CN115130473B - 关键信息抽取方法、模型训练方法、相关装置及电子设备 - Google Patents

关键信息抽取方法、模型训练方法、相关装置及电子设备 Download PDF

Info

Publication number
CN115130473B
CN115130473B CN202210419163.8A CN202210419163A CN115130473B CN 115130473 B CN115130473 B CN 115130473B CN 202210419163 A CN202210419163 A CN 202210419163A CN 115130473 B CN115130473 B CN 115130473B
Authority
CN
China
Prior art keywords
feature
text
document
text line
image
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.)
Active
Application number
CN202210419163.8A
Other languages
English (en)
Other versions
CN115130473A (zh
Inventor
李煜林
庾悦晨
钦夏孟
章成全
姚锟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210419163.8A priority Critical patent/CN115130473B/zh
Publication of CN115130473A publication Critical patent/CN115130473A/zh
Application granted granted Critical
Publication of CN115130473B publication Critical patent/CN115130473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种关键信息抽取方法、模型训练方法、相关装置及电子设备，涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域。具体实现方案为：获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的；对所述第一特征进行语义增强，得到所述第一文档的第二特征；基于所述第二特征对所述第一文档进行关键信息抽取。

Description

关键信息抽取方法、模型训练方法、相关装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，具体涉及一种关键信息抽取方法、模型训练方法、相关装置及电子设备。
背景技术
文档关键信息抽取是指对文档中的文本内容进行语义理解，对文本中指定的关键片段进行识别和抽取，主要包括对命名实体(Named Entity)的识别，例如姓名、日期、地址等，和一些需求的特定数据，例如金额、编号等指定的关键数据类型的识别和抽取。
关键信息抽取可以使用基于文本命名实体的识别模型来解决，基于模型方式，对文本序列进行字符分类，从而抽取出关键实体信息。
发明内容
本公开提供了一种关键信息抽取方法、模型训练方法、相关装置及电子设备。
根据本公开的第一方面，提供了一种关键信息抽取方法，包括：
获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的；
对所述第一特征进行语义增强，得到所述第一文档的第二特征；
基于所述第二特征对所述第一文档进行关键信息抽取。
根据本公开的第二方面，提供了一种模型训练方法，包括：
获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数。
根据本公开的第三方面，提供了一种关键信息抽取装置，包括：
第一获取模块，用于获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的；
第一语义增强模块，用于对所述第一特征进行语义增强，得到所述第一文档的第二特征；
抽取模块，用于基于所述第二特征对所述第一文档进行关键信息抽取。
根据本公开的第四方面，提供了一种关模型训练装置，包括：
第二获取模块，用于获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
第三获取模块，用于获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
第二语义增强模块，用于将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
第四获取模块，用于基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
第一更新模块，用于基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数。
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，该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第一方面中的任一项方法，或者执行第二方面中的任一项方法。
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，该计算机指令用于使计算机执行第一方面中的任一项方法，或者执行第二方面中的任一项方法。
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，该计算机程序在被处理器执行时实现第一方面中的任一项方法，或者实现第二方面中的任一项方法。
根据本公开的技术解决了对文档中关键信息的识别准确率比较低的问题，提高了对文档中关键信息的抽取效果。
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是根据本公开实施例的关键信息抽取方法的流程示意图；
图2是本公开提供的一具体示例的关键信息抽取方法的流程示意图；
图3是根据本公开实施例的模型训练方法的流程示意图；
图4是根据本公开实施例的关键信息抽取装置的结构示意图；
图5是根据本公开实施例的模型训练装置的结构示意图；
图6是用来实施本公开的实施例的示例电子设备的示意性框图。
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。
如图1所示，本公开提供一种关键信息抽取方法，包括如下步骤：
步骤S101：获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的。
本实施例中，关键信息抽取方法涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，其可以广泛应用于光学字符识别(Optical CharacterRecognition，OCR)等场景下。本公开实施例的关键信息识别方法，可以由本公开实施例的关键信息识别装置执行。本公开实施例的关键信息识别装置可以配置在任意电子设备中，以执行本公开实施例的关键信息识别方法。该电子设备可以为服务器，也可以为终端设备，这里不进行具体限定。
第一图像可以为包括文档图像内容的任一图像，第一文档可以为任一文档。本实施例的目的即是准确识别并抽取第一图像中的第一文档的关键信息。
第一图像的获取方式可以包括多种，比如，可以对第一文档进行实时拍摄或扫描，得到第一图像，或者，可以接收其他电子设备发送的第一图像，或者，可以从网上下载图像作为第一图像，亦或是获取预先存储的第一图像。
第一特征可以为多模态特征，即第一特征可以为图像视觉特征和文档文本特征的融合特征，可以将第一文档的文本行的视觉特征和第一文档的文本特征进行特征拼接，得到第一特征。
其中，第一文档的文本特征可以指的是第一文档中文本内容的文字特征，其是在文本上提取的特征，第一文档的文本行的视觉特征可以指的是第一文档的文本行的图像相关特征，其是在第一图像上针对文本行提取的特征。
第一文档的文本行的视觉特征可以仅包括文本行的图像特征，该图像特征可以指的是文本行的感官和颜色等相关特征，也可以同时包括文本行的图像特征和空间特征，该空间特征可以指的是文本行在第一图像上的位置特征，即可以表征文本行的图像布局特征。
在一可选实施方式中，可以仅基于第一图像获取第一特征，实现中，可以通过OCR或者PDF解析工具定位第一图像中第一文档中所有文本行的位置信息，并识别每个文本行的文本内容。之后可以分成两个分支，一个分支用于基于第一图像获取第一图像针对所述第一文档的文本行的视觉特征，比如，可以通过卷积神经网络(Convolutional NeuralNetworks，CNN)如ResNet-50，对第一图像进行特征处理，并可结合第一文档中文本行的位置信息，以得到第一文档的文本行的视觉特征。另一个分支用于基于第一文档的文本内容获取第一文档的文本特征。
在另一可选实施方式中，第一图像可结合第一文档的文本内容获取第一特征，实现中，可以获取第一文档针对两个模态的信息，即图像和文本，将图像输入至一分支，将文本输入至另一分支，以分别获取视觉特征和文本特征。
步骤S102：对所述第一特征进行语义增强，得到所述第一文档的第二特征。
该步骤中，第二特征可以指的是第一文档的语义特征，语义增强可以指的是融合第一特征中的文本特征和视觉特征，以使融合后得到的第二特征可以实现视觉特征和文本特征的有效融合表达，从而可以更好地处理复杂版式和复杂背景场景下需要语义信息的文档关键信息抽取任务。
在一可选实施方式中，可以对第一特征进行特征编码，得到文本特征的编码特征和视觉特征的编码特征，编码矩阵可以为向量矩阵。可以针对第一文档中每一文本行，将文本特征针对该文本行的编码特征与视觉特征针对该文本行的编码特征进行点乘，以有效融合文本特征和视觉特征，得到第一文档的第二特征。
实现中，可以基于第一模型对第一特征进行语义增强，第一模型可以Transformer网络结构，可以将第一特征输入至第一模型进行特征融合，以对第一特征进行语义增强，得到第二特征。
当采用Transformer网络对第一特征进行语义增强时，该Transformer网络可以由12个相同的网络层堆叠组成，每一层分别由多头注意力层和前馈网络层组成，这两个子层之间都有残差连接与层归一化操作。前馈网络层为一层全连接层，而多头注意力层其计算形式如下式(1)、(2)和(3)所示：
MultiHead(Q,K,V)＝Concat(head1,…headh)Wm (1)
headi＝Attention(Q,K,V) (2)
其中，Wm、Wq、Wk和Wv为参数矩阵，h是注意力头数(可以取值为12)，多头注意力能够抽取不同子区域的特征；σ为逻辑回归模型softmax函数，Q，K，V均是第一特征即输入序列的向量矩阵，d是向量维度(可以取值为768)。通过注意力机制的计算，得到Q关于V上的注意力机制，即基于Q在V特征上的显著性语义特征，该显著性语义特征即可以为第二特征。
步骤S103：基于所述第二特征对所述第一文档进行关键信息抽取。
该步骤中，可以通过全连接网络，基于第二特征进行第一文档的关键信息抽取，实现中，可以将第二特征输入至全连接网络，一可选实施方式中，由全连接网络基于该第二特征进行文本中每个文本单元如字符的分类，产生第一文档中每个字符的第一类别标记，如日期标记、地名标记、非关键信息字符标记等，从而基于每个字符的第一类别标记，抽取第一文档中的关键信息。
另一可选实施方式中，可以由全连接网络基于该第二特征对第一文档中每个文本行进行实体识别，得到每个文本行的实体类别，如实体类别为键、值等，从而基于文本行的实体类别，抽取第一文档中的关键信息。
本实施例中，获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的；对所述第一特征进行语义增强，得到所述第一文档的第二特征；基于所述第二特征对所述第一文档进行关键信息抽取。如此，通过图像视觉和文本多模态特征输入，并通过对多模态特征进行语义增强，以实现多模态特征的有效融合表达，从而可以更好地处理复杂版式和复杂背景场景下需要语义信息的文档关键信息抽取任务，提高对文档中关键信息的抽取效果，如提高文档中关键信息的抽取准确性。
可选的，所述步骤S103具体包括：
基于所述第二特征获取所述第一文档中各文本单元的第一类别标记；
从所述第一文档中抽取关键信息，所述关键信息包括所述第一文档中第一类别标记表征为命名实体的文本单元。
本实施方式中，文本单元可以指的是构成文本的最小单位，如英文文档时，文本单元为单词，中文文档时，文本单元为文字。
可以由全连接网络基于该第二特征进行文本中每个文本单元的分类，产生第一文档中每个字符的第一类别标记，如日期标记、地名标记、非关键信息字符标记等。
模型训练时，可以基于任务环境标注训练数据集中关键信息的命名实体类别，例如，命名实体类别包括人名标记PER、公司名标记、地名标记、日期标记DATE、金额标记等。对于实体边界，可以采用BIO标注格式，其中，B可以表示实体的起始字符，I可以表示实体的非起始字符，O表示为非关键信息字符。命名实体类别的标记和BIO标记进行组合，即可实现针对第一文档中每个字符，均可预测得到该字符的类别标记。
比如，文本行“张三在2022年出生”，由全连接网络基于第二特征可以预测得到该文本行中各文本单元的第一类别标记如下表1所示。
表1文档中各文本单元第一类别标记表
张 三 在 2022 年 出 生
B-PER I-PER O B-DATE I-DATE O O
基于每个文本单元的第一类别标记，可以确定第一文档中为命名实体的文本单元，抽取第一文档中为命名实体的文本单元，将命名实体的文本单元进行组合，即可得到第一文档中的命名实体名，得到第一文档中的关键信息。实现中，可以根据BIO标记抽取第一文档中为命名实体的文本单元，并组合得到第一文档中的命名实体名。
本实施方式中，基于所述第二特征获取所述第一文档中各文本单元的第一类别标记；从所述第一文档中抽取关键信息，所述关键信息包括所述第一文档中第一类别标记表征为命名实体的文本单元。如此，可以准确地实现对第一文档中关键信息的抽取。
可选的，所述步骤S101具体包括：
对所述第一图像进行文本识别，得到所述第一文档的文本内容和所述文本行的位置信息；
对所述第一图像进行特征提取，得到第一目标特征图；
基于所述位置信息，对所述第一目标特征图中截取的所述文本行的图像区域进行特征编码，得到所述文本行的图像特征序列，所述视觉特征包括所述图像特征序列；
对所述文本内容中的文本单元进行特征编码，得到所述文本特征；
将所述文本特征和所述视觉特征进行特征拼接，得到所述第一特征。
本实施方式中，第一特征包括图像特征序列和文本特征，为图像感官、颜色等视觉特征与文本特征的多模态特征。
实现中，可以通过OCR技术或者PDF解析工具，定位和识别第一文档的文本内容和第一文档中各文本行的位置信息，该位置信息可以包括每个文本行的包围框坐标。
可以通过CNN如ResNet-50对第一图像进行特征提取，得到第一目标特征图，并基于每个文本行的包围框坐标，采用感兴趣区域(Region Of Interest，ROI)Pooling操作，在第一目标特征图上裁剪对应文本行的区域特征，将该文本行的区域特征进行特征编码，以映射得到一个d维向量，生成所述第一图像针对所述第一文档的文本行的图像特征序列，用F表示。其中，d为正整数。
基于文本行的文本内容，对每个文本单元使用文字嵌入(word embedding)获得d维向量，生成文本特征的序列，用T表示。
之后，可以将文本特征的序列和图像特征序列进行拼接，以将所述文本特征和所述视觉特征进行特征拼接，得到所述第一特征。
本实施方式中，通过拼接文档的图像感官、颜色等视觉特征与文本特征，从而可以得到文档的多模态特征，以更好地进行文档语义的表达。
可选的，所述视觉特征还包括所述文本行的空间特征序列，所述方法还包括：
对所述位置信息进行特征编码，得到所述空间特征序列；
将所述图像特征序列和所述空间特征序列进行特征拼接，得到所述视觉特征。
本实施方式中，可以基于第一文档的文本行在第一图像中的包围框坐标，使用一个全连接层(fully connection layer)，将每个文本行的包围框坐标编码为d维向量，生成第一图像针对所述第一文档的文本行的空间特征序列，用S表示。
将图像特征序列和空间特征序列进行特征拼接，得到视觉特征，用P表示，即P＝F+S表示。
相应的，可以将视觉特征P和文本特征T进行串联，产生多模态特征序列，该多模态特征序列为第一特征，用V表示，即V＝Concat(T,P)，Concat为拼接函数。
本实施方式中，通过拼接文档的图像感官、颜色、图像布局等视觉特征与文本特征，从而可以得到文档的多模态特征，以进一步更好地进行文档语义的表达，带来关键信息识别准确性的提升。
可选的，所述步骤S102具体包括：
将所述第一特征输入至第一模型进行语义增强，得到所述第一文档的第二特征；
其中，所述第一模型基于预训练任务进行预训练得到，所述预训练任务包括第一任务、第二任务、第三任务和第四任务中至少一项，所述第一任务用于预测文档中任意两个不同文本行的相对方位，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
本实施方式中，第一模型可以为Transformer网络结构，可以将第一特征输入至第一模型进行语义增强，得到第一文档的第二特征。
其中，第一模型在进行关键信息抽取之前，可以基于预训练任务进行预训练，得到预训练后的第一模型，之后可以对包括类别标记标签的训练数据进行处理，将其类别标记标签引入到预训练后的第一模型，以对预训练后的第一模型的模型参数进行微调，从而迁移到关键信息抽取任务。
预训练任务可以包括第一任务、第二任务、第三任务、第四任务中的至少一项，第一任务可以称之为文档图像布局预测任务，其用于预测文档中任意两个不同文本行的相对方位，通过对文档图像布局信息的利用，可以提高第一模型对文档上下文内容的理解能力，从而提高关键信息的识别准确率。
第二任务可以称之为双模态对齐任务，其用于预测属于同一文本行的视觉特征和文本特征。具体的，考虑每一文本行，对基于第一模型输出的特征序列的每一元素通过添加一层全连接网络进行二分类，搜索该文本行所属的视觉特征和文本特征部分。
第三任务可以称之为字段遮掩语言任务，其用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容。具体的，对文本语料做遮掩处理，遮掩方式可以为：随机挑选部分文本行检测框进行文字遮掩，然后通过该部分字段周围上下文的语义表征进行预测被遮掩位置上的字。
第四任务可以称之为图像特征重建任务，其用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。具体的，估计原图像中文本行在图像特征上的对应区域特征，并使用ROI Pooling操作编码为ROI特征。该ROI特征经过第一模型要求其输出能重构为原始ROI特征。
本实施方式中，通过自监督预训练策略进行第一模型的预训练，以在文档全局范围上提升深度学习模型对上下文语义的理解能力，更好地获得对文档内容的语义表示，从而可以进一步提升文档关键信息抽取的效果。并且，通过对文档图像布局信息的利用，可以进一步提高第一模型对文档上下文内容的理解能力，从而提高关键信息的识别准确率。
以下详细阐述一示例的关键信息抽取的整体流程，如图2所示，通过OCR技术对文档图像201进行文本识别，得到文档图像中文本行的位置信息202和文本内容203；其中，文档图像包括文本行A、文本行B和文本行C。
文本内容203通过文本嵌入的方式获得文本行的文本特征，包括文本行A的文本特征2041、文本行B的文本特征2042和文本行C的文本特征2043，分别为[t11，t12，t13，t14]、[t21，t22]和[t31，t32，t33，t34]。
基于位置信息202，通过CNN网络和ROI pooling操作，对文档图像201进行特征处理，得到文档图像针对文本行的视觉特征，其是图像特征序列2051和空间特征序列2052拼接得到，图像特征序列2051为[f1，f2，f3]，空间特征序列2052为[s1，s2，s3]。
拼接视觉特征和文本特征输入至Transformer网络，该Transformer网络对视觉特征和文本特征进行编码，得到视觉特征的编码特征206，为[y1，y2，y3]，以及文本特征的编码特征207，为[x11，x12，x13，x14]、[x21，x22]和[x31，x32，x33，x34]。
通过视觉特征的编码特征和文本特征的编码特征的点乘处理，以有效融合视觉特征和文本特征，得到第二特征208，为[m11，m12，m13，m14]、[m21，m22]和[m31，m32，m33，m34]。
之后基于第二特征进行第一文档的关键信息抽取，从而完成关键信息抽取任务。
如图3所示，本公开提供一种模型训练方法，包括如下步骤：
步骤S301：获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
步骤S302：获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
步骤S303：将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
步骤S304：基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
步骤S305：基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数。
本实施例中，训练数据可以包括至少一张第二图像，第二图像可以为文档图像，即其包括第二文档的图像内容，训练数据还可以包括第二文档中各文本单元的类别标记标签。
第二图像的获取方式与第一图像的获取方式类似，这里不进行赘述。
可以基于任务环境标注第二文档中关键信息的命名实体类别，例如，命名实体类别包括人名标记、公司名标记、地名标记、日期标记、金额标记等。对于实体边界，可以采用BIO标注格式，其中，B可以表示实体的起始字符，I可以表示实体的非起始字符，O表示为非关键信息字符。命名实体类别的标记和BIO标记进行组合，即可实现第二文档中各文本单元的类别标记，得到类别标记标签。
在步骤S302中，获取第二文档的第三特征的方式与获取第一文档的第一特征的方式类似，这里不进行赘述。以及在步骤S303中，将所述第三特征输入至第一模型进行语义增强的方式与基于第一模型对第一特征进行语义增强的方式类似，这里也不进行赘述。
在步骤S304中，基于所述第四特征获取所述第二文档中各文本单元的第二类别标记的方式，与基于所述第二特征获取所述第一文档中各文本单元的第一类别标记的方式类似，这里不进行赘述。
在步骤S305中，可以计算所述类别标记标签和所述第二类别标记的差异信息，基于该差异信息，采用梯度下降法更新所述第一模型的模型参数，直至类别标记标签与预测得到的第二类别标记的差异小于某一阈值，且达到收敛，此时第一模型可以训练完成。
本实施例中，获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数。如此，通过图像视觉和文本多模态特征输入对第一模型的训练，并采用训练好的第一模型进行关联信息抽取，使得第一模型可以对多模态特征进行语义增强，实现多模态特征的有效融合表达，从而可以更好地处理复杂版式和复杂背景场景下需要语义信息的文档关键信息抽取任务，提高对文档中关键信息的抽取效果，如提高文档中关键信息的抽取准确性。
可选的，所述步骤S301之前，还包括：
获取预训练样本，所述预训练样本包括第三图像，所述第三图像包括第三文档的图像内容；
将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达；
基于所述特征表达，利用预训练任务对应的监督策略确定损失值；
基于所述损失值，更新所述第一模型的模型参数；
其中，所述预训练任务包括第一任务、第二任务、第三任务和第四任务中至少一项，所述第一任务用于预测文档中任意两个不同文本行的相对方位，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
本实施方式中，可以通过自监督预训练策略进行第一模型的预训练，以在文档全局范围上提升深度学习模型对上下文语义的理解能力。
具体的，预训练样本可以为预训练数据中的任一样本，其可以包括第三图像，第三图像可以为文档图像，其包括第三文档的图像内容。
第三图像的获取方式与第一图像的获取方式可以类似，但在预训练任务包括第三任务和/或第四任务时，需要对文档图像中文本进行遮掩处理，其遮掩方式可以为：随机选中15％的文本行数据，在被选中的数据中，有80％的字会被遮掩，即将需遮掩文字替换为一个特殊掩膜标记[MASK]；有10％的文字会被随机替换为一个任意字符；剩余10％的文字可以不进行任何操作，完成文本遮掩之后，即可基于文档图像得到第三图像。
预训练样本还可以包括标签数据，该标签数据可以包括预训练任务对应的标签，比如，预训练任务包括第一任务时，标签数据可以包括两个不同文本行的相对方位的标签。预训练任务包括第二任务时，标签数据可以包括2d掩膜矩阵的标签，2d掩膜矩阵的标签要求在文本行位置上的元素标记为1，其余位置标记为0。预训练任务包括第三任务时，标签数据可以包括被遮掩文本行区域的内容的标签。预训练任务包括第四任务时，标签数据可以包括被遮掩文本行区域的图像编码特征的标签。
预训练样本还可以包括第三文档的文本内容，比如，预训练包括第二任务时，可以针对第三文档输入多个模态的信息至第一模型，以实现双模态对齐任务。
需要说明的是，在预训练任务包括至少两个任务的情况下，可以并行对第一模型实现这至少两个任务的预训练。
之后，可以将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达，该特征表达可以包括针对第三文档中文本行的图像特征，在一可选实施方式中，该特征表达还可以包括第三文档的文本特征，即该特征表达可以为多模态特征。
可以基于特征表达，利用预训练任务对应的监督策略确定损失值。其中，监督策略可以指的是监督标签和预测得到的信息之间的差异，以得到第一模型的网络损失值，从而可以基于损失值更新第一模型的模型参数，使得可以在文档全局范围上提升深度学习模型对上下文语义的理解能力，更好地获得对文档内容的语义表示，提升文档关键信息抽取的效果。
预训练任务可以包括第一任务、第二任务、第三任务、第四任务中的至少一项，第一任务可以称之为文档图像布局预测任务，其用于预测文档中任意两个不同文本行的相对方位，通过对文档图像布局信息的利用，可以提高第一模型对文档上下文内容的理解能力，从而提高关键信息的识别准确率。
相应的，第一任务对应的监督策略可以指的是监督预测得到的两个不同文本行的相对方位和该两个不同文本行的相对方位的标签的差异，得到第一模型的网络损失值。
第二任务可以称之为双模态对齐任务，其用于预测属于同一文本行的视觉特征和文本特征。具体的，考虑每一文本行，对基于第一模型输出的特征序列的每一元素通过添加一层全连接网络进行二分类，搜索该文本行所属的视觉特征和文本特征部分。
相应的，第二任务对应的监督策略可以指的是基于文本行在第三图像的位置信息，监督预测得到的2d掩膜矩阵，要求2d掩膜矩阵在文本行位置上的元素标记为1，其余位置标记为0，从而可以监督预测得到的2d掩膜矩阵与2d掩膜矩阵的标签的差异，得到第一模型的网络损失值。
第三任务可以称之为字段遮掩语言任务，其用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容。具体的，对文本语料做遮掩处理，遮掩方式可以为：随机挑选部分文本行检测框进行文字遮掩，然后通过该部分字段周围上下文的语义表征进行预测被遮掩位置上的字。
相应的，第三任务对应的监督策略可以指的是监督预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签的差异，得到第一模型的网络损失值。
第四任务可以称之为图像特征重建任务，其用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。具体的，估计原图像中文本行在图像特征上的对应区域特征，并使用ROI Pooling操作编码为ROI特征。该ROI特征经过第一模型要求其输出能重构为原始ROI特征。
相应的，第四任务对应的监督策略可以指的是监督第一模型输出的特征表达和预先获取的被遮掩文本行区域的图像编码特征的标签的差异，得到第一模型的网络损失值。
在预训练任务包括至少两个任务的情况下，第一模型的网络损失值可以为各个任务对应的监督策略确定的损失值的和值，也可以通过其他方式进行计算，这里不进行具体限定。
之后，基于所述损失值更新第一模型的模型参数，其更新方式可以与训练时第一模型的模型参数的更新方式类似，这里不进行赘述。
可选的，所述损失值包括利用所述第一任务对应的监督策略确定的第一损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达获取所述第三文档的文本行的视觉特征；
从所述第三文档的文本行的视觉特征中获取第一特征元素和第二特征元素，所述第一特征元素和所述第二特征元素为所述第三文档中两个不同文本行的特征元素；
计算所述第一特征元素和所述第二特征元素的特征差异信息；
基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位；
基于预测得到的所述两个不同文本行的相对方位和预先获取的所述两个不同文本行的相对方位的标签，确定所述第一损失值。
本实施方式中，第三文档的文本行的视觉特征可以包括图像特征序列和空间特征序列，可以基于第一模型对第三图像进行特征提取，得到第三图像的特征表达，该特征表达可以为第三图像的图像特征。
基于第三文档中文本行的位置信息，采用ROI pooling操作截取特征表达中文本行的区域特征进行编码，得到图像特征序列，并对文本行的包围框坐标进行编码，得到文本行的空间特征序列，将图像特征序列和空间特征序列进行拼接，得到视觉特征。
采用ROI pooling操作，从第三文档的文本行的视觉特征中截取两个不同文本行(分别用i和j表示)的第一特征元素和第二特征元素，分别用Pi和Pj表示。并计算差值Pi-Pj，该差值即为第一特征元素和第二特征元素的特征差异信息，表征两个特征元素的差异程度。
在第一模型后添加一层全连接网络，并通过该全连接网络基于该特征差异信息进行分类，如8分类，以进行方位预测，得到两个不同文本行的相对方位。
相应的，可以计算预测得到的所述两个不同文本行的相对方位和预先获取的所述两个不同文本行的相对方位的标签的差异信息，得到所述第一损失值。
本实施方式中，通过文档布局预测任务对应的监督策略，可以实现第一模型的网络损失值的确定。
可选的，所述两个不同文本行包括第一文本行和第二文本行，所述基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位，包括：
以所述第二文本行的中心点为圆心，将所述圆心的圆圈区域均匀划分为连续预设数量的区域；
基于所述特征差异信息，将所述第二文本行的中心点在所述第一文本行的中心点的相对方向透射到所述连续预设数量的区域中的一个区域，得到所述两个不同文本行的相对方位。
本实施方式中，可以以第二文本行的中心点为圆心，将圆心的圆圈区域即360°的区域均匀划分为连续预设数量的区域，如通过该全连接网络进行8分类时，可以均匀划分8个区域，基于该特征差异信息将第二文本行j的中心点在第一文本行i的中心点的相对方向透射到其中一个区域，从而得到两个不同文本行的相对方位，实现两个不同文本行的相对方位的预测。
可选的，所述损失值包括利用所述第二任务对应的监督策略确定的第二损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
针对所述第三文档中的第三文本行，将所述第三文本行的文本内容进行特征编码，得到所述第三文本行的文本特征，所述第三文本行为所述第三文档中的任一文本行；
将所述第三文本行的文本特征与所述特征表达进行点乘，以映射得到二维2d掩膜矩阵；
基于所述2d掩膜矩阵和所述第三文本行在所述第三图像的位置信息，确定所述第二损失值。
本实施方式中，可以随机挑选文本行。将被选中的文本行的文本内容作为查询项进行特征编码，得到文本行的文本特征，将该文本特征与第一模型输出的图像特征即视觉表达进行点乘处理，并映射为一个2d掩膜矩阵，基于文本行在第三图像的位置信息，监督该2d掩膜矩阵，要求2d掩膜矩阵在文本行位置上的元素标记为1，其余位置标记为0，从而可以监督预测得到的2d掩膜矩阵与2d掩膜矩阵的标签的差异，得到第二损失值。通过双模态对齐任务对应的监督策略，可以实现第一模型的网络损失值的确定。
可选的，所述损失值包括利用所述第三任务对应的监督策略确定的第三损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达，预测被遮掩文本行区域的内容；
基于预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签，确定所述第三损失值。
本实施方式中，通过随机挑选图像中部分文本行的区域进行遮掩，将遮掩处理后的图像输入至第一模型进行特征处理，该第一模型输出该遮掩图像的特征表达，基于该特征表达预测被遮掩部分文字的内容，并监督预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签的差异，得到第一模型的网络损失值，从而通过字段遮掩语言任务对应的监督策略，可以实现第一模型的网络损失值的确定。
可选的，所述损失值包括利用所述第四任务对应的监督策略确定的第四损失值，所述将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达，包括：
将所述第三图像中被遮掩文本行区域的图像编码特征输入至所述第一模型进行特征处理，得到所述被遮掩文本行区域的特征表达，所述被遮掩文本行区域的图像编码特征基于第二目标特征图中所述被遮掩文本行区域的特征进行编码得到，所述第二目标特征图对所述第三图像进行特征提取得到；
所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达和预先获取的被遮掩文本行区域的图像编码特征的标签，确定所述第四损失值。
本实施方式中，可以对第三图像进行特征提取，得到第二目标特征图，使用ROIPooling操作截取第二目标特征图中被遮掩文本行区域的特征进行编码，得到第三图像中被遮掩文本行区域的图像编码特征，即ROI特征，该图像编码特征经过第一模型要求其输出能重构为原始的ROI特征，即监督第一模型输出的表达矩阵，确定第一模型输出的表达矩阵与被遮掩文本行区域的图像编码特征的标签的差异，得到第四损失值。从而通过图像特征重建任务对应的监督策略，可以实现第一模型的网络损失值的确定。
如图4所示，本公开提供一种关键信息抽取装置400，包括：
第一获取模块401，用于获取第一图像中第一文档的第一特征，所述第一特征是基于所述第一文档的文本特征和所述第一文档的文本行的视觉特征拼接得到的；
第一语义增强模块402，用于对所述第一特征进行语义增强，得到所述第一文档的第二特征；
抽取模块403，用于基于所述第二特征对所述第一文档进行关键信息抽取。
可选的，所述抽取模块403包括：
第一获取单元，用于基于所述第二特征获取所述第一文档中各文本单元的第一类别标记；
抽取单元，用于从所述第一文档中抽取关键信息，所述关键信息包括所述第一文档中第一类别标记表征为命名实体的文本单元。
可选的，所述第一获取模块401包括：
文本识别单元，用于对所述第一图像进行文本识别，得到所述第一文档的文本内容和所述文本行的位置信息；
特征提取单元，用于对所述第一图像进行特征提取，得到第一目标特征图；
第一编码单元，用于基于所述位置信息，对所述第一目标特征图中截取的所述文本行的图像区域进行特征编码，得到所述文本行的图像特征序列，所述视觉特征包括所述图像特征序列；
第二编码单元，用于对所述文本内容中的文本单元进行特征编码，得到所述文本特征；
特征拼接单元，用于将所述文本特征和所述视觉特征进行特征拼接，得到所述第一特征。
可选的，所述视觉特征还包括所述文本行的空间特征序列，所述装置还包括：
特征编码模块，用于对所述位置信息进行特征编码，得到所述空间特征序列；
特征拼接模块，用于将所述图像特征序列和所述空间特征序列进行特征拼接，得到所述视觉特征。
可选的，所述第一语义增强模块403，具体用于：
将所述第一特征输入至第一模型进行语义增强，得到所述第一文档的第二特征；
其中，所述第一模型基于预训练任务进行预训练得到，所述预训练任务包括第一任务、第二任务、第三任务和第四任务中至少一项，所述第一任务用于预测文档中任意两个不同文本行的相对方位，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
本公开提供的关键信息抽取装置400能够实现关键信息抽取方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
如图5所示，本公开提供一种模型训练装置500，包括：
第二获取模块501，用于获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
第三获取模块502，用于获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
第二语义增强模块503，用于将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
第四获取模块504，用于基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
第一更新模块505，用于基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数。
可选的，还包括：
第五获取模块，用于获取预训练样本，所述预训练样本包括第三图像，所述第三图像包括第三文档的图像内容；
特征处理模块，用于将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达；
确定模块，用于基于所述特征表达，利用预训练任务对应的监督策略确定损失值；
第二更新模块，用于基于所述损失值，更新所述第一模型的模型参数；
其中，所述预训练任务包括第一任务、第二任务、第三任务和第四任务中至少一项，所述第一任务用于预测文档中任意两个不同文本行的相对方位，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
可选的，所述损失值包括利用所述第一任务对应的监督策略确定的第一损失值，所述确定模块包括：
第二获取单元，用于基于所述特征表达获取所述第三文档的文本行的视觉特征；
第三获取单元，用于从所述第三文档的文本行的视觉特征中获取第一特征元素和第二特征元素，所述第一特征元素和所述第二特征元素为所述第三文档中两个不同文本行的特征元素；
计算单元，用于计算所述第一特征元素和所述第二特征元素的特征差异信息；
方位预测单元，用于基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位；
第一确定单元，用于基于预测得到的所述两个不同文本行的相对方位和预先获取的所述两个不同文本行的相对方位的标签，确定所述第一损失值。
可选的，所述两个不同文本行包括第一文本行和第二文本行，所述方位预测单元，具体用于：
以所述第二文本行的中心点为圆心，将所述圆心的圆圈区域均匀划分为连续预设数量的区域；
基于所述特征差异信息，将所述第二文本行的中心点在所述第一文本行的中心点的相对方向透射到所述连续预设数量的区域中的一个区域，得到所述两个不同文本行的相对方位。
可选的，所述损失值包括利用所述第二任务对应的监督策略确定的第二损失值，所述确定模块包括：
第三编码单元，用于针对所述第三文档中的第三文本行，将所述第三文本行的文本内容进行特征编码，得到所述第三文本行的文本特征，所述第三文本行为所述第三文档中的任一文本行；
点乘单元，用于将所述第三文本行的文本特征与所述特征表达进行点乘，以映射得到二维2d掩膜矩阵；
第二确定单元，用于基于所述2d掩膜矩阵和所述第三文本行在所述第三图像的位置信息，确定所述第二损失值。
可选的，所述损失值包括利用所述第三任务对应的监督策略确定的第三损失值，所述确定模块包括：
预测单元，用于基于所述特征表达，预测被遮掩文本行区域的内容；
第三确定单元，用于基于预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签，确定所述第三损失值。
可选的，所述损失值包括利用所述第四任务对应的监督策略确定的第四损失值，所述特征处理模块，具体用于将所述第三图像中被遮掩文本行区域的图像编码特征输入至所述第一模型进行特征处理，得到所述被遮掩文本行区域的特征表达，所述被遮掩文本行区域的图像编码特征基于第二目标特征图中所述被遮掩文本行区域的特征进行编码得到，所述第二目标特征图对所述第三图像进行特征提取得到；
所述确定模块包括：
第四确定单元，用于基于所述特征表达和预先获取的被遮掩文本行区域的图像编码特征的标签，确定所述第四损失值。
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。
图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如关键信息抽取方法，或者模型训练方法。例如，在一些实施例中，关键信息抽取方法或模型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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的关键信息抽取方法的一个或多个步骤，或者执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行关键信息抽取方法，或者模型训练方法。
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 (12)

1.一种模型训练方法，包括：
获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数；
所述获取训练数据之前，还包括：
获取预训练样本，所述预训练样本包括第三图像，所述第三图像包括第三文档的图像内容；
将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达；
基于所述特征表达，利用预训练任务对应的监督策略确定损失值；
基于所述损失值，更新所述第一模型的模型参数；
其中，所述预训练任务包括第一任务，所述第一任务用于预测文档中任意两个不同文本行的相对方位；
其中，所述损失值包括利用所述第一任务对应的监督策略确定的第一损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达获取所述第三文档的文本行的视觉特征；
从所述第三文档的文本行的视觉特征中获取第一特征元素和第二特征元素，所述第一特征元素和所述第二特征元素为所述第三文档中两个不同文本行的特征元素；
计算所述第一特征元素和所述第二特征元素的特征差异信息；
基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位；
基于预测得到的所述两个不同文本行的相对方位和预先获取的所述两个不同文本行的相对方位的标签，确定所述第一损失值；
所述两个不同文本行包括第一文本行和第二文本行，所述基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位，包括：
以所述第二文本行的中心点为圆心，将所述圆心的圆圈区域均匀划分为连续预设数量的区域；
基于所述特征差异信息，将所述第二文本行的中心点在所述第一文本行的中心点的相对方向透射到所述连续预设数量的区域中的一个区域，得到所述两个不同文本行的相对方位。
2.根据权利要求1所述的方法，
所述预训练任务还包括第二任务、第三任务和第四任务中至少一项，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
3.根据权利要求2所述的方法，其中，所述损失值包括利用所述第二任务对应的监督策略确定的第二损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
针对所述第三文档中的第三文本行，将所述第三文本行的文本内容进行特征编码，得到所述第三文本行的文本特征，所述第三文本行为所述第三文档中的任一文本行；
将所述第三文本行的文本特征与所述特征表达进行点乘，以映射得到二维2d掩膜矩阵；
基于所述2d掩膜矩阵和所述第三文本行在所述第三图像的位置信息，确定所述第二损失值。
4.根据权利要求2所述的方法，其中，所述损失值包括利用所述第三任务对应的监督策略确定的第三损失值，所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达，预测被遮掩文本行区域的内容；
基于预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签，确定所述第三损失值。
5.根据权利要求2所述的方法，其中，所述损失值包括利用所述第四任务对应的监督策略确定的第四损失值，所述将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达，包括：
将所述第三图像中被遮掩文本行区域的图像编码特征输入至所述第一模型进行特征处理，得到所述被遮掩文本行区域的特征表达，所述被遮掩文本行区域的图像编码特征基于第二目标特征图中所述被遮掩文本行区域的特征进行编码得到，所述第二目标特征图对所述第三图像进行特征提取得到；
所述基于所述特征表达，利用预训练任务对应的监督策略确定损失值，包括：
基于所述特征表达和预先获取的被遮掩文本行区域的图像编码特征的标签，确定所述第四损失值。
6.一种模型训练装置，包括：
第二获取模块，用于获取训练数据，所述训练数据包括第二图像和第二文档中各文本单元的类别标记标签，所述第二图像包括所述第二文档的图像内容；
第三获取模块，用于获取所述第二文档的第三特征，所述第三特征是基于所述第二文档的文本特征和所述第二文档的文本行的视觉特征拼接得到的；
第二语义增强模块，用于将所述第三特征输入至第一模型进行语义增强，得到所述第二文档的第四特征；
第四获取模块，用于基于所述第四特征获取所述第二文档中各文本单元的第二类别标记；
第一更新模块，用于基于所述类别标记标签和所述第二类别标记，更新所述第一模型的模型参数；
第五获取模块，用于获取预训练样本，所述预训练样本包括第三图像，所述第三图像包括第三文档的图像内容；
特征处理模块，用于将所述预训练样本输入至所述第一模型进行特征处理，得到所述预训练样本的特征表达；
确定模块，用于基于所述特征表达，利用预训练任务对应的监督策略确定损失值；
第二更新模块，用于基于所述损失值，更新所述第一模型的模型参数；
其中，所述预训练任务包括第一任务，所述第一任务用于预测文档中任意两个不同文本行的相对方位；
其中，所述损失值包括利用所述第一任务对应的监督策略确定的第一损失值，所述确定模块包括：
第二获取单元，用于基于所述特征表达获取所述第三文档的文本行的视觉特征；
第三获取单元，用于从所述第三文档的文本行的视觉特征中获取第一特征元素和第二特征元素，所述第一特征元素和所述第二特征元素为所述第三文档中两个不同文本行的特征元素；
计算单元，用于计算所述第一特征元素和所述第二特征元素的特征差异信息；
方位预测单元，用于基于所述特征差异信息进行方位预测，得到所述两个不同文本行的相对方位；
第一确定单元，用于基于预测得到的所述两个不同文本行的相对方位和预先获取的所述两个不同文本行的相对方位的标签，确定所述第一损失值；
所述两个不同文本行包括第一文本行和第二文本行，所述方位预测单元，具体用于：
以所述第二文本行的中心点为圆心，将所述圆心的圆圈区域均匀划分为连续预设数量的区域；
基于所述特征差异信息，将所述第二文本行的中心点在所述第一文本行的中心点的相对方向透射到所述连续预设数量的区域中的一个区域，得到所述两个不同文本行的相对方位。
7.根据权利要求6所述的装置，所述预训练任务还包括第二任务、第三任务和第四任务中至少一项，所述第二任务用于预测属于同一文本行的视觉特征和文本特征，所述第三任务用于随机遮掩图像中的文本行区域，以预测被遮掩文本行区域的内容，所述第四任务用于随机遮掩图像中的文本行区域，对被遮掩文本行区域的输出特征进行重建，以恢复被遮掩文本行区域的图像像素。
8.根据权利要求7所述的装置，其中，所述损失值包括利用所述第二任务对应的监督策略确定的第二损失值，所述确定模块包括：
第三编码单元，用于针对所述第三文档中的第三文本行，将所述第三文本行的文本内容进行特征编码，得到所述第三文本行的文本特征，所述第三文本行为所述第三文档中的任一文本行；
点乘单元，用于将所述第三文本行的文本特征与所述特征表达进行点乘，以映射得到二维2d掩膜矩阵；
第二确定单元，用于基于所述2d掩膜矩阵和所述第三文本行在所述第三图像的位置信息，确定所述第二损失值。
9.根据权利要求7所述的装置，其中，所述损失值包括利用所述第三任务对应的监督策略确定的第三损失值，所述确定模块包括：
预测单元，用于基于所述特征表达，预测被遮掩文本行区域的内容；
第三确定单元，用于基于预测得到的被遮掩文本行区域的内容和预先获取的被遮掩文本行区域的内容的标签，确定所述第三损失值。
10.根据权利要求7所述的装置，其中，所述损失值包括利用所述第四任务对应的监督策略确定的第四损失值，所述特征处理模块，具体用于将所述第三图像中被遮掩文本行区域的图像编码特征输入至所述第一模型进行特征处理，得到所述被遮掩文本行区域的特征表达，所述被遮掩文本行区域的图像编码特征基于第二目标特征图中所述被遮掩文本行区域的特征进行编码得到，所述第二目标特征图对所述第三图像进行特征提取得到；
所述确定模块包括：
第四确定单元，用于基于所述特征表达和预先获取的被遮掩文本行区域的图像编码特征的标签，确定所述第四损失值。
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。
CN202210419163.8A 2022-04-20 2022-04-20 关键信息抽取方法、模型训练方法、相关装置及电子设备 Active CN115130473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210419163.8A CN115130473B (zh) 2022-04-20 2022-04-20 关键信息抽取方法、模型训练方法、相关装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210419163.8A CN115130473B (zh) 2022-04-20 2022-04-20 关键信息抽取方法、模型训练方法、相关装置及电子设备

Publications (2)

Publication Number Publication Date
CN115130473A CN115130473A (zh) 2022-09-30
CN115130473B true CN115130473B (zh) 2023-08-25

Family

ID=83376572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210419163.8A Active CN115130473B (zh) 2022-04-20 2022-04-20 关键信息抽取方法、模型训练方法、相关装置及电子设备

Country Status (1)

Country Link
CN (1) CN115130473B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486420B (zh) * 2023-04-12 2024-01-12 北京百度网讯科技有限公司 文档图像的实体抽取方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210040851A (ko) * 2020-06-03 2021-04-14 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 텍스트 인식 처리 방법, 장치, 전자 기기 및 저장매체
CN113343982A (zh) * 2021-06-16 2021-09-03 北京百度网讯科技有限公司 多模态特征融合的实体关系提取方法、装置和设备
CN114170482A (zh) * 2022-02-11 2022-03-11 阿里巴巴达摩院(杭州)科技有限公司 模型训练方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210040851A (ko) * 2020-06-03 2021-04-14 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 텍스트 인식 처리 방법, 장치, 전자 기기 및 저장매체
CN113343982A (zh) * 2021-06-16 2021-09-03 北京百度网讯科技有限公司 多模态特征融合的实体关系提取方法、装置和设备
CN114170482A (zh) * 2022-02-11 2022-03-11 阿里巴巴达摩院(杭州)科技有限公司 模型训练方法、装置、设备及介质

Also Published As

Publication number Publication date
CN115130473A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
EP3923185A2 (en) Image classification method and apparatus, electronic device and storage medium
CN112949415B (zh) 图像处理方法、装置、设备和介质
JP2022172381A (ja) テキスト抽出方法、テキスト抽出モデルのトレーニング方法、装置及び機器
CN114818708B (zh) 关键信息抽取方法、模型训练方法、相关装置及电子设备
CN113343982B (zh) 多模态特征融合的实体关系提取方法、装置和设备
CN113159013B (zh) 基于机器学习的段落识别方法、装置、计算机设备和介质
CN112966140B (zh) 字段识别方法、装置、电子设备、存储介质和程序产品
CN115457329B (zh) 图像分类模型的训练方法、图像分类方法和装置
CN113887615A (zh) 图像处理方法、装置、设备和介质
CN113343981A (zh) 一种视觉特征增强的字符识别方法、装置和设备
CN114863439B (zh) 信息提取方法、装置、电子设备和介质
CN115130473B (zh) 关键信息抽取方法、模型训练方法、相关装置及电子设备
JP2023543964A (ja) 画像処理方法、画像処理装置、電子機器、記憶媒体およびコンピュータプログラム
CN114724156A (zh) 表单识别方法、装置及电子设备
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN114445826A (zh) 视觉问答方法、装置、电子设备以及存储介质
CN113361536A (zh) 图像语义分割模型训练、图像语义分割方法及相关装置
CN114445833B (zh) 文本识别方法、装置、电子设备和存储介质
CN113361522B (zh) 用于确定字符序列的方法、装置和电子设备
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN112560848B (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
CN114661904A (zh) 文档处理模型的训练方法、装置、设备、存储介质及程序
CN114707591A (zh) 数据处理方法和数据处理模型的训练方法、装置
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN113343047A (zh) 数据处理方法、数据检索方法及装置

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
GR01 Patent grant
GR01 Patent grant