CN113836268A - 文档理解方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种文档理解方法及装置、电子设备和存储介质，涉及人工智能领域，尤其涉及计算机视觉、自然语言处理、深度学习领域。实现方案为：获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

Description

文档理解方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及计算机视觉、自然语言处理、深度学习领域，具体涉及一种文档理解方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

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。

文档智能理解是针对图文表并存的数字化文档进行理解并分析，同时将其中非结构化的信息进行抽取和结构化的技术，在各个领域中均有广泛的应用。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种文档理解方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种文档理解方法，包括：获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

根据本公开的另一方面，提供了一种文档检索方法，包括：获取目标搜索的特征向量；以及基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果，其中，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用上述文档理解方法来获得。

根据本公开的另一方面，提供了一种文档智能理解模型的训练方法，包括：获取样本文档的样本文本信息和样本布局信息，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域；对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息，并且所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关；将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；以及基于所述损失值调整所述文档智能理解模型的参数。

根据本公开的另一方面，提供了一种文档理解装置，包括：第一获取单元，被配置用于获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；融合单元，被配置用于对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；以及第二获取单元，被配置用于将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

根据本公开的另一方面，提供了一种文档检索装置，包括：第一获取单元，被配置用于获取目标搜索的特征向量；以及第二获取单元，被配置用于基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果，其中，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用上述文档理解方法来获得。

根据本公开的另一方面，提供了一种文档智能理解模型的训练装置，包括：第一获取单元，被配置用于获取样本文档的样本文本信息和样本布局信息，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域；融合单元，被配置用于对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息，并且所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关；第二获取单元，被配置用于将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；计算单元，被配置用于基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；以及调整单元，被配置用于基于所述损失值调整所述文档智能理解模型的参数。

根据本公开的另一方面，提供了一种电子设备，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上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

根据本公开的另一方面，提供了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所述计算机执行上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

根据本公开的一个或多个实施例，基于文档的多模态信息利用文档智能理解模型来获得与文档的语义相关的目标词，以进行文档理解和分析，从而能够有效提升文档理解的准确率和效率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开示例性实施例的文档理解方法的流程图；

图2示出了根据本公开示例性实施例的文档检索方法的流程图；

图3示出了根据本公开示例性实施例的文档智能理解模型的训练方法的流程图；

图4示出了根据本公开示例性实施例的文档理解装置的结构框图；

图5示出了根据本公开示例性实施例的文档检索装置的结构框图；

图6示出了根据本公开示例性实施例的文档智能理解模型的训练装置的结构框图；

图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示例性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，文档理解和文档检索是通过基于光学字符识别的文本匹配抽取来实现，发明人发现这种方式忽略了文档中文本的布局信息，实现文档理解和文档检索的效果较差。

为解决上述问题，本公开提供了一种文档理解方法，将文档的文本信息和布局信息融合，得到文档多模态信息，并基于该文档多模态信息进行文档理解，得到文档语义相关的特征向量。该方法能够充分利用文档的文本信息和布局信息，提升文档理解的准确率。

以下将结合附图详细描述本公开的实施例。

图1示出了根据本公开示例性实施例的文档理解方法的流程图。如图1所示，所述文档理解方法可以包括：步骤S101、获取目标文档的目标文本信息和目标布局信息；步骤S102、对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；步骤S103、将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量。其中，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域，并且，每一个目标词与所述目标文档的语义相关。

由此，能够基于文档的多模态信息利用文档智能理解模型来获得与文档的语义相关的目标词，以进行文档理解和分析，从而能够有效提升文档理解的准确率和效率，实现端到端的文档智能。

根据一些实施例，所述目标文档可以是图像文档。在这种情况下，步骤S101可以包括：利用光学字符识别模型获取所述目标文档的目标文本信息和目标布局信息。由此，能够快速且准确地获取图像文档的文本信息和布局信息，所需要的机器资源少。可以理解的，本公开实施例中的文档理解方法也适用于文本文档。

示例性的，所述光学字符识别模型可以是paddlepaddleOCR模型，但不局限于此，例如，还可以是EasyOCR等能够实现光学字符识别的模型。

示例性的，在利用光学字符识别模型来获取所述目标文档的目标文本信息和目标布局信息的情况下，文本信息可以是文字序列，文字位置信息可以但不局限于包括每一个字的坐标信息，布局信息可以是包围所述文本序列的外接文本框的坐标信息。其中，所述文字序列可以是根据目标文档中文字周围的空白区域信息和文字间的间隔信息划分的，例如，所述文字序列可以是目标文档中的一个自然段。

可以理解的，所述第一多模态信息不局限于上述形式，只要所述第一多模态信息中至少包含目标文档的文本信息和布局信息即可，对此不作限定。

示例性的，对于目标文档中的每一个目标词，可以是由一个字组成的词，也可以是由多个字组成的词，对此不作限定。

根据一些实施例，文档理解方法还包括：在将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量之后，基于所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，获取针对所述目标文档的理解信息。在这种情况下，可以基于所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，展开多种下游任务，实现端到端的文档智能。

示例性的，所述至少一个目标词的位置信息可以是基于目标文本的文字位置信息来获得的。在这种情况下，每一目标词的位置信息可以基于该目标词所包括的文字的位置信息来获得，例如，可以是基于该目标词所包括的文字的位置信息所确定的包围该目标词的外接文本框的位置信息，具体可以包括外接文本框的长、宽和中心的坐标信息，或者可以包括外接文本框的所有顶点的坐标信息。可以理解的，上述只是目标词的位置信息的一种示例表现形式，并不限定目标词的位置信息只能为表现形式，例如，也可以直接有目标词所包括的文字的位置信息来表示目标词的位置信息。

示例性的，所述文档智能理解模型的输出也可包括所述至少一个目标词的位置信息。

在一个实施例中，所述理解信息包括段落信息，所述段落信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来拼接而成的。在这种情况下，所述段落信息即为所述目标文档的关键内容摘要，基于所述段落信息，能够方便地获取文档的语义内容，可以支持多种场景的应用。

上述实施例中，所述获取针对所述目标的理解信息可以包括：将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入内容理解模型，并获取所述内容理解模型所输出的段落信息。所述内容理解模型能够基于所输入的所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，学习其中包含的语义特征与相关关系，输出所述目标文档的关键内容摘要。

上述实施例中，所述内容理解模型例如可以是通过以下训练方法得到的：获取训练样本集，所述训练样本集中包含至少一个训练样本，每个训练样本中包含至少一个样本词相应的特征向量以及所述至少一个样本词的位置信息；获取所述每个训练样本对应的样本段落信息；将所述至少一个样本词相应的特征向量以及所述至少一个样本词的位置信息输入内容理解模型，并获取所述内容理解模型所输出的预测段落信息；基于所述样本段落信息和所述预测段落信息计算损失值；基于所述损失值调整所述内容理解模型的参数，直到所述损失值小于预设的损失值阈值。

可以理解的，经上述训练步骤得到内容理解模型的方法仅仅是对所述内容理解模型的示例，而非对本公开所述的文档理解方法的限制。

在另一个实施例中，所述理解信息包括键-值信息，所述键-值信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来确定的。在这种情况下，所述键-值信息即为所述目标文档包含的关键实体信息，基于所述键-值信息，能够抽取文档中的关键实体信息，支持业务相关应用。

上述实施例中，所述获取针对所述目标的理解信息可以包括：将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入标注约束模型，并获取所述标注约束模型所输出的所述目标文档中所包括的键-值信息。所述标注约束模型能够基于所输入的所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，提取其中包含的关键实体信息及其对应关系，并将其标注为业务场景需要的键-值信息予以输出。

上述实施例中，所述标注约束模型例如可以是通过以下训练方法得到的：获取训练样本集，所述训练样本集中包含至少一个训练样本，每个训练样本中包含至少一个样本词相应的特征向量以及所述至少一个样本词的位置信息；获取所述每个训练样本对应的样本键-值信息；将所述至少一个样本词相应的特征向量以及所述至少一个样本词的位置信息输入标注约束模型，并获取所述标注约束模型所输出的预测键-值信息；基于所述样本键-值信息和所述预测键-值信息计算损失值；基于所述损失值调整所述内容理解模型的参数，直到所述损失值小于预设的损失值阈值。

可以理解的，经上述训练步骤得到标注约束模型的方法仅仅是对所述标注约束模型的示例，而非对本公开所述的文档理解方法的限制。

以下将结合示例，进一步描述上述实施例。

例如，所述目标文档的文本内容为：“张三是一名医生，李是一名教师”，根据上述文档理解方法，可以得出所述目标文档的目标词：“张三”、“医生”、“李”、“教师”及其各自相应的特征向量，所述特征向量中包含其各自相应的语义特征信息和相对位置特征信息。在这种情况下，需要的键-值信息分别为人名信息及对应的职业信息，将“张三”、“医生”、“李”、“教师”相应的特征向量输入内容理解模型，基于其各自相应的特征向量及位置信息，可以将“张三”、“李”标注为人名信息，将“医生”、“教师”标注为对应的职业信息，输出需要的键-值信息“张三-医生”以及“李-教师”。

图2示出了根据本公开示例性实施例的文档检索方法的流程图。

根据本公开的另一方面，提供了一种文档检索方法。如图2所示，所述文档检索方法可以包括：S201、获取目标搜索的特征向量；S202、基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果。其中，所述目标搜索的特征向量为利用上述文档理解方法来获得，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用上述文档理解方法来获得。由此，能够有效利用文档理解得到的语义相关的特征向量，实现快速、准确的检索。

步骤S201中也可以利用上述文档理解方法来获取目标搜索的特征向量。

根据一些实施例，所述检索结果包括所述数据库中的与所述目标搜索匹配的至少一个匹配文档以及每一匹配文档中的与所述至少一个目标搜索相关的至少一个匹配词。由此，可以基于目标搜索，准确地向用户展示相应的匹配文档以及文档中与目标搜索匹配的内容，提升用户体验。

在一个实施例中，所述数据库中每一文档所包括的至少一个词相应的特征向量是利用上述文档理解方法获得，并且是由所述至少一个词的语义特征向量和所述至少一个词在该文档中的相对位置特征向量拼接而成的。在这种情况下，所述目标搜索的特征向量可以是利用上述文档理解方法获得，并且是由所述目标搜索的语义特征向量和空白的相对位置特征向量拼接而成的。可以理解的，上述经拼接得到特征向量的方法仅仅是对所述特征向量的表现形式的示例，而非对本公开所述的文档理解方法的限制，例如，所述目标搜索的特征向量也可以是由所述目标搜索的语义特征向量和缺省值的相对位置特征向量拼接而成的。

在一个实施例中，基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果可以包括：计算所述目标搜索的特征向量与数据库中每一文档所包括的至少一个词相应的特征向量的相似度；将所述目标搜索的特征向量与数据库中每一文档所包括的至少一个词相应的特征向量的相似度计算结果进行排序；将相似度计算结果最高的至少一个词作为匹配词，并且响应于匹配词的数量大于预设数值，将相应的文档作为匹配文档，输出检索结果。可以理解的，上述检索方法仅仅是对所述文档检索方法的示例，而非对本公开所述的文档检索方法的限制，例如，也可以将相似度计算结果大于预设阈值的至少一个词作为匹配词。

图3示出了根据本公开示例性实施例的文档智能理解模型的训练方法的流程图。

根据本公开的另一方面，提供了一种文档智能理解模型的训练方法。如图3所示，所述文档智能理解模型的训练方法可以包括：S301、获取样本文档的样本文本信息和样本布局信息；S302、对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息；S303、将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；S304、基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；S305、基于所述损失值调整所述文档智能理解模型的参数。其中，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域，所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关。

可以理解的，由于上述训练方法中有针对性地对与所述样本文档的语义相关的真实词进行了掩码标记，因此，上述方法能够强化模型对文档中表示关键语义的词的提取能力，得到对文档的文本语义特征与布局特征的学习能力更强的文档智能理解模型，使用经过该方法训练得到的文档智能理解模型，能够提升文档理解的准确率。

根据一些实施例，所述文档智能理解模型为预训练模型，利用所述样本文档对所述预训练模型进行微调。所述预训练模型例如可以是ernie模型，可以理解的，其也可以是其他类型的预训练模型，例如，还可以是BERT模型。

根据一些实施例，所述目标文档可以是图像文档。在这种情况下，步骤S301可以包括：利用光学字符识别模型获取所述目标文档的目标文本信息和目标布局信息。由此，能够快速且准确地获取图像文档的文本信息和布局信息，所需要的机器资源少，提升模型性能。

示例性的，所述光学字符识别模型可以是paddlepaddleOCR模型，但不局限于此，例如，还可以是EasyOCR等能够实现光学字符识别的模型。

示例性的，在利用光学字符识别模型来获取样本文档的样本文本信息和样本布局信息的情况下，文本信息可以是文字序列，文字位置信息可以但不局限于包括每一个字的坐标信息，布局信息可以是包围外接文本框的坐标信息。其中，所述文字序列可以是根据文档中文字周围的空白区域信息和文字间的间隔信息划分的，例如，所述文字序列可以是文档中的一个自然段。

可以理解的，所述第二多模态信息不局限于上述形式，只要所述第二多模态信息中至少包含样本文档的文本信息和布局信息即可，对此不作限定。

在上述示例中，所述包括被掩码标记的至少一个真实词以及每一真实词的位置信息的第二多模态信息例如可以是通过以下方法获得的：获取所述样本文档的样本文本信息中至少一个与语义相关的真实词以及每一真实词的位置信息；对所述样本文档的样本文本信息中至少一个与语义相关的真实词进行掩码标记，获得包括被掩码标记的至少一个真实词以及每一真实词的位置信息的第二多模态信息。可以理解的，所述第二多模态信息的获得不局限于上述方法，对此不作限定。

以下将结合示例，进一步描述上述实施例。

例如，所述样本文档的文本内容为：“张三是一名医生，李四和张三的职业一样，也是一名医生。”可以看出，“医生”是文档中表示关键语义的词之一，根据上述第二多模态信息的获得方法，对其进行掩码标记后，可以得到所述第二多模态信息对应的文本内容为：“张三是一名医生，李四和张三的职业一样，也是一名[掩码]。”基于上述第二多模态信息对模型进行训练，要求模型深度学习文档的文本语义特征与布局特征，得出预测词。由此，能够强化模型对文档中表示关键语义的词的提取能力，得到性能优化的文档智能理解模型。可以理解的，[掩码]只是为了便于理解，其不参与训练过程。

图4示出了根据本公开示例性实施例的文档理解装置的结构框图。

根据本公开的另一方面，提供了一种文档理解装置400，包括：第一获取单元401，被配置用于获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；融合单元402，被配置用于对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；以及第二获取单元403，被配置用于将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

文档理解装置400的单元401-单元403的操作与前面描述的步骤S101-步骤S103的操作类似，在此不做赘述。

根据一些实施例，文档理解装置400还可以包括第三获取单元，被配置用于基于所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，获取针对所述目标文档的理解信息。第三获取单元的操作与前面描述的方法类似，在此不做赘述。

根据一些实施例，所述理解信息包括段落信息，所述段落信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来拼接而成的，并且所述第三获取单元包括：第一子获取单元，被配置用于将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入内容理解模型，并获取所述内容理解模型所输出的段落信息。

根据一些实施例，所述理解信息包括键-值信息，所述键-值信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来确定的，并且所述第三获取单元包括：第二子获取单元，被配置用于将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入标注约束模型，并获取所述标注约束模型所输出的所述目标文档中所包括的键-值信息。

根据一些实施例，所述目标文档为图像文档。

根据一些实施例，所述第一获取单元可以被配置用于利用光学字符识别模型获取所述目标文档的目标文本信息和目标布局信息。

图5示出了根据本公开示例性实施例的文档检索装置的结构框图。

根据本公开的另一方面，提供了一种文档检索装置500，包括：第一获取单元501，被配置用于获取目标搜索的特征向量；以及第二获取单元502，被配置用于基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果，其中，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用上述文档理解方法来获得。

文档检索装置500的单元501-单元502的操作与前面描述的步骤S201-步骤S202的操作类似，在此不做赘述。

根据一些实施例，所述检索结果包括所述数据库中的与所述目标搜索匹配的至少一个匹配文档以及每一匹配文档中的与所述至少一个目标搜索相关的至少一个匹配词。

图6示出了根据本公开示例性实施例的文档智能理解模型的训练装置的结构框图。

根据本公开的另一方面，提供了一种文档智能理解模型的训练装置600，包括：第一获取单元601，被配置用于获取样本文档的样本文本信息和样本布局信息，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域；融合单元602，被配置用于对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息，并且所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关；第二获取单元603，被配置用于将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；计算单元604，被配置用于基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；以及调整单元605，被配置用于基于所述损失值调整所述文档智能理解模型的参数。

文档智能理解模型的训练装置600的单元601-单元605的操作与前面描述的步骤S301-步骤S305的操作类似，在此不做赘述。

根据一些实施例，所述文档智能理解模型为预训练模型，利用所述样本文档对所述预训练模型进行微调。

根据一些实施例，所述样本文档为图像文档。

根据一些实施例，所述第一获取单元可以被配置用于利用光学字符识别模型获取样本文档的样本文本信息和样本布局信息。

根据本公开的另一方面，还提供一种电子设备，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上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

根据本公开的另一方面，还提供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所述计算机执行上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以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和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。例如，在一些实施例中，上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述文档理解方法、上述文档检索方法、上述文档智能理解模型的训练方法中的至少一项。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，CRT(阴极射线管)或者LCD(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(LAN)、广域网(WAN)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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (27)

1.一种文档理解方法，包括：

获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；

对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；

将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

2.根据权利要求1所述的方法，还包括：

基于所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，获取针对所述目标文档的理解信息。

3.根据权利要求2所述的方法，其中，所述理解信息包括段落信息，所述段落信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来拼接而成的，并且获取针对所述目标文档的理解信息包括：

将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入内容理解模型，并获取所述内容理解模型所输出的段落信息。

4.根据权利要求2所述的方法，其中，所述理解信息包括键-值信息，所述键-值信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来确定的，并且获取针对所述目标文档的理解信息包括：

将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入标注约束模型，并获取所述标注约束模型所输出的所述目标文档中所包括的键-值信息。

5.根据权利要求1所述的方法，其中，所述目标文档为图像文档。

6.根据权利要求5所述的方法，其中，利用光学字符识别模型获取所述目标文档的目标文本信息和目标布局信息。

7.一种文档检索方法，包括：

获取目标搜索的特征向量；以及

基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果，

其中，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用权利要求1-6中任一项所述的方法来获得。

8.根据权利要求7所述的方法，其中，所述检索结果包括所述数据库中的与所述目标搜索匹配的至少一个匹配文档以及每一匹配文档中的与所述至少一个目标搜索相关的至少一个匹配词。

9.一种文档智能理解模型的训练方法，包括：

获取样本文档的样本文本信息和样本布局信息，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域；

对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息，并且所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关；

将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；

基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；以及

基于所述损失值调整所述文档智能理解模型的参数。

10.根据权利要求9所述的方法，其中，所述文档智能理解模型为预训练模型，利用所述样本文档对所述预训练模型进行微调。

11.根据权利要求9或10中所述的方法，其中，所述样本文档为图像文档。

12.根据权利要求11中所述的方法，其中，利用光学字符识别模型获取样本文档的样本文本信息和样本布局信息。

13.一种文档理解装置，包括：

第一获取单元，被配置用于获取目标文档的目标文本信息和目标布局信息，所述目标文本信息包括所述目标文档所包括的目标文本以及所述目标文本的文字位置信息，所述目标布局信息用于表示所述目标文档中的文本所在的区域；

融合单元，被配置用于对所述目标文本信息和目标布局信息进行融合，得到所述目标文档的第一多模态信息；以及

第二获取单元，被配置用于将所述第一多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的所述目标文档中的至少一个目标词以及所述至少一个目标词相应的特征向量，每一个目标词与所述目标文档的语义相关。

14.根据权利要求13所述的装置，还包括：

第三获取单元，被配置用于基于所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息，获取针对所述目标文档的理解信息。

15.根据权利要求14所述的装置，其中，所述理解信息包括段落信息，所述段落信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来拼接而成的，并且所述第三获取单元包括：

第一子获取单元，被配置用于将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入内容理解模型，并获取所述内容理解模型所输出的段落信息。

16.根据权利要求14所述的装置，其中，所述理解信息包括键-值信息，所述键-值信息为基于所述至少一个目标词以及所述至少一个目标词的位置信息来确定的，并且所述第三获取单元包括：

第二子获取单元，被配置用于将所述至少一个目标词相应的特征向量以及所述至少一个目标词的位置信息输入标注约束模型，并获取所述标注约束模型所输出的所述目标文档中所包括的键-值信息。

17.根据权利要求13所述的装置，其中，所述目标文档为图像文档。

18.根据权利要求17所述的装置，其中，所述第一获取单元被配置用于利用光学字符识别模型获取所述目标文档的目标文本信息和目标布局信息。

19.一种文档检索装置，包括：

第一获取单元，被配置用于获取目标搜索的特征向量；以及

第二获取单元，被配置用于基于所述目标搜索的特征向量，从数据库中获取所述目标搜索的检索结果，

其中，所述数据库包括多个文档以及每一文档所包括的至少一个词相应的特征向量，并且每一文档所包括的至少一个词以及所述至少一个词相应的特征向量为利用权利要求1-6中任一项所述的方法来获得。

20.根据权利要求19所述的装置，其中，所述检索结果包括所述数据库中的与所述目标搜索匹配的至少一个匹配文档以及每一匹配文档中的与所述至少一个目标搜索相关的至少一个匹配词。

21.一种文档智能理解模型的训练装置，包括：

第一获取单元，被配置用于获取样本文档的样本文本信息和样本布局信息，所述样本文本信息包括所述样本文档中的样本文本以及样本文本的文字位置信息，所述样本布局信息用于表示所述样本文档中的文本所在的区域；

融合单元，被配置用于对所述样本文本信息和样本布局信息进行融合，得到所述样本文档的第二多模态信息，并且所述第二多模态信息包括被掩码标记的至少一个真实词以及每一真实词的位置信息，所述至少一个真实词与所述样本文档的语义相关；

第二获取单元，被配置用于将所述第二多模态信息输入文档智能理解模型，并获取所述文档智能理解模型所输出的至少一个预测词以及每一预测词的位置信息；

计算单元，被配置用于基于所述至少一个真实词以及每一真实词的位置信息、所述至少一个预测词以及每一预测词的位置信息，计算损失值；以及

调整单元，被配置用于基于所述损失值调整所述文档智能理解模型的参数。

22.根据权利要求21所述的装置，其中，所述文档智能理解模型为预训练模型，利用所述样本文档对所述预训练模型进行微调。

23.根据权利要求21或22所述的装置，其中，所述样本文档为图像文档。

24.根据权利要求23所述的装置，其中，所述第一获取单元被配置用于利用光学字符识别模型获取样本文档的样本文本信息和样本布局信息。

25.一种电子设备，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1-12中任一项所述的方法。

26.一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所述计算机执行根据权利要求1-12中任一项所述的方法。

27.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-12中任一项所述的方法。

Images