CN114860867A - 训练文档信息抽取模型、文档信息抽取的方法和装置 - Google Patents
训练文档信息抽取模型、文档信息抽取的方法和装置 Download PDFInfo
- Publication number
- CN114860867A CN114860867A CN202210558415.5A CN202210558415A CN114860867A CN 114860867 A CN114860867 A CN 114860867A CN 202210558415 A CN202210558415 A CN 202210558415A CN 114860867 A CN114860867 A CN 114860867A
- Authority
- CN
- China
- Prior art keywords
- document
- training data
- information extraction
- document information
- feature
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/174—Form filling; Merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了训练文档信息抽取模型和文档信息抽取的方法和装置,涉及人工智能领域,尤其涉及自然语言处理领域。具体实现方案为:获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;从所述训练数据中提取出至少一项特征;将所述至少一项特征融合后得到融合特征;将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。该实施方式能够将流式文档信息抽取能力和版式文档信息抽取能力整合到统一架构的模型中,保持模型信息抽取效果的同时提升了模型的通用性,减少了私有化成本。
Description
技术领域
本公开涉及人工智能领域,尤其涉及自然语言处理领域,具体为一种训练文档信息抽取模型、文档信息抽取的方法和装置。
背景技术
在真实的用户业务场景中,对文本的标注成本往往是非常昂贵的。因此,模型的零样本或是小样本学习能力非常重要,这决定了信息抽取模型是否可以在多个不同垂类的应用场景下被广泛的使用和部署。
同时,用户给出的少量标注数据可能同时包含了流式文档(*.doc、*.docx、*.Wps、*.Txt、*.excel等)和版式文档(*.pdf、*.jpg、*.Jpeg、*.Png、*.Bmp、*.tif等)。为了尽可能的利用用户给出的标注数据,根据用户需求对模型进行充分的训练,因此将流式文档信息抽取能力和版式文档信息抽取能力整合到统一架构的模型中是非常必要的。
相关技术在文档信息抽取过程中,将信息抽取拆解为两阶段,导致错误的累积,时耗较高,无法充分结合视觉和语义的信息。不能充分利用全部训练数据,需要更多的标注,人力成本高。
发明内容
本公开提供了一种训练文档信息抽取模型、文档信息抽取的方法、装置、设备、存储介质以及计算机程序产品。
根据本公开的第一方面,提供了一种训练文档信息抽取模型的方法,包括:获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;从所述训练数据中提取出至少一项特征;将所述至少一项特征融合后得到融合特征;将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。
根据本公开的第二方面,提供了一种文档信息抽取方法,包括:获取待提取的文档信息;从所述文档信息中提取出至少一项特征;将所述至少一项特征融合后得到融合特征;将预设的问题、所述融合特征和所述文档信息输入根据第一方面中任一项所述的方法训练出的文档信息抽取模型,得到答案。
根据本公开的第三方面,提供了一种训练文档信息抽取模型的装置,包括:获取单元,被配置成获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;提取单元,被配置成从所述训练数据中提取出至少一项特征;融合单元,被配置成将所述至少一项特征融合后得到融合特征;预测单元,被配置成将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;调整单元,被配置成基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。
根据本公开的第四方面,提供了一种文档信息抽取装置,包括:获取单元,被配置成获取待提取的文档信息;提取单元,被配置成从所述文档信息中提取出至少一项特征;融合单元,被配置成将所述至少一项特征融合后得到融合特征;预测单元,被配置成将预设的问题、所述融合特征和所述文档信息输入根据第二方面中任一项所述的装置训练出的文档信息抽取模型,得到答案。
根据本公开的第五方面,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第一方面中任一项所述的方法。
根据本公开的第六方面,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根据第一方面中任一项所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面中任一项所述的方法。
本公开的实施例提供的训练文档信息抽取模型、文档信息抽取的方法和装置,利用自然语言处理技术赋能企业客户文档信息抽取需求,整合了流式文档与版式文档信息抽取能力。引入全新特征对流式文档和版式文档进行标记区分,保持模型信息抽取效果的同时提升了模型的通用性,减少了私有化成本。同时引入文档二维空间布局信息,提升了版式文档信息抽取效果。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的训练文档信息抽取模型的方法的一个实施例的流程图;
图3a-3b是根据本公开的训练文档信息抽取模型的方法的一个应用场景的示意图;
图4是根据本公开的文档信息抽取方法的一个实施例的流程图;
图5是根据本公开的训练文档信息抽取模型的装置的一个实施例的结构示意图;
图6是根据本公开的文档信息抽取装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,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和精神。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。
图1示出了可以应用本公开实施例的训练文档信息抽取模型的方法、训练文档信息抽取模型的装置、文档信息抽取方法或文档信息抽取装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、文档信息抽取类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其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。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本,即训练数据。其中,样本可以包括版式文档训练数据和流式文档训练数据。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对初始模型进行训练,并可以将训练结果(如生成的文档信息抽取模型)发送给终端101、102。这样,用户可以应用生成的文档信息抽取模型进行文档信息抽取。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,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。当它们为软件时,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。数据库服务器104和服务器105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。数据库服务器104和服务器105也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
需要说明的是,本公开实施例所提供的训练文档信息抽取模型的方法或文档信息抽取方法一般由服务器105执行。相应地,训练文档信息抽取模型的装置或文档信息抽取装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本公开的训练文档信息抽取模型的方法的一个实施例的流程200。该训练文档信息抽取模型的方法可以包括以下步骤:
步骤201,获取标注了预设问题对应的答案的训练数据和文档信息抽取模型。
在本实施例中,训练文档信息抽取模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取训练数据和文档信息抽取模型。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的文档信息抽取模型和训练数据。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集训练数据,包括:版式文档训练数据和流式文档训练数据。这样,执行主体可以接收终端所收集的训练数据,并将这些训练数据存储在本地,从而生成样本集。训练数据标注了预设问题对应的答案,例如,问题“姓名”,标注出答案“张三”。可通过人工方式标注,也可通过自动打标的方式标注训练数据。流式文档支持自由编辑,在浏览是按流式灌排的方式进行版面计算和绘制。流式文档一般包含元数据、式样、书签。超级链接、对象、节(最大的排版单元,不同页面式样的文档内容形成不同的分节)、段落、句及其他元素和属性。这些内容按一定的层次结构进行描述,就形成了流式文档的格式,例如word、txt等。版式文档就是指不可编辑的,也就是固定版式的文档,例如pdf、jpg等。版式文档不会“跑版”,在任何设备上显示和打印效果是高度精确一致的。文件中的文字元素内容、位置、样式等在生成文件的时候就已经固定好了,其他人是不好进行修改编辑的,只能在上面加一些注释、签名等信息,在不同软件、操作系统等环境中能保持高度的一致性。
文档信息抽取模型是一种阅读理解模型,包括但不限于ERNIE、BERT等。
步骤202,从训练数据中提取出至少一项特征。
在本实施例中,对于每个版式文本或流式文档,可利用现有的工具提取出至少一项特征。例如,语义特征、流式阅读顺序信息、文本字符的空间位置信息、文本分段信息、文档类型等。
流式阅读顺序信息指的是从左到右,从上到下的顺序读取文本字符,如果是版式文档,则先按从左到右,从上到下的顺序分栏,在每个栏目内再按从左到右,从上到下的顺序阅读。
文本字符的空间位置信息指的是文本字符在二维空间中的位置理解文档整体的布局信息。例如根据整个页面上所有字符的分布位置和字号大小,判断出哪里是标题,哪里是分栏了,哪里是表格等。字符二维空间位置的表示(position embedding 2D)共有六种:x0,y0(字符外框左上角的点的x和y坐标);x1,y1(字符外框的右下角的点的x和y坐标);w,h(字符外框的宽度和高度)。我们为x、y、w、h分别建立映射表,使得模型通过不断的学习,可以分别为字符的x、y、w、h四种特征学习出对应的表示向量。
文本分段信息,指的是文档文本的各个段落、表格的各个单元格等等信息。可利用现有的工具,例如Textmind对文档结构进行解析,获得到文档文本的各个段落、表格的各个单元格等等信息,并为不同的段落、不同的单元格赋予不同的segment id。
文档类型,指的是流式文档、版式文档。由于本申请提出的模型架构为开放域统一信息抽取模型,需要同时解决流式文档和版式文档的信息抽取任务,因此增加了一个标志位task id,帮助模型了解当前文档为流式文档还是版式文档。可通过文档的扩展名或文档中的一些属性信息(例如,分栏、标题等)确定文档类型。
综上所述,本申请提出的模型结构,可以巧妙的结合这四部分的输入信息,让模型可以将文本语义信息和空间位置信息联合起来进行理解,更好的学习到全局的特征,提升模型对文档内容的整体理解。
步骤203,将至少一项特征融合后得到融合特征。
在本实施例中,可直接将每种特征的向量相加得到融合特征。可选地,可设置不同特征的权重,将不同特征的加权和作为融合特征。可预先将不同特征转换成相同长度的向量。
步骤204,将预设的问题、融合特征和训练数据输入文档信息抽取模型,得到预测结果。
在本实施例中,训练数据中已经标注了问题对应的答案。文档信息抽取模型可以理解文档中包含的文字的语义信息。例如如果想抽取某人的出生日期(即问题),模型必须理解xxxx年xx月xx日这样的格式表示的是日期信息,再结合输入的某人的姓名,最终才能正确的抽取到想要的内容(即答案)。这部分主要包括文本内容的表示(Embedding)和一维位置信息的表示(position embedding 1D),即流式阅读顺序。
文档信息抽取模型是一种阅读理解模型,输入问题和文档信息,即可从文档信息中查找到答案,即预测结果。
步骤205,基于预测结果和答案调整文档信息抽取模型的网络参数。
在本实施例中,基于预测结果和答案的距离(余弦相似度或欧氏距离等)计算损失值,可采用最小均方误差损失函数。如果损失值大于等于预定损失阈值,则需要调整文档信息抽取模型的网络参数。然后重新选择训练数据,或者使用原有的训练数据重复执行步骤201-205,得到更新后的损失值。重复执行步骤201-205直到损失值小于预定损失值。
本实施例中训练文档信息抽取模型的方法,提出了开放域通用文档统一信息抽取模型,提高了解决方案的泛化性;并可以同时保证流式文档和版式文档的信息抽取效果都非常强大。
在本实施例的一些可选地实现方式中,获取标注了预设问题对应的答案的训练数据,包括:通过对网页的爬取和解析,获取到网页的文本内容以及对应的键值对信息;根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文档训练数据。例如,可通过对百度百科或维基百科等HTML网页的爬取和解析,获取到网页的文本内容以及对应的键值对信息。然后使用远程监督的方案,可以构建不同领域不同垂类上的海量、有标注的纯文档信息抽取模型训练数据。
【例如:
网页文本:烤胡椒饼碳烤胡椒饼是一道美食,主料是面团、粗瘦绞肉,配料是香菜、肥肉,调料是蚝油、糖、香油等,这道美食主要通过碳火烧烤的方法制作而成。
键值对:中文名-碳烤胡椒饼。口味-咸香。类型-一道美食。】
键值对中的“键”为问题,“值”为答案。
该实现方式极大的增强了模型的zero-shot、few-shot能力,使用海量文档数据进行预训练,因此无需额外的训练数据,就可以对不同领域的文本进行分析和判断,便于在多个项目上复用,节省人力物力。
在本实施例的一些可选地实现方式中,获取标注了预设问题对应的答案的训练数据,包括:获取流式文档训练数据和版式文档集合;将所述版式文档集合中的文本内容清空,保留文档结构;将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。可采用上述方法获取流式文档训练数据,也可通过其它自动标注方法或人工标注的方法获取流式训练数据。可通过挖掘亿级别真实的文档的布局样式、图表结构等,将获得的纯文本有标注信息抽取数据填充进去,得到了海量、样式丰富的有标注文档信息抽取训练数据,即版式文档训练数据。
该实现方式极大的增强了模型的zero-shot、few-shot能力,使用海量文档数据进行预训练,因此无需额外的训练数据,就可以对不同领域的文本进行分析和判断,便于在多个项目上复用,节省人力物力。
在本实施例的一些可选地实现方式中,从所述训练数据中提取出至少一项特征,包括:从所述训练数据中提取出以下至少一项:流式阅读顺序信息、文本字符的空间位置信息、文本分段信息、文档类型。该实现方式深度结合文本语义信息和二维空间位置信息,使得模型可以获得更全面、更多维度的特征,提升了模型的表现。
进一步参见图3a-3b,图3a-3b是根据本实施例的训练文档信息抽取模型的方法的一个应用场景的示意图。在图3a-3b的应用场景中,本任务的输入信息包括多种特征:
1、文本内容及流式阅读顺序信息。通过文档预训练语言模型ERNIE-layout理解文档中包含的文字的语义信息。例如我们想抽取某人的出生日期,模型必须理解xxxx年xx月xx日这样的格式表示的是日期信息,再结合输入的某人的姓名,最终才能正确的抽取到我们想要的内容。这部分主要包括文本内容的表示(Embedding)和一维位置信息的表示(position embedding 1D)。
2、文本字符的空间位置信息。模型可以根据文本字符在二维空间中的位置理解文档整体的布局信息。例如根据整个页面上所有字符的分布位置和字号大小,判断出哪里是标题,哪里是分栏了,哪里是表格等。字符二维空间位置的表示(position embedding 2D)共有六种:x0,y0(字符外框左上角的点的x和y坐标);x1,y1(字符外框的右下角的点的x和y坐标);w,h(字符外框的宽度和高度)。我们为x、y、w、h分别建立映射表,使得模型通过不断的学习,可以分别为字符的x、y、w、h四种特征学习出对应的表示向量。
3、文本分段信息。为了便于模型理解文本的内容和布局,可利用Textmind等工具对文档结构进行解析,获得到文档文本的各个段落、表格的各个单元格等等信息,并为不同的段落、不同的单元格赋予不同的segment id。
4、区分流式文档、版式文档的信息。由于提出的模型架构为开放域统一信息抽取模型,需要同时解决流式文档和版式文档的信息抽取任务,因此增加了一个标志位taskid,帮助模型了解当前文档为流式文档还是版式文档。
综上所述,本申请提出的模型结构,可以巧妙的结合这四部分的输入信息,让模型可以将文本语义信息和空间位置信息联合起来进行理解,更好的学习到全局的特征,提升模型对文档内容的整体理解。
为了提升模型的泛化性和信息抽取的准确率,本申请可采用最先进的大规模文档预训练模型ERNIE-layout(structure)作为模型的底座和基础架构,这一架构引入了二维空间位置信息,使得模型可以学习到丰富的多模态特征。
将输入的所有字符按顺序拼接起来,并对文本和信息抽取query使用【CLS】和【SEP】等特殊符号进行间隔。然后将每个字符所有的各种表示信息分别相加,逐一输入到ERNIE-layout模型中,通过ERNIE-layout模型内置的多层transformer结构,对文档内容的特征进行进一步的融合和抽取。接着将每个字符的表示输入到线性层之中,并使用softmax来得到最终的BIO结果。最终利用维特比算法获得全局最优的答案。
请参见图4,其示出了本公开提供的文档信息抽取方法的一个实施例的流程400。该文档信息抽取方法可以包括以下步骤:
步骤401,获取待提取的文档信息。
在本实施例中,文档信息抽取方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待提取的文档信息。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的待提取的文档信息。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的待提取的文档信息。待提取的文档信息可以是流式文档也可以是版式文档。
步骤402,从文档信息中提取出至少一项特征。
在本实施例中,文档信息相当于步骤202中的训练数据,可采用步骤202所述的方法从文档信息中提取出至少一项特征,在此不再赘述。
步骤403,将至少一项特征融合后得到融合特征。
在本实施例中,可采用步骤303所述的方法将至少一项特征融合后得到融合特征,在此不再赘述。
步骤404,将预设的问题、融合特征和文档信息输入文档信息抽取模型,得到答案。
在本实施例中,执行主体可以将步骤401中获取的文档信息和步骤403获得的融合特征以及预设的问题输入文档信息抽取模型中,从而生成预测结果。预测结果即为从文档信息中抽取出的答案。
在本实施例中,文档信息抽取模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本实施例文档信息抽取方法可以用于测试上述各实施例所生成的文档信息抽取模型。进而根据测试结果可以不断地优化文档信息抽取模型。该方法也可以是上述各实施例所生成的文档信息抽取模型的实际应用方法。采用上述各实施例所生成的文档信息抽取模型,来进行文档信息抽取,有助于提高文档信息抽取模型的性能,提高文档信息抽取效率和准确性等,减少人力成本。同时可缩短文档信息抽取时间,不会让用户察觉到文档信息抽取,影响用户体验。
继续参见图5,作为对上述各图所示方法的实现,本公开提供了一种训练文档信息抽取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,本实施例的训练文档信息抽取模型的装置500可以包括:获取单元501、提取单元502、融合单元503、预测单元504和调整单元505。其中,获取单元501,被配置成获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;提取单元502,被配置成从所述训练数据中提取出至少一项特征;融合单元503,被配置成将所述至少一项特征融合后得到融合特征;预测单元504,被配置成将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;调整单元505,被配置成基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。
在本实施例的一些可选的实现方式中,获取单元501进一步被配置成:通过对百科网页的爬取和解析,获取到网页的文本内容以及对应的键值对信息;根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文档训练数据。
在本实施例的一些可选的实现方式中,获取单元501进一步被配置成:获取流式文档训练数据和版式文档集合;将所述版式文档集合中的文本内容清空,保留文档结构;将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。
在本实施例的一些可选的实现方式中,提取单元502进一步被配置成:从所述训练数据中提取出以下至少一项:流式阅读顺序信息、文本字符的空间位置信息、文本分段信息、文档类型。
继续参见图6,作为对上述各图所示方法的实现,本公开提供了一种文档信息抽取装置的一个实施例。该装置实施例与图4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,本实施例的文档信息抽取装置600可以包括:获取单元601、提取单元602、融合单元603和预测单元604。其中,获取单元601,被配置成获取待提取的文档信息;提取单元602,被配置成从所述文档信息中提取出至少一项特征;融合单元603,被配置成将所述至少一项特征融合后得到融合特征;预测单元604,被配置成将预设的问题、所述融合特征和所述文档信息输入根据装置500训练出的文档信息抽取模型,得到答案。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
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流程200或400中任一项所述的装置。
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流程200或400中任一项所述的装置。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据流程200或400中任一项所述的装置。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。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。
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装置和处理,例如文档信息抽取方法。例如,在一些实施例中,文档信息抽取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文档信息抽取方法的一个或多个步骤。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)而被配置为执行文档信息抽取方法。
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)、负载可编程逻辑设备(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。
用于实施本公开的装置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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种训练文档信息抽取模型的方法,包括:
获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;
从所述训练数据中提取出至少一项特征;
将所述至少一项特征融合后得到融合特征;
将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;
基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。
2.根据权利要求1所述的方法,其中,所述获取标注了预设问题对应的答案的训练数据,包括:
通过对网页的爬取和解析,获取到网页的文本内容以及对应的键值对信息;
根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文档训练数据。
3.根据权利要求1所述的方法,其中,所述获取标注了预设问题对应的答案的训练数据,包括:
获取流式文档训练数据和版式文档集合;
将所述版式文档集合中的文本内容清空,保留文档结构;
将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。
4.根据权利要求1所述的方法,其中,所述从所述训练数据中提取出至少一项特征,包括:
从所述训练数据中提取出以下至少一项:流式阅读顺序信息、文本字符的空间位置信息、文本分段信息、文档类型。
5.一种文档信息抽取方法,包括:
获取待提取的文档信息;
从所述文档信息中提取出至少一项特征;
将所述至少一项特征融合后得到融合特征;
将预设的问题、所述融合特征和所述文档信息输入根据权利要求1-4中任一项所述的方法训练出的文档信息抽取模型,得到答案。
6.一种训练文档信息抽取模型的装置,包括:
获取单元,被配置成获取标注了预设问题对应的答案的训练数据和文档信息抽取模型,其中,所述训练数据包括版式文档训练数据和流式文档训练数据;
提取单元,被配置成从所述训练数据中提取出至少一项特征;
融合单元,被配置成将所述至少一项特征融合后得到融合特征;
预测单元,被配置成将预设的问题、所述融合特征和所述训练数据输入文档信息抽取模型,得到预测结果;
调整单元,被配置成基于所述预测结果和所述答案调整文档信息抽取模型的网络参数。
7.根据权利要求6所述的装置,其中,所述获取单元进一步被配置成:
通过对网页的爬取和解析,获取到网页的文本内容以及对应的键值对信息;
根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文档训练数据。
8.根据权利要求6所述的装置,其中,所述获取单元进一步被配置成:
获取流式文档训练数据和版式文档集合;
将所述版式文档集合中的文本内容清空,保留文档结构;
将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。
9.根据权利要求6所述的装置,其中,所述提取单元进一步被配置成:
从所述训练数据中提取出以下至少一项:流式阅读顺序信息、文本字符的空间位置信息、文本分段信息、文档类型。
10.一种文档信息抽取装置,包括:
获取单元,被配置成获取待提取的文档信息;
提取单元,被配置成从所述文档信息中提取出至少一项特征;
融合单元,被配置成将所述至少一项特征融合后得到融合特征;
预测单元,被配置成将预设的问题、所述融合特征和所述文档信息输入根据权利要求6-9中任一项所述的装置训练出的文档信息抽取模型,得到答案。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558415.5A CN114860867A (zh) | 2022-05-20 | 2022-05-20 | 训练文档信息抽取模型、文档信息抽取的方法和装置 |
JP2022181932A JP2023010805A (ja) | 2022-05-20 | 2022-11-14 | ドキュメント情報抽出モデルのトレーニングおよびドキュメント情報の抽出のための方法、装置、電子機器、記憶媒体並びにコンピュータプログラム |
US18/063,348 US20230177359A1 (en) | 2022-05-20 | 2022-12-08 | Method and apparatus for training document information extraction model, and method and apparatus for extracting document information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558415.5A CN114860867A (zh) | 2022-05-20 | 2022-05-20 | 训练文档信息抽取模型、文档信息抽取的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114860867A true CN114860867A (zh) | 2022-08-05 |
Family
ID=82640216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558415.5A Pending CN114860867A (zh) | 2022-05-20 | 2022-05-20 | 训练文档信息抽取模型、文档信息抽取的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230177359A1 (zh) |
JP (1) | JP2023010805A (zh) |
CN (1) | CN114860867A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738967B (zh) * | 2023-08-08 | 2023-11-24 | 北京华品博睿网络技术有限公司 | 一种文档解析系统及方法 |
-
2022
- 2022-05-20 CN CN202210558415.5A patent/CN114860867A/zh active Pending
- 2022-11-14 JP JP2022181932A patent/JP2023010805A/ja active Pending
- 2022-12-08 US US18/063,348 patent/US20230177359A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP2023010805A (ja) | 2023-01-20 |
US20230177359A1 (en) | 2023-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200117961A1 (en) | Two-dimensional document processing | |
CN110020312B (zh) | 提取网页正文的方法和装置 | |
Shigarov et al. | TabbyPDF: Web-based system for PDF table extraction | |
CN113360699A (zh) | 模型训练方法和装置、图像问答方法和装置 | |
CN109325197B (zh) | 用于提取信息的方法和装置 | |
CN107463624B (zh) | 一种基于社交媒体数据进行城市兴趣域识别的方法及系统 | |
CN114218951B (zh) | 实体识别模型的训练方法、实体识别方法及装置 | |
CN113836316B (zh) | 三元组数据的处理方法、训练方法、装置、设备及介质 | |
CN116028618A (zh) | 文本处理、文本检索方法、装置、电子设备及存储介质 | |
US20230177359A1 (en) | Method and apparatus for training document information extraction model, and method and apparatus for extracting document information | |
CN110807097A (zh) | 分析数据的方法和装置 | |
US20220382991A1 (en) | Training method and apparatus for document processing model, device, storage medium and program | |
CN108664511B (zh) | 获取网页信息方法和装置 | |
CN115238078A (zh) | 一种网页信息抽取方法、装置、设备及存储介质 | |
CN114969371A (zh) | 一种联合知识图谱的热度排序方法及装置 | |
CN114970553A (zh) | 基于大规模无标注语料的情报分析方法、装置及电子设备 | |
WO2014049310A2 (en) | Method and apparatuses for interactive searching of electronic documents | |
CN115203428A (zh) | 一种知识图谱构建方法、装置、电子设备及存储介质 | |
CN113361249B (zh) | 文档判重方法、装置、电子设备和存储介质 | |
US20230222827A1 (en) | Method and apparatus for processing document image, and electronic device | |
CN111061971B (zh) | 用于抽取信息的方法和装置 | |
US20240126978A1 (en) | Determining attributes for elements of displayable content and adding them to an accessibility tree | |
Srikanth et al. | Socially Smart an Aggregation System for Social Media using Web Scraping | |
CN114818702A (zh) | 文档信息抽取模型的训练方法、装置及电子设备 | |
CN115757818A (zh) | 一种基于本体约束的知识抽取方法、装置及储存介质 |
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 |