CN114818710A - 表格信息提取方法、装置、设备及介质 - Google Patents

表格信息提取方法、装置、设备及介质 Download PDF

Info

Publication number
CN114818710A
CN114818710A CN202210441727.8A CN202210441727A CN114818710A CN 114818710 A CN114818710 A CN 114818710A CN 202210441727 A CN202210441727 A CN 202210441727A CN 114818710 A CN114818710 A CN 114818710A
Authority
CN
China
Prior art keywords
semantic
initial
target
content record
belonging
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
Application number
CN202210441727.8A
Other languages
English (en)
Inventor
刘东煜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202210441727.8A priority Critical patent/CN114818710A/zh
Publication of CN114818710A publication Critical patent/CN114818710A/zh
Pending legal-status Critical Current

Links

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
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

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)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Machine Translation (AREA)

Abstract

本申请涉及信息处理技术领域，提供了一种表格信息提取方法、装置、设备及介质，所述方法包括：获取待处理的表格，对表格进行识别处理，得到多个文本块，并将各个文本块输入到预训练的命名实体识别模型，以通过命名实体识别模型得到属于内容记录的目标文本块对应的语义标签，语义标签用于表征目标文本块对应的表头标题，之后根据各个目标文本块对应的语义标签，确定表格中对应于语义标签的目标语义实体，最终根据语义标签以及语义标签对应的目标语义实体，生成结构化数据。本实施例提供的表格提取方法在提高提取准确率的同时简化提取流程，提高了信息提取的时效性。

Description

表格信息提取方法、装置、设备及介质
技术领域
本申请涉及信息处理技术领域，尤其涉及一种表格信息提取方法、装置、电子设备及计算机可读存储介质。
背景技术
目前，相关表格信息提取方案中，其主要应用技术分为基于图像技术和基于自然语言处理(Natural Language Processing，NLP)技术。
在基于图像技术解决表格信息提取方案中，通过识别可见的、不可见的表格线来确定表格单元，再通过行列对应关系解析单元格之间的关系。然而在一些特定领域内，表格的排版不够不规整，单元格之间粘贴紧密，从而导致解析准确率较低。此时，使用NLP技术，从文本语义的角度上解析表格能够达到更好的信息提取效果。
然而，由于采用了数量种类过多且工作量较大的NLP模型，相关基于NLP技术实现表格信息提取的方案存在提取流程过长、效率较低等问题。因此，如何提供一种准确率高且流程简单的表格信息提取方法成为亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种表格信息提取方法、装置、电子设备及计算机可读存储介质，能够提高表格信息提取的准确率以及时效性。
为实现上述目的，本申请实施例的第一方面提出了一种表格信息提取方法，所述方法包括：
获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；
对所述表格进行识别处理，得到多个文本块；
将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；
根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；
根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
根据本发明一些实施例提供的表格信息提取方法，所述根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体，包括：
根据各个所述目标文本块对应的语义标签，确定所述语义标签的出现频次；
按照所述出现频次从高到低，对所述语义标签进行排序；
按照排序依次遍历各个所述语义标签，将当前遍历的语义标签作为当前标签，执行以下处理：
基于所述当前标签，对所述内容记录中的各行文本进行数字替换，得到对应于各行文本的多个语义数字序列；
确定各个所述语义数字序列中的最大子串和、所述最大子串和对应的文本，并将所述最大子串和对应的文本作为所述当前标签对应的初始语义实体；
根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
根据本发明一些实施例提供的表格信息提取方法，所述根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体，包括：
获取所述初始语义实体的位置信息；
根据所述位置信息，确定所述表格中属于同列的初始语义实体；
对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体；
合并所述属于同个内容记录的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
根据本发明一些实施例提供的表格信息提取方法，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的字典数据集；
基于所述字典数据集，将所述属于同列的初始语义实体输入到预设的AC自动机中进行匹配，以通过所述AC自动机(Aho-Corasick automaton)得到属于同个内容记录的初始语义实体。
根据本发明一些实施例提供的表格信息提取方法，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的正则表达式；
利用所述正则表达式对所述属于同列的初始语义实体进行匹配，得到属于同个内容记录的初始语义实体。
根据本发明一些实施例提供的表格信息提取方法，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取所述属于同列的初始语义实体的字符特征矩阵；
将所述字符特征矩阵进行最大池化，得到所述初始语义实体的字符特征向量；
将所述字符特征向量输入到Xgboost模型，以通过所述Xgboost模型得到属于同个内容记录的初始语义实体。
根据本发明一些实施例提供的表格信息提取方法，所述命名实体识别模型为基于LayoutLM模型的二维命名实体识别模型；
在所述将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签之前，所述方法还包括：
获取预设的表格训练数据集；
利用所述表格训练数据集对所述二维命名实体识别模型进行增广预训练，其中，所述增广预训练采用基于掩码视觉语言模型的自监督预训练方式。
为实现上述目的，本申请实施例的第二方面提出了一种表格信息提取装置，所述装置包括：
表格获取模块，用于获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；
表格识别模块，用于对所述表格进行识别处理，得到多个文本块；
语义标签提取模块，用于将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；
语义实体提取模块，用于根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；
表格信息提取模块，根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出一种表格信息提取方法、装置、电子设备以及计算机可读存储介质，所述表格信息提取方法通过获取待处理的表格，并对表格进行识别处理，得到多个文本块，将各个文本块输入到预训练的命名实体识别模型，以通过命名实体识别模型得到属于内容记录的目标文本块对应的语义标签，语义标签用于表征目标文本块对应的表头标题，根据各个目标文本块对应的语义标签，确定表格中对应于语义标签的目标语义实体，从而根据语义标签以及语义标签对应的目标语义实体，生成表格的结构化数据，本申请实施例能够根据表格文本的语义信息，划分单元格中的内容记录，从而提取得到表格的结构化数据，本申请在提高提取准确率的基础上，采用轻量化模型以简化提取流程，提高了表格信息提取的时效性。
附图说明
图1是本申请实施例提供的一种表格信息提取方法的流程示意图；
图2是本申请实施例提供的一种表格信息提取方法的流程示意图；
图3是本申请实施例提供的一种表格信息提取方法的流程示意图；
图4是本申请实施例提供的一种LayoutLm模型结构示意图；
图5是本申请实施例提供的一种保险利益表的表格示意图；
图6是图5示出的保险利益表中的部分语义实体示意图；
图7是图5示出的保险利益表中的部分语义实体示意图；
图8是本申请实施例提供的一种表格信息提取装置的结构示意图；
图9是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
LayoutLM模型，目前大量的研究成果表明，大规模预训练语言模型能够通过自监督任务在预训练阶段有效捕捉文本中蕴含的语义信息，经过下游任务微调后能有效地提升模型效果。然而，现有的预训练语言模型主要针对文本单一模态进行，而忽视了文档本身与文本天然对齐的视觉结构信息。通用文档预训练模型LayoutLM通过对文档结构信息(Document Layout Information)和视觉信息(Visual Information)进行建模，让模型在预训练阶段进行多模态对齐，在预训练中引入的结构和视觉信息，能够有效地迁移到下游任务中，在表单理解(Form Understanding)，票据理解(Receipt Understanding)，以及文档图像分类(Document Image Classification)等下游任务中取得了显著的准确率提升。参见图4，图4示出了本申请实施例提供的一种LayoutLM模型结构示意图，如图4所示，LayoutLM模型结构在现有的预训练模型上添加了2-DPosition Embedding和ImageEmbedding两种新的Embedding层：
2-D Position Embedding，根据OCR技术获得的文本块，我们能获取文本在文档中的具体位置。将对应坐标转化为虚拟坐标之后，我们计算该坐标对应在x、y、w、h四个Embedding子层的表示，最终的2-D Position Embedding为四个子层的Embedding之和。
Image Embedding，在Image Embedding部分，我们将每个文本相应的文本块当作更快的R-CNN中的候选框(Proposal)，从而提取对应的局部特征。特殊地，由于[CLS]符号用于表示整个输入文本的语义，我们同样使用整张文档图像作为该位置的Image Embedding，从而保持模态对齐。
掩码视觉语言模型(Masked Visual-Language Model，MVLM)，一种LayoutLM模型的自监督预训练任务，目前大量实验已经证明掩码语言模型(Masked Language Model，MLM)能够在预训练阶段有效地进行自监督学习，在基础上进行了修改：在遮盖(Mask)当前词之后，保留对应的2-D Position Embedding暗示，让模型预测对应的词。在这种方法下，模型根据已有的上下文和对应的视觉暗示预测被遮罩的词，从而让模型更好地学习文本位置和文本语义的模态对齐关系。
目前，相关表格信息提取方案中，其主要应用技术分为基于图像技术和基于自然语言处理(Natural Language Processing，NLP)技术。
在基于图像技术解决表格信息提取方案中，通过识别可见的、不可见的表格线来确定表格单元，再通过行列对应关系解析单元格之间的关系。然而在一些特定领域内，表格的排版不够不规整，单元格之间粘贴紧密，从而导致解析准确率较低。此时，使用NLP技术，从文本语义的角度上解析表格能够达到更好的信息提取效果。
然而，由于采用了数量种类过多且工作量较大的NLP模型，相关基于NLP技术实现表格信息提取的方案存在提取流程过长、效率较低等问题。因此，如何提供一种准确率高且流程简单的表格信息提取方法成为亟待解决的技术问题。
基于此，本申请实施例提供了一种表格信息提取方法、装置、电子设备及存储介质，能够提高表格信息提取的准确率以及时效性。
本申请实施例提供的一种表格信息提取方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的表格信息提取方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的表格信息提取方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现表格信息提取方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参见图1，图1示出了本申请实施例提供的一种表格信息提取方法的流程示意图。如图1所示，该表格信息提取方法包括但不限于步骤S110至S150：
步骤S110，获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录。
示例性的，参见图5，图5示出了本申请实施例提供的一种保险利益表的表格示意图，如图5所示，保险利益表格为待处理的表格，其表格包括表头标题：{险种名称、基本保险金额、保险期间、交费方式、保险费交费日期/交费期满日、保险费}，其中，表头标题对应的内容记录包括：
“险种名称”表头标题对应有内容记录：{健康无忧重大疾病保险、康健华贵医疗保险、住院无忧医疗保险、意外伤害保险}；
“基本保险金额”表头标题对应有内容记录：{100000.00元、200000.00元、10000.00元、200000.00元}；
“保险期间”表头标题对应有内容记录：{终身、至2020年12月1日、至2020年12月1日、至2020年12月1日}；
“交费方式”表头标题对应有内容记录：{年交/20年、一次交清、一次交清、一次交清}；
“保险费交费日期/交费期满日”表头标题对应有内容标题：{每年12月1日/2038年12月1日}；
“保险费”表头标题对应有内容记录：{每年3210.00元、380.00元、300.00元、500.00元}。
可以理解的是，所述表格可以是图片格式或者可携带文档格式(PortableDocument Format，PDF)。
步骤S120，对所述表格进行识别处理，得到多个文本块。
可以理解的是，通过光学字符识别(Optical Character Recognition，OCR)技术对表格进行识别处理，得到表格中多个文本块。其中，文本块包括有文本块在表格中的坐标信息以及字符文本等信息。
步骤S130，将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题。
可以理解的是，通过预训练的命名实体识别模型，对文本块中的字符进行多标签分类，得到属于内容记录的目标文本块对应的语义标签。
示例性的，通过预先定义表格的语义标签集，参照图5，对于图中的保险利益表，语义标签用于表征目标文本块对应的表头标题，因此语义标签集可定义如下：{险种名称、基本保险金额、保险期间、交费方式、保险费交费日期/交费期满日、保险费、其他}，利用预训练的命名实体识别模型进行序列标注任务，微调(fine-tuning)标注表格数据，对文本块中的字进行多标签分类，得到包括目标文本块对应的语义标签，所述目标文本块对应所述表格的内容记录。参见图6，图6是图5示出的保险利益表中的部分语义实体示意图，如图6所示，在“险种名称”表头标题对应有内容记录：{健康无忧重大疾病保险、康健华贵医疗保险、住院无忧医疗保险、意外伤害保险}，通过对这部分内容记录对应的目标文本块进行标签分类，得到所述目标文本块对应的语义标签：“险种名称”；在“保险费”表头标题对应有内容记录：{每年3210.00元、380.00元、300.00元、500.00元}，通过对这部分内容记录对应的目标文本块进行标签分类，得到所述目标文本块对应的语义标签：“保险费”。
在一个具体实施例中，当所述目标文本块中出现不同的语义标签，则通过标签平滑，即通过标签投票法选出该目标文本块中出现频次最大的语义标签，并将该出现频次最大的语义标签作为该目标文本块内所有字的语义标签，也就是该目标文本块对应的语义标签。
示例性的，“交费期限”表头标题对应有内容记录：“2036年06月06日”，当属于内容记录“2036年06月06日”的目标文本块中的“2036年”和“月06日”都被标记为“交费期限”语义标签，而“06”被标记为其他语义标签时，通过标签平滑仍能够准确得到该目标文本块的语义标签：“交费期限”。
在一些实施例中，所述命名实体识别模型为基于LayoutLM模型的二维命名实体识别模型；
在所述将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签之前，所述方法还包括：
获取预设的表格训练数据集；
利用所述表格训练数据集对所述二维命名实体识别模型进行增广预训练，其中，所述增广预训练采用基于掩码视觉语言模型的自监督预训练方式。
需要说明的是，本申请实施例使用如图4中LayoutLm模型的非CNN部分，也就是LayoutLm模型中五层Embedding输入层以及LayouLm Embedding层，其中，Text Embedding层表示OCR识别结果中的字符级别文本，在Position Embedding中，x0和y0表示OCR识别结果中的字符左上角标准化后的坐标，x1和y1表示OCR识别结果中字符所在的文本块中心点标准化后的坐标，其中，坐标标准化是指将x坐标和y坐标，即图片的宽和高映射到一定区间范围内的数字上，例如0至1000。
可以理解的是，通过获取预设的表格训练数据集，并表格训练数据集的OCR识别结果，对基于LayoutLM模型的二维命名实体识别模型进行增广预训练，其中，训练方法采用MVLM方法。
示例性的，当本申请实施例提供的表格信息提取方法应用在保险领域中表格信息提取，则可以通过采用大规模保险领域中表格的OCR识别结果对命名实体识别模型进行增广预训练，得到预训练后的命名实体识别模型，以通过该预训练的命名实体识别模型得到表格中目标文本块对应的语义标签。
应了解，根据本申请实施例提供的表格信息提取方法的应用领域，只需选取对应的表格训练数据集对命名实体识别模型进行预训练，便于应用领域的迁移。
步骤S140，根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体。
可以理解的是，根据各个目标文本块对应的语义标签，可以确定表格中的目标语义实体。示例性的，参照图6，如“保险费”表头标题下，属于内容记录的目标文本块对应的语义标签为“保险费”，该语义标签使用与表头标题相同的名称，用于表征目标文本块对应的表头标题。因此，根据各个目标文本块对应的语义标签，如目标文本块“每年3210.00元”对应的语义标签为“保险费”，可以确定表格中对应于所述语义标签的目标语义实体，如表格中对应于语义标签为“保险费”的目标语义实体有：{每年3210.00元、380.00元、300.00元、500.00元}，另一方面，也就是说目标语义实体为表格中的完整的内容记录。
请参见图2，图2示出了本申请实施例提供的一种表格信息提取方法的流程示意图。如图2所示，在一些实施例中，所述步骤S140包括但不限于步骤S210至S260：
步骤S210，根据各个所述目标文本块对应的语义标签，确定所述语义标签的出现频次；
步骤S220，按照所述出现频次从高到低，对所述语义标签进行排序；
步骤S230，按照排序依次遍历各个所述语义标签，将当前遍历的语义标签作为当前标签，执行以下处理：
步骤S240，基于所述当前标签，对所述内容记录中的各行文本进行数字替换，得到对应于各行文本的多个语义数字序列；
步骤S250，确定各个所述语义数字序列中的最大子串和、所述最大子串和对应的文本，并将所述最大子串和对应的文本作为所述当前标签对应的初始语义实体；
步骤S260，根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
可以理解的是，通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，表格内容记录中的每行文本可能存在属于同个内容记录的目标文本块却被标记为不同的语义标签的情况，本申请实施例提供的表格信息提取方法能够基于最大子串和算法，根据各个目标文本块对应的语义标签，确定表格中对应于语义标签的目标语义实体，正确提取表格每行文本中的内容记录。示例性的，表格内容记录中的一行文本包括有三个目标文本块，所述三个目标文本对应的文本为：{截止、2020年、3月2日}且所述文本属于“保险期间”表头标题下的一个内容记录，通过命名实体识别模型得到所述三个目标文本块对应的语义标签分别为：{保险期间、交费期间、保险期间}，基于最大子串和算法，根据所述三个目标文本块对应的语义标签，确定表格中对应于“保险期间”语义标签的目标语义实体：“截止2020年3月2日”，也就是表格中对应于“保险期间”表头标题的内容记录：“截止2020年3月2日”。
具体地，先根据各个目标文本块对应的语义标签，确定语义标签的出现频次，再按照出现频次从高到低，对语义标签进行排序，例如语义标签的出现频次按照从高到低依次为：{险种名称、基本保险金额、保险期间、交费方式、其他}，则按照该排序依次遍历各个语义标签，将当前遍历的语义标签作为当前标签，执行以下处理：
步骤S240，基于所述当前标签，对所述内容记录中的各行文本进行数字替换，得到对应于各行文本的多个语义数字序列。
示例性的，当前标签为“险种名称”，对表格内容记录中的一行文本：“健康无忧重大疾病保险100000.00元终身年交/20年每年12月1日日/2038年12月1日每年3210.00元”进行数字替换。其中，上述行文本的目标文本块对应的语义标签为：{健康：“险种名称”，无忧：“交费方式”，重大疾病保险：“险种名称”，……}，通过以下方式进行数字替换：将对应语义标签为“险种名称”的目标文本块中的文本替换为数字“1”，将对应其他语义标签的目标文本块中的文本替换为数字“-1”，将对应“其他”标签的目标文本块中的文本替换为数字“0”，从而得到对应于所述行文本的语义数字序列：{1，1，-1，-1，1，1，1，1，1，1，-1，-1,-1,-1,-1,-1,-1，……，-1}。
步骤S250，确定各个所述语义数字序列中的最大子串和、所述最大子串和对应的文本，并将所述最大子串和对应的文本作为所述当前标签对应的初始语义实体。
示例性的，以上述步骤S240中的示例进行说明，确定语义数字序列：{1，1，-1，-1，1，1，1，1，1，1，-1，-1,-1,-1,-1,-1,-1，……，-1}中的最大子串和：{1，1，-1，-1，1，1，1，1，1，1}，以及所述最大子串和对应的文本：“健康无忧重大疾病保险”，将所述最大子串和对应的文本：“健康无忧重大疾病保险”作为当前标签“险种名称”对应的初始语义实体。
可以理解的是，为了提高信息提取的准确率以及效率，当前遍历操作中数字替换的替换对象不包括在前面遍历操作中确定的初始语义实体，也就是说，在基于当前标签对内容记录中的各行文本进行数字替换时，不对已被确定为初始语义实体的文本进行数字替换。
应了解，对语义数字序列进行数字替换不限于上述示例中的方式以及具体数值，只要能够通过数字替换得到语义数字序列，并基于最大子串和算法确定当前标签对应的初始语义实体，本申请实施例对此不作限制。
需要说明的是，从数字序列中获取其最大子串和的算法为本领域技术人员所知，在此不做赘述。
步骤S260，根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
可以理解的是，经过上述遍历操作，可以得到各个当前标签在表格各行内容记录中对应的初始语义实体，进而确定表格中对应于语义标签的目标语义实体，也就是表格中对应于表头标题的完整的内容记录。
请参见图3，图3示出了本申请实施例提供的一种表格信息提取方法的流程示意图。如图3所示，在一些实施例中，所述步骤S260包括但不限于步骤S310至S340：
步骤S310，获取所述初始语义实体的位置信息。
步骤S330，根据所述位置信息，确定所述表格中属于同列的初始语义实体。
可以理解的是，获取初始语义实体的位置信息，例如通过获取初始语义实体对应的目标文本块，其中，目标文本块包括有目标文本块在表格中的坐标信息以及字符文本等信息，根据目标文本块包括的坐标信息，得到初始语义实体的位置信息。之后根据初始语义实体的位置信息，确定表格中属于同列的初始语义实体，然后对属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体。
步骤S330，对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体。
步骤S340，合并所述属于同个内容记录的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
应了解，表格中若存在属于同个内容记录的文本出现跨行的情况，则需要对其进行判断，以确定在表格同一列内容记录的文本是否属于同个内容记录。示例性的，如图6所示，表格中“险种名称”表头标题下有内容记录：“住院无忧医疗保险”等，但其出现了跨行情况，被划分为两个初始语义实体：“住院无忧医疗”和“保险”。因此，需要对“住院无忧医疗”和“保险”进行判断，以确定该目标语义实体属于同个内容记录，并进行合并从而得到对应于“险种名称”语义标签的目标语义实体：“住院无忧医疗保险”。
示例性的，对属于同列的初始语义实体进行判断，参照图6，对于“险种名称”表头标题对应的同一列初始语义实体，可以从第一行开始，两两初始语义实体依次进行判定，例如，先对初始语义实体“健康无忧重大”和“疾病保险”进行判断，确定是否属于两者是否属于同个内容记录：
若初始语义实体“健康无忧重大”和“疾病保险”属于同个内容记录，则对文本“健康无忧重大疾病保险”与初始语义实体“康健华贵医疗”进行判断；
若初始语义实体“健康无忧重大”和“疾病保险”不属于同个内容记录，则对初始语义实体“疾病保险”和初始语义实体“康健华贵医疗”进行判断；
以此类推，可以确定属于同个内容记录的初始语义实体为：{“健康无忧重大”和“疾病保险”、“康健华贵医疗”和“保险”、“住院无忧医疗”和“保险”}，之后，合并属于同个内容记录的初始语义实体，确定表格中对应于语义标签的目标语义实体，参照图7，图7是图5示出的保险利益表中的部分语义实体示意图，如图7所示，对应于“险种名称”语义标签的目标语义实体，也就是对于“险种名称”表头标题，属于同个内容记录的初始语义实体为：{健康无忧重大疾病保险、康健华贵医疗保险、住院无忧医疗保险、意外伤害险}。
需要说明的是，对属于同列的初始语义实体进行判断，不限于上述示例提供的方式和顺序，只要能够确定同一列内容记录的初始语义实体是否属于同个内容记录，本实施例对此不作限制。
在一些实施例中，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的字典数据集；
基于所述字典数据集，将所述属于同列的初始语义实体输入到预设的AC自动机中进行匹配，以通过所述AC自动机得到属于同个内容记录的初始语义实体。
可以理解的是，所述字典数据集可以是名词字典或者词-词频字典。其中，针对本实施例提供的表格信息提取方法，根据所述表格信息提取方法的应用领域，获取对应的字典数据集。示例性的，所述表格信息提取方法应用于保险领域，则获取对应的保险名词字典以及保险名词-词频字典。
在一个具体实施例中，所述表格信息提取方法应用于保险领域，对属于同列且上下相邻的两两初始语义实体进行判断，使用对应的保险名词字典以及保险名词-词频字典，通过预设的AC自动机进行匹配，通过AC自动机确定两两初始语义实体是否属于同个内容记录，也就是通过AC自动机得到属于同个内容记录的初始语义实体。
在一些实施例中，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的正则表达式；
利用所述正则表达式对所述属于同列的初始语义实体进行匹配，得到属于同个内容记录的初始语义实体。
示例性的，对于初始语义实体为日期类型的文本，获取预设的日期正则表达式，如：YYYY年MM月DD日，对属于同列的初始语义实体进行匹配，例如，利用日期正则表达式：YYYY年MM月DD日，对属于同列的初始语义实体{2020年、12月1日}进行匹配，可以确定初始语义实体{2020年、12月1日}属于同个内容记录。
在一些实施例中，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取所述属于同列的初始语义实体的字符特征矩阵；
将所述字符特征矩阵进行最大池化，得到所述初始语义实体的字符特征向量；
将所述字符特征向量输入到Xgboost模型，以通过所述Xgboost模型得到属于同个内容记录的初始语义实体。
示例性的，利用如图4中的预训练Layout模型，将LayoutLm模型中五层Embedding输入层以及LayouLm Embedding层作为语义段落的特征提取器，输出512维的字符特征向量。取出属于同列的初始语义实体的一维字符特征矩阵，例如属于同列且上下相邻的两个初始语义实体的一维字符特征矩阵：
Figure BDA0003615143240000121
和
Figure BDA0003615143240000122
分别进行最大池化Max-pooling，得到两个初始语义实体对应的字符特征向量：
Figure BDA0003615143240000131
和
Figure BDA0003615143240000132
并将所述字符特征向量输入到Xgboost模型，以通过Xgboost模型确定所述两个初始语义实体是否属于同个内容记录，也就是通过Xgboost模型得到属于同个内容记录的初始语义实体。
可以理解的是，上述实施例中还可以选用其他机器学习模型，本申请实施例在此不作限制。
在一个具体实施例中，所述方法通过AC自动机匹配、正则表达式匹配以及Xgboost模型学习方式对属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体。其中，AC自动机匹配、正则表达式匹配以及Xgboost模型学习三种方式互补，任意一种方式确定初始语义实体属于同个内容记录，即可得到属于同个内容记录的初始语义实体。
步骤S150，根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
可以理解的是，语义标签用于表征目标文本块对应的表头标题，而对应语义标签的目标语义实体为表格中表头标题对应的内容记录，因此，根据语义标签以及语义标签对应的目标语义实体，也就是根据表头标题以及表头标题对应的内容记录，生成结构化数据。
下面通过一个应用于保险领域的具体实施例，描述本申请实施例提供的表格信息提取方法：
参见图4至图7，所述表格信息提取方法通过获取保险单表格训练数据集，采用MVLM方法，利用该表格训练数据集对基于LayoutLM模型的二维命名实体识别模型进行增广预训练。
获取待处理的保险利益表，并对保险利益表进行OCR识别处理，得到多个文本块，通过定于语义标签集{险种名称、基本保险金额、保险期间、交费方式、保险费交费日期/交费期满日、保险费、其他}，并将多个文本块输入到预训练的命名实体识别模型，以通过该命名实体识别模型进行序列标注任务，微调(fine-tuning)标注表格数据，对文本块中的字进行多标签分类，得到属于内容记录的目标文本块对应的语义标签，语义标签用于表征目标文本块对应的表头标题。
根据各个目标文本块对应的语义标签，确定保险利益表中对应于语义标签的目标语义实体，其中，若保险利益表中存在同个内容记录的文本被划为了多个目标文本块或者同个内容记录的文本出现跨行的情况，则基于最大子串和算法对内容记录的每行文本进行判断和合并，或者通过AC自动机匹配、正则表达式匹配以及Xgboost模型学习等方法对内容记录的每列文本进行判断和合并，以确定保险利益表中对应于语义标签的目标语义实体，也就是确定保险利益表中对应于表头标题的完整的内容记录。
最后，根据语义标签以及语义标签对应的目标语义实体，也就是根据表头标题以及表头标题对应的内容记录，生成结构化数据：
Figure BDA0003615143240000141
进一步可以理解的是，本申请实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本申请提出一种表格信息提取方法、装置、电子设备以及计算机可读存储介质，所述表格信息提取方法通过获取待处理的表格，并对表格进行识别处理，得到多个文本块，将各个文本块输入到预训练的命名实体识别模型，以通过命名实体识别模型得到属于内容记录的目标文本块对应的语义标签，语义标签用于表征目标文本块对应的表头标题，根据各个目标文本块对应的语义标签，确定表格中对应于语义标签的目标语义实体，从而根据语义标签以及语义标签对应的目标语义实体，生成表格的结构化数据，本申请实施例能够根据表格文本的语义信息，划分单元格中的内容记录，从而提取得到表格的结构化数据，本申请在提高提取准确率的基础上，采用轻量化模型以简化提取流程，提高了表格信息提取的时效性。
请参见图8，本申请实施例还提供了一种表格信息提取装置100，所述表格信息提取装置100包括：
表格获取模块110，用于获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；
表格识别模块120，用于对所述表格进行识别处理，得到多个文本块；
语义标签提取模块130，用于将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；
语义实体提取模块140，用于根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；
表格信息提取模块150，根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
本申请提出一种表格信息提取装置，表格信息提取装置通过表格获取模块获取待处理的表格，表格识别模块对表格进行识别处理，得到多个文本块，语义标签提取模块将各个文本块输入到预训练的命名实体识别模型，以通过命名实体识别模型得到属于内容记录的目标文本块对应的语义标签，语义标签用于表征目标文本块对应的表头标题，语义实体提取模块根据各个目标文本块对应的语义标签，确定表格中对应于语义标签的目标语义实体，表格信息提取模块根据语义标签以及语义标签对应的目标语义实体，生成表格的结构化数据，本申请实施例能够根据表格文本的语义信息，划分单元格中的内容记录，从而提取得到表格的结构化数据，本申请在提高提取准确率的基础上，采用轻量化模型以简化提取流程，提高了表格信息提取的时效性。
需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
请参见图9，图9示出本申请实施例提供的一种电子设备的硬件结构，电子设备包括：
处理器210，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集合成电路等方式实现，用于执行相关计算机程序，以实现本申请实施例所提供的技术方案；
存储器220，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器220可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器220中，并由处理器210来调用执行本申请实施例的表格信息提取方法；
输入/输出接口230，用于实现信息输入及输出；
通信接口240，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线250，在设备的每个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息；
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个计算机程序，一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述表格信息提取方法。
存储器作为一种计算机可读存储介质，可用于存储软件程序以及计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集合成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请每个实施例中的各功能单元可以集合成在一个处理单元中，也可以是每个单元单独物理存在，也可以两个或两个以上单元集合成在一个单元中。上述集合成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集合成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请每个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种表格信息提取方法，其特征在于，包括：
获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；
对所述表格进行识别处理，得到多个文本块；
将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；
根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；
根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
2.根据权利要求1所述的表格信息提取方法，其特征在于，所述根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体，包括：
根据各个所述目标文本块对应的语义标签，确定所述语义标签的出现频次；
按照所述出现频次从高到低，对所述语义标签进行排序；
按照排序依次遍历各个所述语义标签，将当前遍历的语义标签作为当前标签，执行以下处理：
基于所述当前标签，对所述内容记录中的各行文本进行数字替换，得到对应于各行文本的多个语义数字序列；
确定各个所述语义数字序列中的最大子串和、所述最大子串和对应的文本，并将所述最大子串和对应的文本作为所述当前标签对应的初始语义实体；
根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
3.根据权利要求2所述的表格信息提取方法，其特征在于，所述根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体，包括：
获取所述初始语义实体的位置信息；
根据所述位置信息，确定所述表格中属于同列的初始语义实体；
对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体；
合并所述属于同个内容记录的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。
4.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的字典数据集；
基于所述字典数据集，将所述属于同列的初始语义实体输入到预设的AC自动机中进行匹配，以通过所述AC自动机得到属于同个内容记录的初始语义实体。
5.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取预设的正则表达式；
利用所述正则表达式对所述属于同列的初始语义实体进行匹配，得到属于同个内容记录的初始语义实体。
6.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：
获取所述属于同列的初始语义实体的字符特征矩阵；
将所述字符特征矩阵进行最大池化，得到所述初始语义实体的字符特征向量；
将所述字符特征向量输入到Xgboost模型，以通过所述Xgboost模型得到属于同个内容记录的初始语义实体。
7.根据权利要求1所述的表格信息提取方法，其特征在于，所述命名实体识别模型为基于LayoutLM模型的二维命名实体识别模型；
在所述将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签之前，所述方法还包括：
获取预设的表格训练数据集；
利用所述表格训练数据集对所述二维命名实体识别模型进行增广预训练，其中，所述增广预训练采用基于掩码视觉语言模型的自监督预训练方式。
8.一种表格信息提取装置，其特征在于，所述装置包括：
表格获取模块，用于获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；
表格识别模块，用于对所述表格进行识别处理，得到多个文本块；
语义标签提取模块，用于将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；
语义实体提取模块，用于根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；
表格信息提取模块，根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的程序，当所述处理器执行所述存储器存储的程序时，所述处理器用于执行：如权利要求1至7中任一项所述的表格信息提取方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行：如权利要求1至7中任一项所述的表格信息提取方法。
CN202210441727.8A 2022-04-25 2022-04-25 表格信息提取方法、装置、设备及介质 Pending CN114818710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210441727.8A CN114818710A (zh) 2022-04-25 2022-04-25 表格信息提取方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210441727.8A CN114818710A (zh) 2022-04-25 2022-04-25 表格信息提取方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114818710A true CN114818710A (zh) 2022-07-29

Family

ID=82507962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210441727.8A Pending CN114818710A (zh) 2022-04-25 2022-04-25 表格信息提取方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114818710A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665228A (zh) * 2023-07-31 2023-08-29 恒生电子股份有限公司 图像处理方法及装置
CN116798056A (zh) * 2023-08-28 2023-09-22 星汉智能科技股份有限公司 表格图像定位方法、装置、设备、计算机可读存储介质
CN117252183A (zh) * 2023-10-07 2023-12-19 之江实验室 一种基于语义的多源表格自动匹配方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665228A (zh) * 2023-07-31 2023-08-29 恒生电子股份有限公司 图像处理方法及装置
CN116665228B (zh) * 2023-07-31 2023-10-13 恒生电子股份有限公司 图像处理方法及装置
CN116798056A (zh) * 2023-08-28 2023-09-22 星汉智能科技股份有限公司 表格图像定位方法、装置、设备、计算机可读存储介质
CN116798056B (zh) * 2023-08-28 2023-11-17 星汉智能科技股份有限公司 表格图像定位方法、装置、设备、计算机可读存储介质
CN117252183A (zh) * 2023-10-07 2023-12-19 之江实验室 一种基于语义的多源表格自动匹配方法、装置及存储介质
CN117252183B (zh) * 2023-10-07 2024-04-02 之江实验室 一种基于语义的多源表格自动匹配方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN107705066B (zh) 一种商品入库时信息录入方法及电子设备
CN114818710A (zh) 表格信息提取方法、装置、设备及介质
CN112001177A (zh) 融合深度学习与规则的电子病历命名实体识别方法及系统
CN111428493A (zh) 实体关系获取方法、装置、设备及存储介质
CN113051356A (zh) 开放关系抽取方法、装置、电子设备及存储介质
CN113569554B (zh) 一种数据库中实体对匹配方法、装置、电子设备及存储介质
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN111666766A (zh) 数据处理方法、装置和设备
CN114821590A (zh) 文档信息提取方法、装置、设备及介质
CN113806493A (zh) 一种用于互联网文本数据的实体关系联合抽取方法、装置
CN114612921A (zh) 表单识别方法、装置、电子设备和计算机可读介质
Markewich et al. Segmentation for document layout analysis: not dead yet
CN115269781A (zh) 模态关联度预测方法、装置、设备、存储介质及程序产品
CN114416939A (zh) 智能问答方法、装置、设备及存储介质
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN111898528B (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN109753581A (zh) 图像处理方法、装置、电子设备和存储介质
CN113408323A (zh) 表格信息的提取方法、装置、设备及存储介质
CN116049434A (zh) 电力施工安全知识图谱的构建方法、装置及电子设备
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
Wang et al. Analysis of reference relationships among research papers, based on citation context
CN115525761A (zh) 一种文章关键词筛选类别的方法、装置、设备及存储介质
CN114911940A (zh) 文本情感识别方法及装置、电子设备、存储介质
Xu et al. Estimating similarity of rich internet pages using visual information
CN114840680A (zh) 一种实体关系联合抽取方法、装置、存储介质及终端

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