CN114418124A - 生成图神经网络模型的方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种生成图神经网络模型的方法、装置、设备及存储介质，涉及人工智能技术领域。该方法的一具体实施方式包括：获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

Description

生成图神经网络模型的方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及生成图神经网络模型的方法、装置、设备及存储介质。

背景技术

在日常应用中，总会有大量的凭证文件需要由专职人员进行处理、审批和管理；目前，通过文字识别算法只能得出凭证文件中每个位置的文字内容，无法确定每个文字内容具体属于哪个字段。

现有技术中，通过文字识别算法识别出凭证文件中的内容，再根据内容的位置、正则表达式等方法提取出每个字段的具体内容。但，基于位置、正则匹配等方法，难以适应新的版面变化，鲁棒性差。因此，面对复杂版式的变化，很难兼容各类版式，精度也比较低。

发明内容

本申请的实施例提出了生成图神经网络模型的方法、装置、设备及存储介质。

第一方面，本申请的实施例提供了一种生成图神经网络模型的方法，该方法包括：获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

在一些实施例中，位置关系特征基于以下步骤确定：将样本凭证文件输入预设的文本行检测网络中，得到目标检测框的坐标信息和其他检测框的坐标信息；根据目标检测框的坐标信息和其他检测框的坐标信息，生成为目标向量；将目标向量作为位置关系特征。

在一些实施例中，根据目标检测框的坐标信息和其他检测框的坐标信息，生成为目标向量，包括：根据目标检测框的坐标信息和其他检测框的坐标信息，确定目标检测框与其他检测框之间的距离信息；将以下至少一项进行归一化处理，得到目标向量：目标检测框的坐标信息、其他检测框的坐标信息、距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值。

在一些实施例中，在一些实施例中，目标检测框的类型为图像；目标样本特征基于以下步骤确定：获取目标检测框的视觉样本特征和文本样本特征；根据视觉样本特征和文本样本特征，生成目标样本特征。

在一些实施例中，获取目标检测框的视觉样本特征和文本样本特征，包括：将样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到视觉样本特征；以及将样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到文本样本特征。

在一些实施例中，根据视觉样本特征和文本样本特征，生成目标样本特征，包括：利用克罗内克积将视觉样本特征和文本样本特征进行融合，得到目标样本特征。

第二方面，本申请的实施例提供了一种文本识别方法，该方法包括：获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；将坐标信息和目标文本信息输入如第一方面描述的方法生成的图神经网络模型中，得到第一检测框的字段类别，其中，第一检测框的字段类别用于表征第一检测框内目标文本信息所属的类别。

在一些实施例中，获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息，包括：将待预测凭证文件输入预设的文本行检测网络中，得到待预测凭证文件中第一检测框的坐标信息；利用预设的文本识别网络，对第一检测框进行识别，得到第一检测框内的目标文本信息。

第三方面，本申请的实施例提供了一种生成图神经网络模型的装置，该装置包括：数据获取模块，被配置成获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；模型训练模块，被配置成利用目标样本特征和位置关系与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

在一些实施例中，装置还包括：信息获取模块，被配置成获取目标检测框的尺寸信息和样本凭证文件中其他检测框的尺寸信息；向量生成模块，被配置成根据目标检测框的尺寸信息和其他检测框的尺寸信息，生成为目标向量；特征确定模块，被配置成将目标向量作为位置关系特征。

在一些实施例中，向量生成模块，进一步配置成：根据目标检测框的尺寸信息和其他检测框的尺寸信息，确定目标检测框与其他检测框之间的距离信息；将以下至少一项进行归一化处理，得到目标向量：目标检测框的尺寸信息、其他检测框的尺寸信息、距离信息、目标检测框的尺寸信息之间的比值、其他检测框的尺寸信息之间的比值。

在一些实施例中，目标检测框的类型为图像；装置还包括：特征获取模块，被配置成获取目标检测框的视觉样本特征和文本样本特征；特征生成模块，被配置成根据视觉样本特征和文本样本特征，生成目标样本特征。

在一些实施例中，特征获取模块，进一步被配置成：将样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到视觉样本特征；以及将样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到文本样本特征。

在一些实施例中，特征生成模块，进一步被配置成：利用克罗内克积将视觉样本特征和文本样本特征进行融合，得到目标样本特征。

第四方面，本申请的实施例提供了一种文本识别装置，该装置包括：文件获取模块，配置成获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；信息得到模块，被配置成将坐标信息和目标文本信息输入如第一方面描述的方法生成的图神经网络模型中，得到第一检测框的字段类别，其中，第一检测框的字段类别用于表征第一检测框内目标文本信息所属的类别。

在一些实施例中，文件获取模块，进一步被配置成：将待预测凭证文件输入预设的文本行检测网络中，得到待预测凭证文件中第一检测框的坐标信息；根据预设的文本识别网络，对第一检测框进行识别，得到第一检测框内的目标文本信息。

第五方面，本申请的实施例提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面描述的方法。

第六方面，本申请的实施例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，其特征在于，计算机指令用于使计算机执行如第一方面或第二方面描述的方法。

本申请的实施例提供的生成图神经网络模型的方法、装置、设备及存储介质，首先获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点的特别为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；然后利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。能够将样本凭证文件中的目标检测框的目标样本特征作为图数据中的节点，以及将目标检测框与其他检测框之间的位置关系特征作为图数据中的边，能够基于目标检测框之间的位置关系特征兼容各种版式的样本凭证文件，以及将目标检测框的目标样本特征和目标检测之间的位置关系特征嵌入到图神经网络，提高了利用目标样本特征作和位置关系特征与对应的字段类别标签训练得到的图神经网络模型的识别字段类别的精度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的生成图神经网络模型的方法的一个实施例的流程图；

图3是本申请的文本识别方法的一个实施例的流程图；

图4是根据本申请的文本识别方法的一个实施例的流程图；

图5是根据本申请的生成图神经网络模型的装置的实施例的结构示意图；

图6是根据本申请的文本识别装置的实施例的结构示意图；

图7是适于用来实现本申请的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的生成图神经网络模型的方法和装置或文本识别方法和装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101和102和服务器104之间提供通信链路的介质。网络103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。

用户可以使用终端设备101和102通过网络103与服务器104交互，例如针对样本凭证文件的图数据等。

终端设备101和102可以是硬件，也可以是软件。当终端设备101和102为硬件时，终端设备可以为与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如PC(Personal Computer，个人计算机)、手机、智能手机、PDA(Personal Digital Assistant，个人数字助手)、可穿戴设备、PPC(Pocket PC，掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101和102为软件时，可以安装在上述电子设备中。其可以实现成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。

服务器104可以提供各种服务。例如，服务器104可以获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的生成图神经网络模型的方法或文本识别方法一般由服务器104执行，相应地，生成图神经网络模型的装置或文本识别装置一般设置于服务器104中。

应该理解，图1中的电子设备、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电子设备、网络和服务器。

继续参考图2，其示出了根据本申请的生成图神经网络模型的方法的一个实施例的示意图200。该生成图神经网络模型的方法可以包括以下步骤：

步骤201，获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框内的目标样本特征，边为预设类别的目标检测框与其他检测框之间的位置关系特征。

在本实施例中，生成图神经网络模型的方法的执行主体(例如图1所示的终端设备101和102或服务器104)获取样本凭证文件的图数据。

对应地，在该示例中，获取样本凭证文件可以包括：当执行主体为终端设备时，可以基于终端设备的拍摄装置获取样本凭证文件，或从终端设备存储设备中获取样本凭证文件。当执行主体为服务器时，可以基于终端设备的拍摄装置获取样本凭证文件，或从终端设备存储设备中获取样本凭证文件；之后，将从终端设备获取的样本凭证文件发送至服务器。上述样本凭证文件可以用于来证明业务事项发生、明确责任并据以登记、具有法律效力的书面证明，该样本凭证文件可以包括发票、单据、支票、合同和工时记录等，该样本凭证文件的类型可以为电子或纸质。在本申请实施例中，上述执行主体可以对样本凭证文件进行结构化信息提取。

在这里，上述检测框可以为样本凭证文件中用于插入文本和/或图像的容器，例如，用于插入文本的文本框；在电子样本凭证文件中该检测框可以为一种可移动、可调大小的文字或图形容器。

需要说明的是，上述拍摄装置可以为终端设备上的拍摄装置或终端设备外接的拍摄装置，该拍摄装置可以为摄像头、照相机等。

在获取样本凭证文件之后，该生成图神经网络模型的方法还包括：对样本凭证文件中的检测框进行识别，得到识别结果；之后，基于识别结果构建图数据。其中，上述识别结果可以包括检测框之间的位置关系特征、检测框内的文本特征、检测框的视觉特征。上述图数据可以包括多个节点和各个节点之间的边；基于样本凭证文件构建图数据可以包括：将样本凭证文件中目标检测框的目标样本特征作为节点，以及将样本凭证文件中目标检测框与其他检测框之间的位置关系特征作为边，以构建图数据。上述目标样本特征可以为与图数据的节点相关的特征，可以用于表征目标检测框内文本内容和/或文本内容所属的字段类别。上述位置关系特征可以为与图数据的边相关的特征，可以用于表征目标检测框与其他检测框之间的位置关系，例如，目标检测框与其相邻的其他目标检测框之间的相对位置。

需要说明的是，技术人员可以根据实际需求，自行设定上述目标检测框的形状、颜色，本申请的实施例对此不做限定。

步骤202，利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

在本实施例中，上述执行主体可以利用目标样本特征和位置关系特征与对应的字段类别标签进行训练，以得到图神经网络模型。在训练时，执行主体可以将目标样本特征和位置关系特征输入图神经网络模型中，得到预测结果，将预测结果与真实值(即，字段类别标签)进行比较，在预测结果与真实值之间的差异不满足预设值时，调整图神经网络模型的参数；多次迭代调整图神经网络模型的参数，直至预测值与真实值之间的差异满足预设值时，停止模型训练，并将此时的模型作为训练完的图神经网络模型。上述图神经网络模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，图神经网络模型可以包括以下任意一项：GNN(Graph Neural Networks)、图卷积神经网络(GCN)、图注意力网络(Graph Attention Networks)。

在这里，上述字段类别标签可以用于表征检测框内文本所属的类别。例如，样本凭证文件中“姓名”字段类别，该“姓名”字段类别可以用于在该检测框中插入“姓名”。

需要说明的是，技术人员可以根据实际需求，自行设定上述字段类别。

本实施例提供的生成图神经网络模型的方法，首先获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点的特别为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；然后利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。能够将样本凭证文件中的目标检测框的目标样本特征作为图数据中的节点，以及将目标检测框与其他检测框之间的位置关系特征作为图数据中的边，以实现将目标检测框的目标样本特征和目标检测之间的位置关系特征嵌入到图神经网络，从而提高了利用目标样本特征作和位置关系特征与对应的字段类别标签训练得到的图神经网络模型的识别字段类别的精度。

在本实施例的一些可选的实现方式中，位置关系特征基于以下步骤确定：将样本凭证文件输入预设的文本行检测网络中，得到目标检测框的坐标信息和样本凭证文件中其他检测框的坐标信息；根据目标检测框的坐标信息和其他检测框的坐标信息，生成为目标向量；将目标向量作为位置关系特征。

在本实现方式中，上述执行主体可以通过将样本凭证文件输入预设的文本行检测网络中，以得到目标检测框和其他检测框的坐标信息；之后，根据目标检测框和其他检测框的坐标信息，生成目标向量；之后，将目标向量作为边。上述坐标信息可以包括用于描述检测框的大小，例如，长、宽、高、倒角等。

在本实现方式中，上述预设的文本行检测网络可以用于检测目标检测框和其他检测框的坐标信息，例如，R-CNN(Region-CNN)、RR-CNN、DB(Differentiable Binarization)Net。

在本实现方式中，上述执行主体可以根据目标检测框的坐标信息和其他检测框的坐标信息，确定目标检测框与其他检测框之间的位置关系，例如，目标检测框与其他检测框之间相邻、目标检测框与其他检测框之间间隔。上述目标向量可以为用于衡量目标检测框与其他检测框之间的位置关系的向量。

需要说明的是，上述其他检测框和目标检测框都是样本凭证文件上的检测框，其他检测框可以为与目标检测框不同的检测框，样本凭证文件中包括的检测框的数量可以为多个，在多个检测框为相邻设置时，该样本凭证文件可以为表格样式的样本凭证文件。

在本实现方式中，上述执行主体可以将基于样本凭证文件中目标检测框与其他检测框的坐标信息所确定的目标向量作为边，以实现对边的确定。

在本实施例的一些可选的实现方式中，根据目标检测框的坐标信息和其他检测框的坐标信息，生成为目标向量，包括：根据目标检测框的坐标信息和其他检测框的坐标信息，确定目标检测框与其他检测框之间的距离信息；将以下至少一项进行归一化处理，得到目标向量：目标检测框的坐标信息、其他检测框的坐标信息、距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值。

在本实现方式中，上述执行主体可以根据目标检测框的坐标信息和其他检测框的坐标信息，确定目标检测框与其他检测框之间的距离信息；之后，对以下至少一项进行归一化处理，得到目标向量：目标检测框的坐标信息、其他检测框的坐标信息、目标检测框与其他检测框之间的距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值。上述目标检测框的坐标信息之间的比值可以为目标检测框的长度、宽度和高度之间的比值。上述其他检测框的坐标信息之间的比值可以为其他检测框的长度、宽度和高度之间的比值。

在一个示例中，上述执行主体可以根据目标检测框的位置和其他检测框的位置，确定目标检测框与其他检测框之间的距离信息。上述距离信息可以为目标检测框与其他检测框之间的水平距离和/或垂直距离。

在一个示例中，对以下至少一项进行归一化处理，得到目标向量，可以包括：将以下至少一项进行归一化处理，得到归一化后的值：目标检测框的坐标信息、其他检测框的坐标信息、目标检测框与其他检测框之间的距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值；之后，根据归一化后的值，得到目标向量。

对应地，在该示例中，对目标检测框的坐标信息、其他检测框的坐标信息、目标检测框与其他检测框之间的距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值分别进行归一化处理，分别得到对应的归一化的值。

在一个示例中，将目标检测框与其他检测框之间的水平距离、垂直距离除以一个预设的归一化常量，计算当前目标检测框的宽高比，目标检测框与其他检测框之间的高度比值，然后采用线性变换将归一化后的水平距离、垂直距离、宽高比、高度比值转换为D维特征，D维度数可采用人工设置或根据图神经网络模型的精度设定。例如，归一化后的水平距离0.9，垂直距离0.8，宽高比0.1，高度比0.7，目标向量可以为[0.9，0.8，0.1，0.7]。

对应地，在该示例中，该归一化常量可以用于对上述目标检测框的坐标信息、其他检测框的坐标信息、目标检测框与其他检测框之间的距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值进行归一化，该归一化常量可以根据检测框之间的距离设置，例如，10。

在本实现方式中，可以根据对目标检测框的坐标信息、其他检测框的坐标信息、距离信息、目标检测框的坐标信息之间的比值、其他检测框的坐标信息之间的比值中的至少一项进行规划处理，以得到边。

在本实施例的一些可选的实现方式中，目标检测框的类型为图像；目标样本特征可以基于以下步骤确定：获取目标检测框的视觉样本特征和文本样本特征；根据视觉样本特征和文本样本特征，生成目标样本特征。

在本实现方式中，上述执行主体可以基于获取的目标检测框的视觉样本特征和文本样本特征生成目标样本特征。上述目标检测框的类型可以为图像或文本，样本凭证文件可以包括目标检测框图像或目标检测框文本。上述视觉样本特征可以为目标检测框从视觉上获取的特征，例如目标检测框的线条、角、纹理等特征。上述文本样本特征可以为目标检测框内的文本的特征，例如，文本内容、文本样式，其中，文本样式可以包括文本大小、文本颜色、文本间距等。

在本实现方式中，可以基于目标检测框的视觉样本特征和文本样本特征，生成目标样本特征，以增强图神经网络模型的特征信息的丰富度，提升了图神经网络模型分类的精度。

在本实施例的一些可选的实现方式中，获取目标检测框的视觉样本特征和文本样本特征，包括：将样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到视觉样本特征；以及将样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到文本样本特征。

在本实现方式中，上述执行主体可以根据视觉特征提取网络和文本特征提取网络，对样本凭证文件中的目标检测框进行特征提取，以得到视觉特征提取网络对应的视觉样本特征和文本特征提取网络对应的文本样本特征。

在这里，上述视觉特征提取网络可以用于提取样本凭证文件中目标检测框的视觉样本特征，例如U-Net(Convolutional Networks for Biomedical Image Segmentation)、ResNet(Residual Neural Network)-50的特征提取网络等。上述文本特征提取网络可以用于提取样本凭证文件中的目标检测框内的文本的文本样本特征，例如，长短期记忆网络(Long Short-Term Memory，LSTM)、Bi-LSTM(Bidirectional recurrent neuralnetworks)等。

在本实现方式中，在对视觉样本特征和文本样本特征进行提取之前，该生成图神经网络模型的方法还可以包括：检测目标检测框和其他检测框的坐标信息；之后，检测目标检测框内是否包括文本；之后，在检测到包括文本时，对该文本的内容进行识别。

对应地，在该示例中，检测目标检测框内是否包含文本可以包括：通采用最大稳定极值(Maximally Stable Extrenal Region，MSER)算法和连接文字提议网络(Connectionist Text Proposal Network，CTPN)算法相结合的方式检测文本区域，再结合非极大值抑制方法对MSER算法和CTPN算法检测结果的重合区域进行筛选得到文本区域(即，目标检测框内文本所在的区域)。

需要说明的是，上述检测目标检测框和其他检测框的坐标信息可以由文本行检测网络进行识别，该文本行检测网络可以用于检测目标检测框的坐标信息，例如，R-CNN(Region-CNN)、RR-CNN。

对应地，在该示例中，识别检测框内的文本可以包括：通过文本识别网络对检测框内的文本进行识别，以得到文本的内容。上述文本识别网络可以用于识别文本，以得到文本的内容，例如C-RNN(Convolutional Recurrent Neural Network)；或该文本识别网络可以包括ROI(Region of interest)池化层、编码器和解码器。

在本实现方式中，上述文本特征提取网络、视觉特征提取网络、文本行检测网络、文本识别网络可以为预先训练训练的网络。以文本识别网络为示例，对文本识别网络可以包括：获取训练样本，该训练样本包括文本内容和文本内容对应的标签；利用训练样本调整文本识别网络的参数，以迭代调整机器学习模型的参数，直至满足预设迭代截止条件，得到文本识别网络。

需要说明的是，上述文本特征提取网络、视觉特征提取网络和文本行检测网络可以通过其对应的训练样本进行训练，以得到对应的网络。

在本实现方式中，可以通过视觉特征提取网络和文本特征提取网络实现对样本凭证文件中的目标检测框的视觉样本特征和文本样本特征的提取，以备根据视觉样本特征和文本样本特征得到目标样本特征，以增强图神经网络模型的特征信息的丰富度，提升了图神经网络模型分类的精度。

在本实施例的一些可选的实现方式中，根据视觉样本特征和文本样本特征，生成目标样本特征，包括：利用克罗内克积将视觉样本特征和文本样本特征进行融合，得到目标样本特征。

在本实现方式中，上述执行主体可以利用克罗内克积对视觉样本特征和文本样本特征进行融合，以得到目标样本特征。

在一个示例中，上述执行主体还可以通过以下方式，得到目标样本特征：(1)将视觉样本特征和文本样本特征进行拼接。例如，视觉样本特征为40维，文本样本特征为10维度，得到拼接特征为50维。之后，将拼接特征经过一个多层的神经网络，例如，Feature-fused Net，得到目标样本特征。(2)将视觉特征特征和文本样本特征分别输入一个卷积神经网络，然后将两个神经网络的结果线性相加，得到目标样本特征。

在本实现方式中，可以通过目标检测框的视觉样本特征和文本样本特征，得到目标样本特征，增强了图神经网络模型的特征的丰富度，提升了图神经网络模型分类的精度。

继续参考图3，其示出了根据本申请的文本识别方法的一个实施例的示意图300。该文本识别方法可以包括以下步骤：

步骤301，获取待预测凭证文件中的第一检测框的坐标信息和第一检测框内的目标文本信息。

在本实施例中，文本识别方法的执行主体(例如图1所示的终端设备101)可以从其存储中获取待预测凭证文件，或接收外部输入的待预测凭证文件，例如，用户输入的待预测凭证文件，其他终端传输至的待预测凭证文件。或者，文本识别方法的执行主体(例如图1中的服务器104)可以从其存储中获取待预测凭证文件，或接收终端设备(例如图1中的终端设备101和102)发送的待预测凭证文件。之后，从待预测凭证文件中获取第一检测框的坐标信息和第一检测框内的目标文本信息。上述待预测凭证文件可以包括目标文本信息、目标文本信息所在的第一检测框，该待预测凭证文件中的第一检测框内的目标文本信息所属的类别可以通过预先训练的图神经网络模型进行预测。上述第一检测框可以为待预测凭证文件中的任意一个检测框。

需要说明的是，上述第一检测框的坐标信息可以为第一检测框在待预测凭证文件中的坐标，例如，二维坐标或三维坐标；该第一检测框的坐标信息还可以包括：第一检测框之间的相对位置，例如，目标第一检测框与其相邻的其他第一检测框之间的相对距离。

步骤302，将坐标信息和目标文本信息输入预先训练的图神经网络模型中，得到第一检测框的字段类别，该字段类别用于表征第一检测框内的目标文本信息所属的类别。

在本实施例中，上述执行主体可以将坐标信息和目标文本信息输入至预先训练的图神经网络模型中，以得到第一检测框的字段类别，该字段类别可以用于表征该第一检测框内目标文本信息所属的类别，从而确定每个第一检测框内文本所属的字段类别。

在一个示例中，将坐标信息和目标文本信息输入预先训练的图神经网络模型中，得到第一检测框的字段类别可以包括：可以通过局部输出函数得到每个节点的分类结果(即，字段类别)，该局部输出函数可以为全连接层或softmax层。

在这里，上述目标字段类别为样本凭证文件中任一种字段类别，该目标字段类别可以用于表征第一检测框内的文本所属的类别，例如，用于插入“电话号码”这个字段类别的第一检测框，用于插入“地址”这个字段类别的第一检测框。

需要说明的是，上述预先训练的图神经网络模型可以为通过图2对应的实施例训练生成的模型。

本实施例中的文本识别方法，首先获取待预测凭证文件中的第一检测框的坐标信息和第一检测框内的目标文本信息；然后利用上述的图神经网络模型，对坐标信息和目标文本信息进行识别，以得到第一检测框的字段类别，该字段类别可以用于表征第一检测框内目标文本信息所属的类别，从而可以根据图神经网络确定第一检测框内文本所属的字段类别，可以有效提升字段解析精度，并且具有较强的泛化性能，实现了对待预测凭证文件中关键信息的提取。

在本实施例的一些可选的实现方式中，获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息，可以包括：将待预测凭证文件输入预设的文本行检测网络中，得到待预测凭证文件中第一检测框的坐标信息；利用预设的文本识别网络，对第一检测框进行识别，得到第一检测框内的目标文本信息。

在本实现方式中，上述执行主体可以根据预设的文本行检测网络，得到第一检测框的坐标信息，以及利用预设的文本识别网络，得到第一检测框内的目标文本信息。

在本实现方式中，该文本行检测网络可以用于检测目标第一检测框的坐标信息，例如，R-CNN(Region-CNN)、RR-CNN。上述文本识别网络可以用于识别文本，以得到文本的内容，例如C-RNN(Convolutional Recurrent Neural Network)；或该文本识别网络可以包括ROI(Region of interest)池化层、编码器和解码器。

在本实现方式中，上述文本行检测网络、文本识别网络可以为预先训练训练的网络。

在本实现方式中，可以通过预设的文本行检测网络和预设的文本识别网络确定待预测凭证文件中的第一检测框的位置信息和目标文本信息的，以备利用上述的图神经网络模型，对坐标信息和目标文本信息进行识别，以得到第一检测框的字段类别，从而可以根据图神经网络确定第一检测框内文本所属的字段类别，可以有效提升字段解析精度，并且具有较强的泛化性能，实现了对待预测凭证文件中关键信息的提取。

继续参考图4，其示出了根据本申请的文本识别方法的一个应用场景的示意图。在该应用场景下，文本识别方法可以包括以下步骤：

第一步：识别样本凭证文本中的检测框。

在实施例中，文本识别方法的执行主体(例如图1所示的终端设备101和102或服务器104)首先通过上述的文本行检测网络得到每个文本行的所属的检测框信息41，并从检测框信息中提取检测框之间的位置关系特征42。在检测框的类型为图像时，上述执行主体还可以将检测框图像43输入预设的视觉样本特征提取网络中，得到视觉样本特征44，以及将检测框内的文本信息45输入预设的文本样本特征提取网络中，得到文本样本特征46；之后根据文本样本特征和视觉样本特征得到目标样本特征47。其中，上述位置关系特征与边对应的特征，上述视觉样本特征和文本样本特征为节点对应的特征。上述视觉样本特征可以为目标检测框从视觉上获取的特征，例如目标检测框的线条、角、纹理等特征。上述文本样本特征可以为目标检测框内的文本的特征，例如，文本内容、文本样式，其中，文本样式可以包括文本大小、文本颜色、文本间距等。上述边可以用于表征目标检测框在样本凭证文件中的坐标，例如，目标检测框在样本凭证文件中的位置、与其他目标检测框之间的相对位置。

在一个示例中，将一张样本凭证图像输入Unet和ROI-Pooling中，以得到检测框内的视觉样本特征；之后，通过Bi-LSTM提取检测框内的文本样本特征，然后将视觉样本特征和文本样本特征融合作为图数据的节点。

第二步，利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型48。

第三步，利用第二步训练得到的图神经网络模型对待预测凭证文件进行预测，得到第一检测框的字段类别49和置信度；之后，根据字段类别和置信度，分别确定该待预测凭证文件中第一检测框的字段类别。

在本实施例中，可以将每个检测框建模为图数据的一个节点，采用图神经网络提取和聚合邻居节点(例如，目标检测框与其他检测框)，实现图中每个节点的分类，即每个检测框内文本所属的字段类别。

进一步参考图5，作为对上述各图所示方法的实现，本申请公开了生成图神经网络模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本申请的实施例提供了一种生成图神经网络模型的装置500，该装置500包括：数据获取模块501和模型训练模块502。其中，数据获取模块501，被配置成获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；模型训练模块502，被配置成利用目标样本特征和位置关系与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

在本实施例中，生成图神经网络模型的装置500中，数据获取模块51和模型训练模块502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201～步骤202。

在一些实施例中，装置还包括：信息获取模块，被配置成获取目标检测框的尺寸信息和样本凭证文件中其他检测框的尺寸信息；向量生成模块，被配置成根据目标检测框的尺寸信息和其他检测框的尺寸信息，生成为目标向量；特征确定模块，被配置成将目标向量作为位置关系特征。

在一些实施例中，向量生成模块，进一步配置成：根据目标检测框的尺寸信息和其他检测框的尺寸信息，确定目标检测框与其他检测框之间的距离信息；将以下至少一项进行归一化处理，得到目标向量：目标检测框的尺寸信息、其他检测框的尺寸信息、距离信息、目标检测框的尺寸信息之间的比值、其他检测框的尺寸信息之间的比值。

在一些实施例中，目标检测框的类型为图像；装置还包括：特征获取模块，被配置成获取目标检测框的视觉样本特征和文本样本特征；特征生成模块，被配置成根据视觉样本特征和文本样本特征，生成目标样本特征。

在一些实施例中，特征获取模块，进一步被配置成：将样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到视觉样本特征；以及将样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到文本样本特征。

在一些实施例中，特征生成模块，进一步被配置成：利用克罗内克积将视觉样本特征和文本样本特征进行融合，得到目标样本特征。

本申请的实施例提供的生成图神经网络模型的装置，通过数据获取模块获取样本凭证文件的图数据，其中，图数据包括：节点和边，各个节点的特别为样本凭证文件中目标检测框的目标样本特征，边为目标检测框与其他检测框之间的位置关系特征；然后通过模型训练模块利用目标样本特征和位置关系特征与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。能够将样本凭证文件中的目标检测框的目标样本特征作为图数据中的节点，以及将目标检测框与其他检测框之间的位置关系特征作为图数据中的边，以实现将目标检测框的目标样本特征和目标检测之间的位置关系特征嵌入到图神经网络，从而提高了利用目标样本特征作和位置关系特征与对应的字段类别标签训练得到的图神经网络模型的识别字段类别的精度。

进一步参考图6，作为对上述各图所示方法的实现，本申请公开了文本识别装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本申请的实施例提供了一种文本识别装置600，该装置600包括：文件获取模块601和信息得到模块602。其中，文件获取模块601，配置成获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；信息得到模块602，被配置成将坐标信息和目标文本信息输入预先训练的图神经网络模型中，得到第一检测框的字段类别，其中，第一检测框的字段类别用于表征第一检测框内目标文本信息所属的类别。

在本实施例中，文本识别装置600中，文件获取模块601和信息得到模块602的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤301～步骤302。

本实施例中的文本识别装置，通过文件获取模块获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；然后通过信息得到模块利用上述的图神经网络模型，对坐标信息和目标文本信息进行识别，以得到待预测凭证文件中第一检测框的字段类别，该字段类别可以用于表征第一检测框内目标文本信息所属的类别，从而可以根据图神经网络确定第一检测框内文本所属的字段类别，可以有效提升字段解析精度，并且具有较强的泛化性能，实现了对待预测凭证文件中关键信息的提取。

在一些实施例中，文件获取模块，进一步被配置成：将待预测凭证文件输入预设的文本行检测网络中，得到待预测凭证文件中第一检测框的坐标信息；根据预设的文本识别网络，对第一检测框进行识别，得到第一检测框内的目标文本信息。

如图7所示，是根据本申请实施例的生成图神经网络模型的方法或文本识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的生成图神经网络模型的方法或文本识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的生成图神经网络模型的方法或文本识别方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的生成图神经网络模型的方法或文本识别方法对应的程序指令/模块(例如，附图5所示的数据获取模块501和模型训练模块502；或附图6所示的文件获取模块601和信息得到模块602)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的生成图神经网络模型的方法或文本识别方法。

存储器702可以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、至少一个功能所需要的应用程序；存储数据区可存储根据基于区块链的信息处理电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至基于区块链的信息处理电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

生成图神经网络模型的方法或文本识别方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与基于区块链的信息处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处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、专用ASIC(专用集成电路)、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。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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。

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

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种生成图神经网络模型的方法，包括：

获取样本凭证文件的图数据，其中，所述图数据包括：节点和边，各个节点为所述样本凭证文件中目标检测框的目标样本特征，所述边为所述目标检测框与其他检测框之间的位置关系特征；

利用所述目标样本特征和所述位置关系与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

2.根据权利要求1所述的方法，其中，所述位置关系特征基于以下步骤确定：

将所述样本凭证文件输入预设的文本行检测网络中，得到所述目标检测框的坐标信息和所述其他检测框的坐标信息；

根据所述目标检测框的坐标信息和所述其他检测框的坐标信息，生成为目标向量；

将所述目标向量作为所述位置关系特征。

3.根据权利要求2所述的方法，其中，所述根据所述目标检测框的坐标信息和所述其他检测框的坐标信息，生成为目标向量，包括：

根据所述目标检测框的坐标信息和所述其他检测框的坐标信息，确定所述目标检测框与其他检测框之间的距离信息；

将以下至少一项进行归一化处理，得到所述目标向量：

所述目标检测框的坐标信息、所述其他检测框的坐标信息、所述距离信息、所述目标检测框的坐标信息之间的比值、所述其他检测框的坐标信息之间的比值。

4.根据权利要求1-3任一项所述的方法，其中，所述目标检测框的类型为图像；所述目标样本特征基于以下步骤确定：

获取所述目标检测框的视觉样本特征和文本样本特征；

根据所述视觉样本特征和所述文本样本特征，生成所述目标样本特征。

5.根据权利要求4所述的方法，其中，所述获取所述目标检测框的视觉样本特征和文本样本特征，包括：

将所述样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到所述视觉样本特征；以及

将所述样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到所述文本样本特征。

6.根据权利要求5所述的方法，其中，所述根据所述视觉样本特征和所述文本样本特征，生成所述目标样本特征，包括：

利用克罗内克积将所述视觉样本特征和所述文本样本特征进行融合，得到所述目标样本特征。

7.一种文本识别方法，包括：

获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；

将所述坐标信息和所述目标文本信息输入如权利要求1-6任一项所述的方法生成的图神经网络模型中，得到所述第一检测框的字段类别，其中，所述第一检测框的字段类别用于表征所述第一检测框内目标文本信息所属的类别。

8.根据权利要求7所述的方法，其中，所述获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息，包括：

将所述待预测凭证文件输入预设的文本行检测网络中，得到所述待预测凭证文件中第一检测框的坐标信息；

利用预设的文本识别网络，对所述第一检测框进行识别，得到所述第一检测框内的目标文本信息。

9.一种生成图神经网络模型的装置，包括：

数据获取模块，被配置成获取样本凭证文件的图数据，其中，所述图数据包括：节点和边，各个节点为所述样本凭证文件中目标检测框的目标样本特征，所述边为所述目标检测框与其他检测框之间的位置关系特征；

模型训练模块，被配置成利用所述目标样本特征和所述位置关系与对应的字段类别标签，对机器学习模型进行训练，得到图神经网络模型。

10.根据权利要求9所述的装置，所述装置还包括：

信息获取模块，被配置成获取所述目标检测框的尺寸信息和所述样本凭证文件中其他检测框的尺寸信息；

向量生成模块，被配置成根据所述目标检测框的尺寸信息和所述其他检测框的尺寸信息，生成为目标向量；

特征确定模块，被配置成将所述目标向量作为所述位置关系特征。

11.根据权利要求10所述的装置，其中，所述向量生成模块，进一步配置成：

根据所述目标检测框的尺寸信息和所述其他检测框的尺寸信息，确定所述目标检测框与其他检测框之间的距离信息；

将以下至少一项进行归一化处理，得到所述目标向量：

所述目标检测框的尺寸信息、所述其他检测框的尺寸信息、所述距离信息、所述目标检测框的尺寸信息之间的比值、所述其他检测框的尺寸信息之间的比值。

12.根据权利要求9-11任一项所述的装置，其中，所述目标检测框的类型为图像；所述装置还包括：

特征获取模块，被配置成获取所述目标检测框的视觉样本特征和文本样本特征；

特征生成模块，被配置成根据所述视觉样本特征和所述文本样本特征，生成所述目标样本特征。

13.根据权利要求12所述的装置，其中，所述特征获取模块，进一步被配置成：

将所述样本凭证文件中的目标检测框输入预设的视觉特征提取网络中，得到所述视觉样本特征；以及

将所述样本凭证文件中的目标检测框内的文本输入预设的文本特征提取网络中，得到所述文本样本特征。

14.根据权利要求13所述的装置，其中，所述特征生成模块，进一步被配置成：

利用克罗内克积将所述视觉样本特征和所述文本样本特征进行融合，得到所述目标样本特征。

15.一种文本识别装置，包括：

文件获取模块，配置成获取待预测凭证文件中第一检测框的坐标信息和第一检测框内的目标文本信息；

信息得到模块，被配置成将所述坐标信息和所述目标文本信息输入如权利要求1-6任一项所述的方法生成的图神经网络模型中，得到所述第一检测框的字段类别，其中，所述第一检测框的字段类别用于表征所述第一检测框内目标文本信息所属的类别。

16.根据权利要求15所述的装置，其中，所述文件获取模块，进一步被配置成：

将所述待预测凭证文件输入预设的文本行检测网络中，得到所述待预测凭证文件中第一检测框的坐标信息；

根据预设的文本识别网络，对所述第一检测框进行识别，得到所述第一检测框内的目标文本信息。

17.一种电子设备，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1-8中任一所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images