CN113946648B

CN113946648B - 结构化信息生成方法、装置、电子设备和介质

Info

Publication number: CN113946648B
Application number: CN202111576276.0A
Authority: CN
Inventors: 魏送生; 张锐
Original assignee: Beijing Defeng New Journey Technology Co ltd
Current assignee: Beijing Defeng Xinzheng Technology Co.,Ltd.
Priority date: 2021-12-22
Filing date: 2021-12-22
Publication date: 2022-03-01
Anticipated expiration: 2041-12-22
Also published as: CN113946648A

Abstract

本公开的实施例公开了结构化信息生成方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取目标单据图像集合，其中，目标单据图像集合中的目标单据图像是针对目标物品的单据图像；通过预先训练的文本识别模型，对目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；对文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；根据结构化文本信息集合，生成文本信息链。该实施方式提高了结构化信息的生成效率和信息的安全性。

Description

结构化信息生成方法、装置、电子设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及结构化信息生成方法、装置、电子设备和介质。

背景技术

结构化信息是指具有明确数据结构的信息。由于结构化信息相较于非结构化信息，具有着便于存储以及便于数据管理的优点。因此，越来越多的用户开始将非结构化信息转换至结构化信息。目前，在进行结构化信息生成时，通常采用的方式为：通过人工录入的方式，提取非结构化信息中的数据，并将提取的数据转换至结构化信息。

然而，当采用上述方式时，经常会存在如下技术问题：

第一、采用人工录入的方式，当非结构化信息的数据量较大时，结构化信息的生成效率低下；

第二、转换得到的结构化信息易被篡改，从而，导致信息的安全性较差。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了结构化信息生成方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种结构化信息生成方法，该方法包括：获取目标单据图像集合，其中，上述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；通过预先训练的文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；根据上述结构化文本信息集合，生成文本信息链。

第二方面，本公开的一些实施例提供了一种结构化信息生成装置，装置包括：获取单元，被配置成获取目标单据图像集合，其中，上述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；文本识别单元，被配置成通过预先训练的文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；结构化处理单元，被配置成对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；生成单元，被配置成根据上述结构化文本信息集合，生成文本信息链。

第三方面，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上述第一方面任一实现方式所描述的方法。

第四方面，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上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的结构化信息生成方法，提高了结构化信息的生成效率以及信息的安全性。具体来说，造成结构化信息生成效率低下以及信息安全性较低的原因在于：第一、采用人工录入的方式，当非结构化信息的数据量较大时，结构化信息的生成效率低下。第二、转换得到的结构化信息易被篡改，从而，导致信息的安全性较差。基于此，本公开的一些实施例的结构化信息生成方法，首先，获取目标单据图像集合，其中，上述目标单据图像集合中的目标单据图像是针对目标物品的单据图像。实际情况中，图像作为非结构化信息中的一种，往往包含大量的文字信息。直接对图像进行存储往往会浪费大量的存储空间。此外，针对同一物品往往存在大量的单据图像。将所有单据图像进行存储，会造成存储空间的极大浪费。因此，对单据图像进行结构化信息的提取和生成，对于存储空间存储效率的提高十分有益。其次，通过预先训练的文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合。通过文本识别，以识别出每张目标单据图像包含的文本信息。然后，对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合。实际情况中，提取得到的文本信息往往没有明确的数据结构类型，因此，通过结构化处理，以使得得到的结构化文本信息具有明确的数据结构类型，方便后续的信息使用。最后，根据上述结构化文本信息集合，生成文本信息链。考虑到电子数据的易被篡改性，因此，通过构建文本信息链，将结构化文本信息集合中得结构化文本信息进行关联，以提高结构化文本信息的防篡改能力。此外，通过上述的处理步骤实现了图像至结构化信息的自动化转换，相较于人工录入的方式，大大提高了结构化信息的生成效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的结构化信息生成方法的一个应用场景的示意图；

图2是根据本公开的结构化信息生成方法的一些实施例的流程图；

图3是根据本公开的结构化信息生成方法的另一些实施例的流程图；

图4是文本识别模型的模型结构示意图；

图5是二叉树的结构示意图；

图6是根据本公开的结构化信息生成装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

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“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”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的结构化信息生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取目标单据图像集合102，其中，上述目标单据图像集合102中的目标单据图像是针对目标物品的单据图像；其次，计算设备101可以通过预先训练的文本识别模型103，对上述目标单据图像集合102中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合104；然后，计算设备101可以对上述文本信息集合104中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合105；最后，计算设备101可以根据上述结构化文本信息集合105，生成文本信息链106。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，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中的计算设备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计算设备。

继续参考图2，示出了根据本公开的结构化信息生成方法的一些实施例的流程200。该结构化信息生成方法，包括以下步骤：

步骤201，获取目标单据图像集合。

在一些实施例中，结构化信息生成方法的执行主体（例如图1所示的计算设备101）可以通过有线连接或无线连接的方式，获取上述目标单据图像集合。其中，上述目标单据图像集合中的目标单据图像可以是针对目标物品的单据图像。上述目标单据图像集合中的目标单据图像可以是目标时间段内，上述目标物品被执行价值相关操作时产生的单据的图像。上述目标时间段可以是历史时间段。例如，上述目标时间段可以是“2021年5月1日至2021年10月1日”。上述价值相关操作可以是“购买操作”。

步骤202，通过预先训练的文本识别模型，对目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合。

在一些实施例中，上述执行主体可以通过预先训练的上述文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到上述文本信息集合。其中，上述文本信息集合中的文本信息可以为上述目标单据图像集合中的目标单据图像中包含的文本。上述文本识别模型可以是用于对目标单据图像进行文本识别，以识别目标单据图像包含的文本的模型。例如，上述文本识别模型可以是但不限于以下任意一项：FTSN（Fused Text Segmentation Networks，融合文本分割网络）模型，RRPN（Rotation Region Proposal Network，旋转候选区域网络）模型和CTPN（ConnectionistText Proposal Network，场景文字检测网络）模型。

步骤203，对文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合。

在一些实施例中，上述执行主体可以对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到上述结构化文本信息集合。其中，结构化文本信息可以基于文本信息生成的，具有明确数据结构的文本信息。

作为示例，上述执行主体对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，可以包括以下步骤：

第一步，对上述文本信息进行分词处理，以得到词集合。

其中，上述执行主体可以通过Jieba分词，对上述文本信息进行分词处理，以得到词集合。

作为示例，上述文本信息可以是“购买方名称：A公司销售方名称：B公司销售清单序列号XXX货物名称XX部件规格型号XX-XX单位件数量2单价金额5000元总金额10000元”。得到的词集合可以是[“购买方名称”，“A公司”，“销售方名称”，“B公司”，“销售清单序列号”，“XXX”，“货物名称”，“XX部件”，“规格型号”，“XX-XX”，“单位”，“件”，“数量”，“2”，“单价金额”，“5000元”，“总金额”，“10000元”]。

第二步，从上述词集合中筛选出满足筛选条件的词，作为关键词，得到关键词集合。

其中，上述筛选条件可以是词与关键词库中的关键词一致。上述关键词库可以是用于存储单据上包含的关键词的库。上述执行主体可以通过关键词匹配，以此确定上述词集合中的词是否与上述关键词库中的关键词一致。

作为示例，上述关键词集合可以是[“购买方名称”，“销售方名称”，“销售清单序列号”，“货物名称”，“规格型号”，“单位”，“数量”，“单价金额”，“总金额”]。

第三步，选取与上述关键词集合匹配的筛选模板。

其中，上述执行主体可以将目标单据图像对应的目标单据对应的匹配模板作为上述筛选模板。

第四步，根据上述筛选模板，确定上述关键词集合中的每个关键词在上述词集合中与上述关键词匹配的词，得到词对，以生成上述结构化文本信息。

作为示例，上述结构化文本信息可以是：

{“购买方名称”：“A公司”；

“销售方名称”：“B公司”；

“销售清单序列号”：“XXX”；

“货物名称”：“XX部件”；

“规格型号”：“XX-XX”；

“单位”：“件”；

“数量”：“2”；

“单价金额”：“5000元”；

“总金额”，“10000元”；}。

步骤204，根据结构化文本信息集合，生成文本信息链。

在一些实施例中，上述执行主体可以根据上述结构化文本信息集合，生成上述文本信息链。其中，上述文本信息链可以是对上述结构化文本信息集合中的结构化文本信息进行链接生成的信息链。其中，上述文本信息链允许在文本信息链尾部追加结构化文本信息，不允许对文本信息链上链接的结构化文本信息执行以下任一操作：“删除操作”和“修改操作”。

作为示例，上述执行主体可以构建链表的方式，将上述结构化文本信息集合中的结构化文本信息进行链接，以生成上述文本信息链。

进一步参考图3，其示出了结构化信息生成方法的另一些实施例的流程300。该结构化信息生成方法的流程300，包括以下步骤：

步骤301，获取目标单据图像集合。

在一些实施例中，步骤301的具体实现及所带来的技术效果可以参考图2对应那些实施例中的步骤201，在此不再赘述。

步骤302，通过预先训练的文本识别模型，对目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合。

在一些实施例中，结构化信息生成方法的执行主体（例如图1所示的计算设备101）可以通过预先训练的上述文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到上述文本信息集合。其中，上述文本识别模型可以包括：编码网络和解码网络。上述编码网络可以包括：字形特征提取网络、字意特征提取网络和特征融合网络。上述字形特征提取网络可以是用于生成目标单据图像中包含的字对应的字形特征向量的网络。上述字意特征提取网络可以是用于生成目标单据图像中包含的字对应的字意特征性向量的网络。

作为示例，上述执行主体通过预先训练的上述文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，可以包括以下步骤：

第一步，对上述目标单据图像进行尺度放缩，以生成放缩后的目标单据图像。

其中，上述执行主体对上述目标单据图像进行尺度放缩，以生成上述放缩后的目标单据图像，可以包括以下子步骤：

第一子步骤，分别确定上述目标单据图像集合中图像尺寸最小的目标单据图像和图像尺寸最大的目标单据图像，以得到第一图像尺寸和第二图像尺寸。

其中，上述第一图像尺寸可以是上述目标单据图像集合中图像尺寸最小的目标单据图像的图像尺寸。上述第二图像尺寸可以是上述目标单据图像集合中图像尺寸最大的目标单据图像的图像尺寸。

第二子步骤，根据上述第一图像尺寸和上述第二图像尺寸，确定均值图像尺寸。

其中，上述执行主体可以将上述第一图像尺寸和上述第二图像尺寸的均值，确定为上述均值图像尺寸。

第三子步骤，上述执行主体可以对上述目标单据图像进行尺度放缩，以使得上述放缩后的目标单据图像的图像尺寸与上述均值图像尺寸一致。

第二步，将上述放缩后的目标单据图像输入上述编码网络包括的上述字形特征提取网络和上述字意特征提取网络，以生成字形特征信息和字意特征信息。

其中，上述字形特征信息可以是由上述字形特征提取网络从上述放缩后的目标单据图像提取的字对应的字形特征向量构成的信息。上述字意特征信息可以是由上述字意特征提取网络从上述放缩后的目标单据图像提取的字对应的字意特征向量构成的信息。

第三步，通过上述编码网络包括的特征融合网络对上述字形特征信息和上述字意特征信息进行特征融合，以生成融合特征信息。

第四步，将上述融合特征信息输入上述解码网络，以生成上述目标单据图像对应的文本信息。

作为示例，上述文本识别模型的模型结构示意图可以如图4所示。其中，上述文本识别模型包括的编码网络包括的字形特征提取网络可以包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层和第一全连接层。其中，上述第一卷积层的输出为上述第二卷积层的输入。上述第二卷层的输出为上述第三卷积层的输入。上述第三卷积层的输出分别为上述第四卷积层和上述第五卷积层的输入。上述第五卷积层的输出为上述第六卷积层的输入。上述第六卷积层的输出分别为上述第七卷积层和上述第八卷积层的输入。上述第十卷积层的输入可以为对上述第一卷积层、上述第四卷积层、上述第七卷层和上述第九卷积层的输出进行特征向量拼接，得到的拼接向量。

上述文本识别模型包括的编码网络包括的字形特征提取网络可以包括：第十一卷积层、第一卷积块、第二卷积块、第三卷积块、第四卷积块和第二全连接层。其中，上述第一卷积块可以包括：9个卷积层。上述第二卷积块可以包括：12个卷积层。上述第三卷积块可以包括：18个卷积层。上述第四卷积块可以包括：9个卷积层。

上述解码网络可以是Bi-LTSM（Bi-directional Long Short-Term Memory，双向长短时记忆）网络。

首先，由于汉字形似字较多，因此，通过上述字形特征提取网络，以对目标单据图像进行多尺度的特征提取，从而提取到粗粒度和细粒度的汉字字形特征。此外，相同的汉字在不同的语句中的含义可能存在不同的释义。因此通过上述字体特征提取网络进行字意特征的提取。然后，根据解码网络对融合后的字意特征和字形特征进行处理。相较于仅根据字形或字意进行文字识别的方式，文字识别准确率大大提高。

步骤303，根据文本信息包括的字符信息中的字符位置信息，对文本信息包括的字符信息中的字符进行聚类处理，以生成文本信息块，得到文本信息块集合。

在一些实施例中，上述执行主体可以根据文本信息包括的字符信息中的字符位置信息，对文本信息包括的字符信息中的字符进行聚类处理，以生成文本信息块，得到上述文本信息块集合。其中，上述文本信息集合中的文本信息可以包括：字符信息集合。字符信息集合中的字符信息可以包括：字符和字符位置信息。其中，字符信息集合中的字符信息可以是文本信息对应的目标单据图像中包含的字符的字符信息。字符位置信息可以是字符在目标单据图像中的位置信息。上述执行主体可以根据文本信息包括的字符信息中的字符位置信息，通过目标聚类算法，对文本信息包括的字符信息中的字符进行聚类处理，以生成文本信息块，得到上述文本信息块集合。上述目标聚类算法可以是但不限于以下任意一项：K-Means聚类算法和DBSCAN（Density-Based Spatial Clustering of Applications withNoise，具有噪声的基于密度的聚类）聚类算法。

作为示例，文本信息包括的字符信息集合可以是{[“货”，（8，5）] ，[“物”，（8，6）]，[“名”，（8，7）] ，[“X”，（8，9）] ，[“部”，（8，10）] ，[“件”，（8，11）] }。

步骤304，对文本信息块集合中的每个文本信息块进行信息抽取，以生成文本信息块对应的键值对组，得到键值对组序列。

其中，首先，上述执行主体可以通过关系抽取模型，对上述文本信息块进行关系抽取。然后，上述执行主体可以根据抽取得到的语义关系，进行实体构建，以生成文本信息块对应的键值对组。上述关系抽取模型可以是LTSM（Long Short-Term Memory，长短时记忆）模型+CTC（Connectionist Temporal Classification，连接时序分类）模型。

步骤305，根据键值对组序列，生成文本信息对应的结构化文本信息。

在一些实施例中，上述执行主体根据上述键值对组序列，生成文本信息对应的结构化文本信息。其中，上述执行主体可以通过对上述键值对组序列中的键值对进行JSON（JavaScript Object Notation，JS对象简谱）解析，以生成文本信息对应的结构化文本信息。

作为示例，上述键值对组序列可以是：

{

"文本块1":{

"购买方名称":"A公司";

"销售方名称":"B公司";

};

"文本块2":{

"销售清单序列号":"XXX";

};

"文本块3":{

"货物名称":"XX部件";

"规格型号":"XX-XX";

"单位":"件";

"数量":"2";

};

"文本块3":{

"单价金额":"5000元";

"总金额":"10000元";

}

}。得到的结构化文本信息可以是：

{ "购买方名称":"A公司";

"销售方名称":"B公司";

"销售清单序列号":"XXX";

"货物名称":"XX部件";

"规格型号":"XX-XX";

"单位":"件";

"数量":"2";

"单价金额":"5000元";

"总金额":"10000元"; }。

步骤306，根据结构化文本信息集合，生成文本信息链。

在一些实施例中，上述执行主体可以根据上述结构化文本信息集合，生成上述文本信息链。其中，上述文本信息链中的文本信息可以包括：文本描述信息和结构化文本信息。文本描述信息可以包括：文本数据量、时间戳、第一数据标识和第二数据标识。其中，文本数据量可以是预设文本数据量和文本信息包括的结构化文本信息的数据量的和。上述预设文本数据量可以是文本描述信息的数据量。上述执行主体根据上述结构化文本信息集合，生成上述文本信息链，可以包括以下步骤：

第一步，对上述结构化文本信息集合中的每个结构化文本信息执行以下文本信息生成步骤，以生成上述结构化文本信息对应的文本信息，得到文本信息序列：

第一子步骤，根据上述结构化文本信息包括的键值对组序列中的键值对组，构建二叉树。

其中，上述二叉树中的叶子节点可以存储有上述结构化文本信息包括的键值对组序列中的键值对组。上述二叉树中的父节点存储有目标散列值。上述二叉树中叶子节点的数量与上述结构化文本信息包括的键值对组序列中的键值对组的数量一致。则二叉树的高度可以通过以下公式确定：

其中，

表示上述二叉树的高度。

表示上述二叉树叶子节点的数量。

作为示例，键值对组序列可以是[键值对组A，键值对组B，键值对组C，键值对组D，键值对组E，键值对组F，键值对组G，键值对组H]。如上例，上述键值对组序列可以包括8个键值对组。则得到的二叉树共包含8个叶子节点。上述二叉树的树结构可以如图5所示。其中，上述二叉树可以包括8个叶子节点501和7个非叶子节点502。

其中，上述二叉树中的父节点存储的目标散列值通过以下步骤生成：

子步骤1，响应于确定与父节点连接的子节点为上述二叉树中的叶子节点，对与父节点连接的每个子节点中存储的键值对组进行散列处理，以生成散列值，得到散列值集合。

其中，上述执行主体可以通过目标散列算法，对与父节点连接的每个子节点中存储的键值对组进行散列处理，以生成散列值，得到上述散列值集合。例如，上述散列值算法可以是SHA-256散列算法。其中，上述SHA-256散列算法是SHA-2（Secure Hash Algorithm2，安全散列演算法2）下细分出的一种加密算法。根据图5所示的二叉树的树结构的示意图，二叉树包含的叶子节点的非叶子节点的节点结构不同。因此，上述执行主体可以通过判断节点所占存储空间的大小，以此确定与父节点连接的子节点是否为上述二叉树中的叶子节点。

子步骤2，将上述散列值集合中的散列值进行拼接，以生成拼接后的散列值。

其中，上述执行主体可以将上述散列值集合中的散列值按照先后顺序依次连接，以生成上述拼接后的散列值。

作为示例，上述散列值集合可以是[散列值A，散列值B，散列值C]。得到的上述拼接后的散列值可以是“散列值A散列值B散列值C”。

子步骤3，对上述拼接后的散列值进行散列处理，以生成父节点存储的目标散列值。

其中，上述执行主体可以通过上述散列算法，对上述拼接后的散列值进行散列处理，以生成父节点存储的目标散列值。

子步骤4，响应于确定与父节点连接的子节点非上述二叉树中的叶子节点，将与父节点连接的各个子节点中存储的目标散列值进行拼接，以生成拼接后的目标散列值。

其中，根据图5所示的二叉树的树结构的示意图，二叉树包含的叶子节点的非叶子节点的节点结构不同。因此，上述执行主体可以通过判断节点所占存储空间的大小，以此确定与父节点连接的子节点是否为上述二叉树中的非叶子节点的节点。

子步骤5，对上述拼接后的目标散列值进行散列处理，以生成父节点存储的目标散列值。

其中，上述执行主体可以通过上述散列算法，对上述拼接后的目标散列值进行散列处理，以生成父节点存储的目标散列值。

第二子步骤，将上述二叉树的根节点存储的目标散列值，确定为上述结构化文本信息对应的文本信息包括的文本描述信息中的第一数据标识。

第三子步骤，将上述结构化文本信息对应的目标单据图像的生成时间，确定为上述结构化文本信息对应的文本信息包括的文本描述信息中的时间戳。

第四子步骤，将预设文本数据量和上述结构化文本信息对应的数据量，确定为上述结构化文本信息对应的文本信息包括的文本描述信息中的文本数据量。

其中，上述预设文本数据量可以是文本描述信息的数据量。例如，上述预设文本数据量可以用上述文本描述信息所占的存储空间的大小表征。

第二步骤，根据文本信息序列，执行以下处理步骤：

第一子步骤，取出文本信息序列末尾的文本信息，作为候选文本信息。

作为示例，上述执行主体可以通过以下代码，取出上述文本信息序列末尾的文本信息，作为候选文本信息：

TextInf = [文本信息A，文本信息B，文本信息C]

CandidTextInf = TextInf[-1]

其中，“TextInf”可以是上述文本信息序列。“CandidTextInf”可以是上述候选文本信息。

第二子步骤，响应于确定文本信息序列中除上述候选文本信息外还存在文本信息，对上述候选文本信息进行散列处理，以生成散列标识。

其中，上述执行主体可以通过上述散列算法，对上述候选文本信息进行散列处理，以生成散列标识。上述散列标识可以表征上述候选文本信息经散列处理后的散列值。

作为示例，上述执行主体可以通过以下代码，确定文本信息序列除上述候选文本信息外是否存在文本信息，并对候选文本信息进行散列处理，以生成散列标识：

import hashlib

if len(TextInf[:-1])>0:

HashTag=hashlib.sha256(CandidTextInf.encode("UTF-8")).hexdigest()

其中，“HashTag”可以是散列标识。“TextInf”可以是上述文本信息序列。“CandidTextInf”可以是上述候选文本信息。

第三子步骤，将上述散列标识确定为上述候选文本信息在文本信息序列中的前一个文本信息包括的第二数据标识。

第四子步骤，响应于确定文本信息系列中除上述候选文本信息外的文本信息的数量小于等于目标数量，结束上述处理步骤。

其中，上述目标数量可以是1。

第五子步骤，响应于确定文本信息系列中除上述候选文本信息外的文本信息的数量大于上述目标数量，将去除上述候选文本信息的文本信息序列作为文本信息序列，再次执行上述处理步骤。

步骤307，将文本信息链与主信息链进行链接，以生成更新后的信息链。

在一些实施例中，上述执行主体可以将上述文本信息链与上述主信息链进行连接，以生成上述更新后的信息链。

其中，上述执行主体可以采用步骤307中的方式，将上述文本信息链中第一个文本信息进行散列处理，并将散列处理后生成的散列值确定为上述主信息链最后一个信息的第二数据标识。

步骤308，将更新后的信息链分发至分布式节点中的各个存储节点。

在一些实施例中，上述执行主体可以通过有线连接，或无线连接的方式，将上述更新后的信息链发送至分布式节点中的各个存储节点。其中，上述存储节点可以是用于存储备份更新后的信息链的节点。

从图3可以看出，与图2对应的一些实施例相比，首先，本公开增加了文本识别模型的模型结构，通过字形特征提取网络和字意特征提取网络对目标单据图像进行文本提取，大大提高了文本提取的效率和准确性。此外，本公开细化文本信息连的生成方式，通过第一数据标识可以校验每个文本信息包括的结构化文本信息是否被篡改。此外，通过第二数据标识能够校验整个文本信息是否被篡改。并且，文本信息链上的文本信息通过第二数据标识进行链接，文本信息链上的任何一个文本信息被篡改，都可以被感知到。因此，大大提高了文本信息链上的各个文本信息的防篡改性。除此之外，将更新后的信息链存储至分布式终端节点的各个存储节点。通过去中心的方式，进一步提高了数据的安全性。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种结构化信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的结构化信息生成装置600包括：获取单元601，被配置成获取目标单据图像集合，其中，上述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；文本识别单元602，被配置成通过预先训练的文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；结构化处理单元603，被配置成对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；生成单元604，被配置成根据上述结构化文本信息集合，生成文本信息链。

可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备（如图1所示的计算设备101）700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置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。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标单据图像集合，其中，上述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；通过预先训练的文本识别模型，对上述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；对上述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；根据上述结构化文本信息集合，生成文本信息链。

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一些实施例的操作的计算机程序代码，上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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、文本识别单元、结构化处理单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“根据上述结构化文本信息集合，生成文本信息链的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些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，本公开的实施例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的实施例中公开的（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

1.一种结构化信息生成方法，包括：

获取目标单据图像集合，其中，所述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；

通过预先训练的文本识别模型，对所述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；

对所述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；

根据所述结构化文本信息集合，生成文本信息链，其中，所述文本信息链中的文本信息包括：文本描述信息、结构化文本信息和第二数据标识，文本描述信息包括：文本数据量、时间戳和第一数据标识，其中，所述根据所述结构化文本信息集合，生成文本信息链，包括：

对所述结构化文本信息集合中的每个结构化文本信息执行以下文本信息生成步骤，以生成所述结构化文本信息对应的文本信息，得到文本信息序列：

根据所述结构化文本信息包括的键值对组序列中的键值对组，构建二叉树，其中，所述二叉树中的叶子节点存储有所述结构化文本信息包括的键值对组序列中的键值对组，所述二叉树中的父节点存储有目标散列值；

将所述二叉树的根节点存储的目标散列值，确定为所述结构化文本信息对应的文本信息包括的文本描述信息中的第一数据标识；

将所述结构化文本信息对应的目标单据图像的生成时间，确定为所述结构化文本信息对应的文本信息包括的文本描述信息中的时间戳；

将预设文本数据量和所述结构化文本信息对应的数据量，确定为所述结构化文本信息对应的文本信息包括的文本描述信息中的文本数据量；

根据文本信息序列，执行以下处理步骤：

取出文本信息序列末尾的文本信息，作为候选文本信息；

响应于确定文本信息序列中除所述候选文本信息外还存在文本信息，对所述候选文本信息进行散列处理，以生成散列标识；

将所述散列标识确定为所述候选文本信息在文本信息序列中的前一个文本信息包括的第二数据标识；

响应于确定文本信息系列中除所述候选文本信息外的文本信息的数量小于等于目标数量，结束所述处理步骤；

响应于确定文本信息系列中除所述候选文本信息外的文本信息的数量大于所述目标数量，将去除所述候选文本信息的文本信息序列作为文本信息序列，再次执行所述处理步骤。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述文本信息链与主信息链进行链接，以生成更新后的信息链；

将所述更新后的信息链分发至分布式节点中的各个存储节点。

3.根据权利要求1所述的方法，其中，所述文本识别模型包括：编码网络和解码网络，所述编码网络包括：字形特征提取网络和字意特征提取网络和特征融合网络；以及

所述通过预先训练的文本识别模型，对所述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，包括：

对所述目标单据图像进行尺度放缩，以生成放缩后的目标单据图像；

将所述放缩后的目标单据图像输入所述编码网络包括的所述字形特征提取网络和所述字意特征提取网络，以生成字形特征信息和字意特征信息；

通过所述编码网络包括的特征融合网络对所述字形特征信息和所述字意特征信息进行特征融合，以生成融合特征信息；

将所述融合特征信息输入所述解码网络，以生成所述目标单据图像对应的文本信息。

4.根据权利要求1所述的方法，其中，所述文本信息集合中的文本信息包括：字符信息集合，字符信息集合中的字符信息包括：字符和字符位置信息；以及

所述对所述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，包括：

根据所述文本信息包括的字符信息中的字符位置信息，对所述文本信息包括的字符信息中的字符进行聚类处理，以生成文本信息块，得到文本信息块集合；

对所述文本信息块集合中的每个文本信息块进行信息抽取，以生成所述文本信息块对应的键值对组，得到键值对组序列；

根据所述键值对组序列，生成所述文本信息对应的结构化文本信息。

5.根据权利要求1所述的方法，其中，所述二叉树中的父节点存储的目标散列值通过以下步骤生成：

响应于确定与父节点连接的子节点为所述二叉树中的叶子节点，对与父节点连接的每个子节点中存储的键值对组进行散列处理，以生成散列值，得到散列值集合；

将所述散列值集合中的散列值进行拼接，以生成拼接后的散列值；

对所述拼接后的散列值进行散列处理，以生成父节点存储的目标散列值；

响应于确定与父节点连接的子节点非所述二叉树中的叶子节点，将与父节点连接的各个子节点中存储的目标散列值进行拼接，以生成拼接后的目标散列值；

对所述拼接后的目标散列值进行散列处理，以生成父节点存储的目标散列值。

6.一种结构化信息生成装置，包括：

获取单元，被配置成获取目标单据图像集合，其中，所述目标单据图像集合中的目标单据图像是针对目标物品的单据图像；

文本识别单元，被配置成通过预先训练的文本识别模型，对所述目标单据图像集合中的每张目标单据图像进行文本识别，以生成文本信息，得到文本信息集合；

结构化处理单元，被配置成对所述文本信息集合中的每个文本信息进行结构化处理，以生成结构化文本信息，得到结构化文本信息集合；

生成单元，被配置成根据所述结构化文本信息集合，生成文本信息链，其中，所述文本信息链中的文本信息包括：文本描述信息、结构化文本信息和第二数据标识，文本描述信息包括：文本数据量、时间戳和第一数据标识，其中，所述根据所述结构化文本信息集合，生成文本信息链，包括：

根据文本信息序列，执行以下处理步骤：

取出文本信息序列末尾的文本信息，作为候选文本信息；

7.一种电子设备，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至5中任一所述的方法。

8.一种计算机可读介质，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至5中任一所述的方法。