置表征向量,并将词嵌入向量、段表征向量和位置表征向量作为模型输入数据输入到第一分类模型中进行第一次分类。
其中,词嵌入向量(Token Embedding)是指将单词划分成一组有限的公共子词单元,能在单词的有效性和字符的灵活性之间取得一个折中的平衡;段表征向量(SegmentEmbedding)是指用于区分不同的两个语句;位置表征向量(Position Embedding)是指将单词的位置信息编码成特征向量,位置表征向量是向模型中引入单词位置关系的至关重要的一环。
图7示意性示出了根据本公开的一些实施例的模型输入数据的结构示意图。
参考图7所示,假设上下行拼接文本701为“[CLS]My dog is cute[SEP]he likesplay#ing[SEP]”,其中“[CLS]”表示该特征用于分类模型,一般放置在语句的首位,“[SEP]”表示分句(段)符号,用于断开输入语料中的两个句子,在将上下行拼接文本701输入到第一分类模型、第二分类模型或者预训练语言模型BERT之前,需要将上下行拼接文本701转换为模型输入数据,即由词嵌入向量702、段表征向量703和位置表征向量704相加构成的模型输入数据。
对于上下行拼接文本701而言,对应的词嵌入向量702为“E[CLS] EMy Edog Eis EcuteE[SEP]Ehe Elikes Eplay E#ing E[SEP]”;对应的段表征向量703为“EA EA EA EA EA EA EB EB EB EBEB”;对应的位置表征向量704为“E0 E1 E2 E3 E4 E5 E6 E7 E8 E9 E10”。当然,以上仅是示意性举例说明,并不对本示例实施例造成任何特殊限定。
图8示意性示出了根据本公开的一些实施例的训练模型的结构示意图。
参考图8所示,步骤S810,通过OCR对票据清单类图像进行识别,得到样本识别文本;
步骤S820,上下行拼接处理:对OCR识别得到的样本识别文本进行相邻两行文本拼接,并对拼接好的第一样本识别文本进行二分类标记,得到第一语句意图标签;
步骤S830,单行处理:对OCR识别得到的样本识别文本即第二样本识别文本进行二分类标记,判断每一行文本是否为完整语句意图,得到第二语句意图标签;
步骤S840,基于第一样本识别文本和第一语句意图标签对预训练语言模型BERT进行模型训练,得到第一分类模型(Combined-sentence-bert);
步骤S850,基于第二样本识别文本和第二语句意图标签对预训练语言模型BERT进行模型训练,得到第二分类模型(Single-sentence-bert)。
预训练语言模型BERT的核心思想为Masked Language Model,即BERT在训练的时候需要遮盖住输入语料中的15%的词语,用[MASK]进行代替,进而通过预测这部分的词语(与true word相比较)学习语句中的语义、句法和语义信息。(这是一个不断迭代的过程,参考词向量模型word2vec的训练过程)使用[MASK]词语序列随机遮盖15%的单词输入,之后运行基于编码器的BERT标注,然后基于所提供的上下文中的其他non-masked词序列预测被遮盖的单词的含义。然而,这种原始的mask方法有一个问题,即模型只在[MASK]词语序列出现在输入中时才尝试预测,而实质上需要模型不管输入中出现任何词语序列都能够尝试预测正确的词语序列。
预训练语言模型BERT的一个预训练中的任务为Next Sentence Prediction,即该任务是指将两个句子作为输入,做一个判断任务,即第二句话是不是第一句话的下一个任务,该任务可以得到句子的向量(句向量)。
图9示意性示出了根据本公开的一些实施例的实现待拼接文本拼接的流程示意图。
参考图9所示,对票据清单类图像901进行OCR识别后,得到待拼接文本902,例如待拼接文本902可以为“血清肌钙蛋白Ⅰ测定(金标法)/血清肌酸激酶一MB同工酶活性测/定(金标法)/血细胞分析(五分类仪器检测法)/超敏C反应蛋白测定(速率散射比/浊法)”。
在训练模型时,可以对待拼接文本902进行单行处理,得到第二样本识别文本以及第二语句意图标签903,可以对待拼接文本902进行上下行拼接处理,得到第一样本识别文本以及第一语句意图标签904,并根据第一样本识别文本以及第一语句意图标签904训练预训练语言模型BERT得到第一分类模型,根据第二样本识别文本以及第二语句意图标签903训练预训练语言模型BERT得到第二分类模型。
进而,在应用模型时,可以根据训练好的第一分类模型和第二分类模型构建融合框架905,并将待拼接文本902进行上下行拼接处理后输入到融合框架905中,对待拼接文本902中的各行文本数据进行分类得到各行文本数据的语句意图完整性,进而可以根据语句意图完整性对待拼接文本902中的各行文本数据进行拼接,得到目标文本906。当然,此处仅是示意性举例说明,并不应对本示例实施例造成任何特殊限定。
在本公开的一种示例性实施例中,对于拼接好的目标文本,由于其中的文本内容已经拼接完整,因此可以对目标文本进行结构化处理,即将目标文本中拼接完整的项目名称等实体内容进行提取,得到待拼接文本对应的结构化文本数据,能够有效保证结构化处理得到的结构化文本数据的准确性,提升待拼接文本的结构化效率,降低人力成本。
本公开的一个示例实施例中,文本拼接方法和文本拼接装置可以用在智能理赔质检系统的应用场景中,作为OCR识别装置中的一环,使OCR识别后的无序数据经过文本拼接方法和文本拼接装置的处理后,能够完整结构化的输出。
首先,需要训练两种模型:
步骤1:收集通过OCR识别的票据清单文本资料,文本资料包括但不限定于领域内的网络公开文本资源以及内部文档资料等;
步骤2:对OCR识别后的文本资料进行文本预处理,包括识别出乱码的剔除、格式整理等等;
步骤3:经过步骤2处理后的文本已经相对规整,此时根据本专利设计的单句处理和上下句拼接处理的方式,由专业的知识管理人员进行审核标记,对处理后的每一行文本进行打标签,即给出一个唯一标识(完整句:1;非完整句:0),用于后续对文本拼接的判定;
步骤4:经过步骤3专业标注人员的处理后,一份数据经过上述两种文本切分方式(单句处理和上下句拼接处理),得到了两份处理后的数据文本;
步骤5:经过步骤4处理标注后的两份数据文本,结合自然语言处理中常用的预训练语言模型BERT,分别进分类训练,得到两个分类模型,即第一分类模型Combined-sentence-bert和第二分类模型Single-sentence-bert;
进而,构建由第一分类模型和第二分类模组成的融合框架,用于实现对OCR识别后的文本资料的拼接:
步骤6:将OCR识别后待结构化的票据清单文本分别进行单句处理和上下句拼接处理,得到待处理样本1和样本2(两份样本来源于同一文本数据,只是组合形式不一样)。将样本2导入第一分类模型中进行第一次判断,由于非完整句类的准确率高,因此当识别为此类时,下定结论为非完整句,那么此条文本就不需要进行拼接。若识别为完整句类,进行后续操作;
步骤7:上述步骤6中识别为完整句类后,将该条文本导入第二分类模型来进行二次分类判断,由于完整句类的准确率较高,该若判断为完整句则直接进行标记,说明拼接后的文本属于完整的名称,因此该拼接文本应该拼接。若识别为非完整句,进行后续操作;
步骤8:上述步骤7中识别为非完整句类后,将上下文拼接句拆分为原本的句子1和句子2,分别导入第二分类模型进行第三次分类判断,若句子1和句子2均判断为完整句,则上下文拼接句判断为非完整句,那么此条文本就不需要进行拼接。若句子1和句子2中有一个不是完整句,则上下文拼接句判断为完整句,那么该拼接文本应该拼接。至此,判断逻辑完成闭环。
具体的,对于步骤1中所提到的票据清单文本,其中项目名称(或有其他表述方式)中若存在着因名称过长而出现的换行现象,这样利用本发明就能解决因换行而导致的将完整内容分割的问题,并将其合并结构化。
具体的,步骤3中的单句处理和上下句拼接处理的方式(包含标注方式)有具体规则,单句处理能够对每一行文本进行判断是否是完整的,上下句拼接处理能够帮助判断上下两句合并后是否为完整一句话,最终是否需要合并。结合两种处理方式的特点,就能很好的解决文本换行后名称不完整的问题,
本公开实施例引入了两种文本数据的处理方式并结合人工智能算法构建了两种模型,设计了一套两模型融合框架(即Single-sentence-bert模型和Combined-sentence-bert模型组合完成完整性识别的一种框架),分别利用两种模型的优势,用于票据清单类文本的结构化处理任务,极大程度的解决了OCR识别后文本因换行导致的信息丢失,也能泛化利用到切分后文本的完整性还原。
本公开中所提到的文本拼接方法,可以极大的完善票据清单类图像的识别完整性,实现了对文本的结构化处理,并在提高了信息化录入准确性和效率;同时,还实现了对票据清单类图像中全量信息的自动提取并确保了识别的文本内容的完整性,有效提升智能理赔质检结论的准确率。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种文本拼接装置。参照图10所示,该文本拼接装置1000包括:文本获取模块1010、上下行拼接模块1020、文本分类模块1030以及文本拼接模块1040。其中:
文本获取模块1010用于获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
上下行拼接模块1020用于将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
文本分类模块1030用于通过预设的第一分类模型和第二分类模型对所述待拼接文本进行多层次分类,以确定所述待拼接文本中各行文本数据的语句意图完整性;
文本拼接模块1040用于根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一种示例性实施例中,基于前述方案,所述第一分类模型用于确定上下行拼接文本的语句意图完整性,所述第二分类模型用于确定单行文本的语句意图完整性;所述文本分类模块1030包括:
上下行拼接单元,用于对所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
第一次分类单元,用于将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;
第二次分类单元,用于将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;
第三次分类单元,用于将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性。
在本公开的一种示例性实施例中,基于前述方案,所述第三次分类单元可以用于:
若拆分得到的单行文本均为完整语句意图,则确定所述上下行拼接文本为非完整语句意图;
若拆分得到的单行文本至少一个为非完整语句意图,则确定所述上下行拼接文本为完整语句意图。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接模块1040可以用于:
将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接;
将确定为完整语句意图的上下行拼接文本标记为可拼接;
根据确定的标记将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置1000还包括分类模型训练模块,所述分类模型训练模块可以用于:
获取基于光学字符识别技术识别得到的样本识别文本,并将所述样本识别文本进行上下行拼接处理得到第一样本识别文本,将所述样本识别文本进行单行处理得到第二样本识别文本;
获取第一样本识别文本对应的第一语句意图标签,以及获取第二样本识别文本对应的第二语句意图标签;
基于所述第一样本识别文本和所述第一语句意图标签对预训练语言模型进行训练,得到第一分类模型;
基于所述第二样本识别文本和所述第二语句意图标签对预训练语言模型进行训练,得到第二分类模型。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置1000还包括数据输入模块,所述数据输入模块可以用于:
计算所述上下行拼接文本对应的词嵌入向量、段表征向量和位置表征向量;
将所述词嵌入向量、段表征向量和位置表征向量作为模型输入数据输入到第一分类模型中进行第一次分类。
在本公开的一种示例性实施例中,基于前述方案,所述文本拼接装置1000还包括文本结构化处理模块,所述文本结构化处理模块可以用于:
对所述目标文本进行结构化处理,得到所述待拼接文本对应的结构化文本数据。
上述中文本拼接装置各模块的具体细节已经在对应的文本拼接方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了文本拼接装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述文本拼接方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图11来描述根据本公开的这种实施例的电子设备1100。图11所示的电子设备1100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11所示,电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于:上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1110执行,使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,所述处理单元1110可以执行如图2中所示的步骤S210,获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;步骤S220,将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;步骤S230,通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类,以确定各所述上下行拼接文本的语句意图完整性;步骤S240,根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
存储单元1120可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1121和/或高速缓存存储单元1122,还可以进一步包括只读存储单元(ROM)1123。
存储单元1120还可以包括具有一组(至少一个)程序模块1125的程序/实用工具1124,这样的程序模块1125包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1130可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1170(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1100交互的设备通信,和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且,电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参考图12所示,描述了根据本公开的实施例的用于实现上述文本拼接方法的程序产品1200,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种文本拼接方法,其特征在于,包括:
获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;
将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;
将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性,其中,所述第一分类模型用于确定所述上下行拼接文本的语句意图完整性,所述第二分类模型用于确定所述单行文本的语句意图完整性;
根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
2.根据权利要求1所述的文本拼接方法,其特征在于,所述将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性,包括:
若拆分得到的单行文本均为完整语句意图,则确定所述上下行拼接文本为非完整语句意图;
若拆分得到的单行文本至少一个为非完整语句意图,则确定所述上下行拼接文本为完整语句意图。
3.根据权利要求1至2任意一项所述的文本拼接方法,其特征在于,所述根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本,包括:
将确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本标记为不可拼接;
将确定为完整语句意图的上下行拼接文本标记为可拼接;
根据确定的标记将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
4.根据权利要求1所述的文本拼接方法,其特征在于,所述方法还包括:
获取基于光学字符识别技术识别得到的样本识别文本,并将所述样本识别文本进行上下行拼接处理得到第一样本识别文本,将所述样本识别文本进行单行处理得到第二样本识别文本;
获取第一样本识别文本对应的第一语句意图标签,以及获取第二样本识别文本对应的第二语句意图标签;
基于所述第一样本识别文本和所述第一语句意图标签对预训练语言模型进行训练,得到第一分类模型;
基于所述第二样本识别文本和所述第二语句意图标签对预训练语言模型进行训练,得到第二分类模型。
5.根据权利要求1所述的文本拼接方法,其特征在于,所述将所述上下行拼接文本输入到第一分类模型中进行第一次分类,包括:
计算所述上下行拼接文本对应的词嵌入向量、段表征向量和位置表征向量;
将所述词嵌入向量、段表征向量和位置表征向量作为模型输入数据输入到第一分类模型中进行第一次分类。
6.根据权利要求1所述的文本拼接方法,其特征在于,所述方法还包括:
对所述目标文本进行结构化处理,得到所述待拼接文本对应的结构化文本数据。
7.一种文本拼接装置,其特征在于,包括:
文本获取模块,用于获取待拼接文本,所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据;
上下行拼接模块,用于将所述待拼接文本中的相邻两行文本数据进行拼接,得到上下行拼接文本;
文本分类模块,用于将所述上下行拼接文本输入到第一分类模型中进行第一次分类,确定所述上下行拼接文本的语句意图完整性;将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类,重新确定所述上下行拼接文本的语句意图完整性;将重新确定为非完整语句意图的上下行拼接文本进行拆分,并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类,确定所述上下行拼接文本的语句意图完整性,其中,所述第一分类模型用于确定所述上下行拼接文本的语句意图完整性,所述第二分类模型用于确定所述单行文本的语句意图完整性;
文本拼接模块,用于根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理,得到目标文本。
8.一种电子设备,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至6中任一项所述的文本拼接方法。
9.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的文本拼接方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094072.3A CN113761209B (zh) | 2021-09-17 | 2021-09-17 | 文本拼接方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094072.3A CN113761209B (zh) | 2021-09-17 | 2021-09-17 | 文本拼接方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761209A CN113761209A (zh) | 2021-12-07 |
CN113761209B true CN113761209B (zh) | 2023-10-10 |
Family
ID=78796298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111094072.3A Active CN113761209B (zh) | 2021-09-17 | 2021-09-17 | 文本拼接方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761209B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648984B (zh) * | 2022-05-23 | 2022-08-19 | 深圳华策辉弘科技有限公司 | 音频断句方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019779A (zh) * | 2017-09-13 | 2019-07-16 | 中移(杭州)信息技术有限公司 | 一种文本分类方法、模型训练方法及装置 |
CN110489550A (zh) * | 2019-07-16 | 2019-11-22 | 招联消费金融有限公司 | 基于组合神经网络的文本分类方法、装置和计算机设备 |
CN112287916A (zh) * | 2020-12-28 | 2021-01-29 | 平安国际智慧城市科技股份有限公司 | 视频图文课件文本提取方法、装置、设备及介质 |
CN112989822A (zh) * | 2021-04-16 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 识别对话中句子类别的方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8031940B2 (en) * | 2006-06-29 | 2011-10-04 | Google Inc. | Recognizing text in images using ranging data |
-
2021
- 2021-09-17 CN CN202111094072.3A patent/CN113761209B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019779A (zh) * | 2017-09-13 | 2019-07-16 | 中移(杭州)信息技术有限公司 | 一种文本分类方法、模型训练方法及装置 |
CN110489550A (zh) * | 2019-07-16 | 2019-11-22 | 招联消费金融有限公司 | 基于组合神经网络的文本分类方法、装置和计算机设备 |
CN112287916A (zh) * | 2020-12-28 | 2021-01-29 | 平安国际智慧城市科技股份有限公司 | 视频图文课件文本提取方法、装置、设备及介质 |
CN112989822A (zh) * | 2021-04-16 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 识别对话中句子类别的方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113761209A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685565B (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
KR102401942B1 (ko) | 번역품질 평가 방법 및 장치 | |
CN108985358B (zh) | 情绪识别方法、装置、设备及存储介质 | |
CN110705206B (zh) | 一种文本信息的处理方法及相关装置 | |
CN113688245B (zh) | 基于人工智能的预训练语言模型的处理方法、装置及设备 | |
US11036996B2 (en) | Method and apparatus for determining (raw) video materials for news | |
CN113158656B (zh) | 讽刺内容识别方法、装置、电子设备以及存储介质 | |
CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
CN112613306A (zh) | 抽取实体关系的方法、装置、电子设备、及存储介质 | |
CN116049397A (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN113821616A (zh) | 领域自适应的槽位填充方法、装置、设备及存储介质 | |
CN113761209B (zh) | 文本拼接方法及装置、电子设备、存储介质 | |
CN116912847A (zh) | 一种医学文本识别方法、装置、计算机设备及存储介质 | |
CN114444508A (zh) | 日期识别方法、装置、可读介质及电子设备 | |
CN113918710A (zh) | 文本数据处理方法、装置、电子设备和可读存储介质 | |
CN115130437B (zh) | 一种文档智能填写方法、装置及存储介质 | |
CN111881900A (zh) | 语料生成、翻译模型训练、翻译方法、装置、设备及介质 | |
CN115546815A (zh) | 一种表格识别方法、装置、设备及存储介质 | |
CN112528674B (zh) | 文本处理方法、模型的训练方法、装置、设备及存储介质 | |
CN115204142A (zh) | 开放关系抽取方法、设备及存储介质 | |
CN114020907A (zh) | 信息抽取方法、装置、存储介质与电子设备 | |
CN113434695A (zh) | 金融事件抽取方法、装置、电子设备及存储介质 | |
CN112364131A (zh) | 一种语料处理方法及其相关装置 | |
CN113537372B (zh) | 一种地址识别方法、装置、设备及存储介质 | |
CN113705206B (zh) | 情感预测模型的训练方法、装置、设备及存储介质 |
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 |