CN115546814A - 关键合同字段抽取方法、装置、电子设备及存储介质 - Google Patents

关键合同字段抽取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115546814A
CN115546814A CN202211230213.4A CN202211230213A CN115546814A CN 115546814 A CN115546814 A CN 115546814A CN 202211230213 A CN202211230213 A CN 202211230213A CN 115546814 A CN115546814 A CN 115546814A
Authority
CN
China
Prior art keywords
page
contract
key
document
text content
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
CN202211230213.4A
Other languages
English (en)
Inventor
闫昊
周逸峰
刘凯
苏超
刘屹
陈先丽
王皖麟
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.)
China Merchants Zhirong Supply Chain Service Co.,Ltd.
Original Assignee
China Merchants Tongshang Financial Leasing 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 China Merchants Tongshang Financial Leasing Co ltd filed Critical China Merchants Tongshang Financial Leasing Co ltd
Priority to CN202211230213.4A priority Critical patent/CN115546814A/zh
Publication of CN115546814A publication Critical patent/CN115546814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本发明涉及人工智能技术，揭露一种关键合同字段抽取方法，包括：根据合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；利用目标文件解析算法对合同文件的每一页进行文本解析，得到合同文件每一页的文本内容；基于文本内容利用预构建的分类模型分别对合同文件的每一页进行页面分类，得到合同文件每一页的页面类别；基于页面类别筛选合同文件中关键页面，并将关键页面的文本内容确定为目标文本内容；对目标文本内容进行字段抽取，得到关键合同字段信息。本发明还提出一种关键合同字段抽取装置、设备以及介质。本发明可以提高关键合同字段抽取的效率。

Description

关键合同字段抽取方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术，尤其涉及一种关键合同字段抽取方法、装置、电子设备及存储介质。
背景技术
合同核验在贸易背景验真中占有重要地位。由于合同的待审核信息只是一些关键字段信息需要审核，为了更快的进行合同审核，通常利用关键合同字段抽取方法识别合同中的待审核字段的内容进行合同审核。
但是现有的关键合同字段抽取是直接对合同的每一页都进行字段抽取操作，导致关键合同字段抽取的效率较低。
发明内容
本发明提供一种关键合同字段抽取方法、装置、电子设备及存储介质，其主要目的在于提高了关键合同字段抽取的准确率。
获取合同文件及对应的合同文件格式；
根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；
利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；
对所述目标文本内容进行字段抽取，得到关键合同字段信息。
可选地，所述基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别，包括：
利用多个分类模型对所述合同文件每一页的文本内容进行分析，得到每个分类模型对应的所述合同文件每一页的初始页面类别；
将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别。
可选地，所述将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别，包括：
判断所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别的种类是否为一种；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类为一种，将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类不为一种；
将所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的待选页面类别；
利用预设的文本排序规则将所述合同文件中每一页对应的所有待选页面类别进行排序，并选取排序第一的待选页面类别确定为该页的页面类别。
可选地，所述对所述目标文本内容进行字段抽取，得到关键合同字段信息，包括：
对所述目标文本内容进行分词，得到多个分词词语；
将所述分词词语转化为向量，得到分词词向量；
利用BiLSTM模型对所述分词词向量进行特征提取，并利用预构建的分类函数对提取的特征进行识别分类，得到预设字段类型对应的实体概率；
将所述预设字段类型对应的实体概率大于预设实体阈值的分词词向量对应的分词词语，确定为该预设字段类型的实体词语；
利用序列化标注算法计算每个预设字段类型对应的所述实体词语的顺序系数，根据所述顺序系数将预设字段类型对应的所有所述实体词语进行组合，得到该预设字段类型对应的抽取字段；
汇总所有所述抽取字段，得到所述关键合同字段信息。
可选地，所述将所述分词词语转化为向量，得到分词词向量，包括：
将所述分词词语中的每个字符转化为字符向量；
将所有所述字符向量按照对应的字符在所述分词词语中的先后顺序进行组合，得到所述分词词向量。
可选地，所述利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容，包括：
利用所述目标文件解析算法将所述合同文件的每一页进行切分，得到合同页文件；
将所述合同页文件转化为预设的目标文件类型，得到转化页文件；
利用OCR识别技术解析所述转化页文件得到所述文本内容。
可选地，所述基于所述页面类别筛选所述合同文件中关键页面，包括：
计算预设的关键页面类别集合与所有所述页面类别的交集，得到目标页面类别集合；
将所述目标页面类别集合中每个页面类别对应的页面确定为所述关键页面。
为了解决上述问题，本发明还提供一种关键合同字段抽取装置，所述装置包括：
页面解析模块，用于获取合同文件及对应的合同文件格式；根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
页面分类模块，用于基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
字段抽取模块，用于基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；对所述目标文本内容进行字段抽取，得到关键合同字段信息。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的关键合同字段抽取方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的关键合同字段抽取方法。
本发明实施例基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；关键合同字段抽取需要抽取关键页面的文本内容，本发明实施例在确定的关键页面中进行字段抽取从而抽取需要的合同关键字段，与对合同文件的每一页都进行字段抽取相比，只需要对关键页面进行字段抽取，提高了关键合同字段抽取的效率，因此本发明实施例提出的关键合同字段抽取方法、装置、电子设备及可读存储介质提高了关键合同字段抽取的效率。
附图说明
图1为本发明一实施例提供的关键合同字段抽取方法的流程示意图；
图2为本发明一实施例提供的关键合同字段抽取装置的模块示意图；
图3为本发明一实施例提供的实现关键合同字段抽取方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种关键合同字段抽取方法。所述关键合同字段抽取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述关键合同字段抽取方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content Delivery Network，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。
参照图1所示的本发明一实施例提供的关键合同字段抽取方法的流程示意图，在本发明实施例中，所述关键合同字段抽取方法包括：
S1、获取合同文件及对应的合同文件格式；
本发明实施例中所述合同文件为需要进行审核验证的合同文件，进一步地，由于所述合同文件的格式各有不同，为了更有针对性的对合同文件中的文本内容进行解析识别，本发明实施例需要获取所述合同文件的合同文件格式，所述文本格式可以为doc、docx、pdf、jpg等格式。
可选地，本发明其中一个实施例中，所述合同文件可以为Redis消息中间件中接收的多个合同文件中的一个，通过所述Redis消息中间件接收合同文件可以避免需要处理的合同文件过多无法及时处理造成的服务崩溃的情况。
S2、根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；
本发明实施例中，所述文件解析算法库中包含了不同的合同文件格式对应的文件解析算法，本发明实施例中可以根据所述合同文件格式从所述解析算法库中筛选出适合的文件解析算法对所述合同文件进行解析。
S3、利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
本发明实施例中为了更好的对合同文件中的文本内容进行解析，防止合同文件中的所有文本内容混在一起导致识别的文本内容过多，影响后续字段抽取的速度，因此，本发明实施例中利用所述目标文件解析算法对所述合同文件中的每一页进行文本解析，得到所述合同文件每一页的文本内容。具体地，本发明实施例可以通过识别所述合同文件中的页码来定位所述合同文件中的每一页。
详细地，本发明实施例中利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容，包括：
利用所述目标文件解析算法将所述合同文件的每一页进行切分，得到合同页文件；
将所述合同页文件转化为预设的目标文件类型，得到转化页文件；
利用OCR识别技术解析所述转化页文件得到所述文本内容。
具体地，本发明实施例中所述目标文件类型为PDF、JPG、GIF、PNG、BMP、TIF等文件类型。
S4、基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
由于合同文件中并不是所有页面的文本内容都需要进行字段抽取，只需要对一些关键页面的文本内容进行字段抽取，因此，为了确定所述合同文件中的关键页面，本发明实施例需要对所述合同文件的每一页进行分类，以确定该页对应的页面类别，从而判断对应页面是不是关键页面，其中，所述关键页面的页面分类可以为封面首页、标的页、价款页、支付页、生效条款页、签章页等页面类别。
本发明其中一个实施例可以利用多个预构建的分类模型分别对所述合同文件的每一页进行页面分类，并将所有模型的分类结果进行综合，得到所述合同文件每一页的页面类别。
具体地，本发明实施例中所述S4包括：
利用多个分类模型对所述合同文件每一页的文本内容进行分析，得到每一个分类模型对应的所述合同文件每一页的初始页面类别；
将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别。
进一步地，本发明实施例中将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别，包括：
判断所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别的种类是否为一种；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类为一种，将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类不为一种；
将所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的待选页面类别；
利用预设的文本排序规则将所述合同文件中每一页对应的所有待选页面类别进行排序，并选取排序第一的待选页面类别确定为该页的页面类别。
本发明实施例中所述分类模型可以为利用训练集训练完成的深度学习模型，所述深度学习模型可以为改造的BERT模型、改造的Ernie-Doc模型或Transformer-xl模型。其中，所述改造的BERT模型为将损失函数由Cross Entropy Loss替换为Focal Loss的BERT模型，所述改造的Ernie-Doc模型将损失函数由Cross Entropy Loss替换为Focal Loss的Ernie-Doc模型。
进一步地，本发明实施例中在利用训练集对所述深度学习模型进行训练之前，还可以对训练集进行数据增强，如对所述训练集中的数据进行重采样、正样本EDA增强方式等方式进行数据增强。其中，数据重采样包括：对负样本进行欠采样，对较少的正样本进行过采样，正样本EDA数据增强方式包括：同义词替换，回译，随机插入，随机交换，随机删除等，其中在本实施例中可以选择同义词替换和回译的数据增强方式。回译是指把中文合同文本翻译成外文，再由外文翻译回中文。
S5、基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；
本发明实施例中所述关键页面包含需要抽取信息的页面，对应的页面类别为封面首页、标的页、价款页、支付页、生效条款页、签章页。
本发明实施例中基于所述页面类别筛选所述合同文件中关键页面，包括：
计算预设的关键页面类别集合与所有所述页面类别的交集，得到目标页面类别集合；
将所述目标页面类别集合中每个页面类别对应的页面确定为所述关键页面。
具体地，本发明实施例汇总所有所述页面类别，得到页面类别集合；计算所述关键页面类别集合与所述页面类别集合的交集，得到所述目标页面类别集合。
具体地，本发明实施例中所述关键页面类别集合为预设的关键页面对应的页面类别的集合，包括但不限于封面首页、标的页、价款页、支付页、生效条款页、签章页等页面类别。
S6、对所述目标文本内容进行字段抽取，得到关键合同字段信息。
本发明实施例中可以基于规则匹配算法和\或预构建的字段抽取模型对所述目标文本内容进行字段抽取，得到关键合同字段信息。
具体地，本发明实施例中所述对所述目标文本内容进行字段抽取，得到关键合同字段信息，包括：
步骤A：对所述目标文本内容进行分词，得到多个分词词语；
步骤B：将所述分词词语转化为向量，得到分词词向量；
步骤C：利用BiLSTM模型对所述分词词向量进行特征提取，并利用预构建的分类函数对提取的特征进行识别分类，得到预设字段类型对应的实体概率；
步骤D：将所述预设字段类型对应的实体概率大于预设实体阈值的分词词向量对应的分词词语，确定为该预设字段类型的实体词语；
步骤E：利用序列化标注算法计算每个预设字段类型对应的所述实体词语的顺序系数，根据所述顺序系数将预设字段类型对应的所有所述实体词语进行组合，得到该预设字段类型对应的抽取字段；
步骤F：汇总所有所述抽取字段，得到所述关键合同字段信息。
具体地，本发明实施例中将所述分词词语转化为向量，得到分词词向量，包括：
将所述分词词语中的每个字符转化为字符向量；
将所有所述字符向量按照对应的字符在所述分词词语中的先后顺序进行组合，得到所述分词词向量。
可选地，本发明实施例中可利用word2vec模型、One-Hot算法等模型或算法将所述分词词语转化为向量。本发明实施例中对转化为向量的具体方法不做限制。
本发明实施例中所述字符向量组合方式可以为首位相连拼接或每个字符向量作为矩阵的一列构建矩阵等方式进行组合，本发明实施例对组合的方式不做限制。
具体地，本发明实施例中利用BiLSTM模型对所述分词词向量进行特征提取，得到分词特征向量，将所述分词特征向量作为函数变量对所述分类函数进行计算，得到预设字段类型对应的实体概率。
可选地，本发明实施例中所述分类函数可以为softmax函数。
进一步地，由于实体词语只是孤立的词语，为了将实体词语正确的组合，还需要确定实体词语的顺序，因此，本发明实施例利用所述序列化标注算法计算每个预设字段类型对应的所有所述实体词语的顺序标签。其中，所述顺序标签为标识实体词语先后的标识，本发明实施例利用所述序列化标注算法计算每个所述实体词语的顺序系数，按照顺序系数的大小将所述字段类型对应的所有所述实体词语进行组合，得到该字段类型对应的抽取字段。例如：预设字段类型为“姓名”，该字段类型对应三个实体词语，分别为“张”、“三”、“某”，“张”对应的顺序系数为0.9，“某”对应的顺序系数为0.88，“三”对应的顺序系数为0.85，那么按照顺序系数的大小将“姓名”字段类型对应的所有实体词语进行组合得到的抽取字段为“张某三”；本发明实施例中所述顺序系数还可以用文本来标识，如：开始字符、中间字符，按照文本表示的先后顺序将对应的实体词语进行组合，得到所述关键合同字段信息。
本发明实施例中还可以利用基于正则表达式构建的字段抽取规则对所述目标文本内容进行字段抽取以抽取所述目标文本内容中预设字段类型对应的抽取字段，汇总所有的所述抽取字段，得到所述关键合同字段信息。
进一步地，本发明实施例对所述目标文本内容进行字段抽取，得到关键合同字段信息之后，通过所述关键合同字段信息中个字段类型对应的抽取字段与该字段类型对应的标准字段进行比对以实现对所述合同文件的审核。
如图2所示，是本发明关键合同字段抽取装置的功能模块图。
本发明所述关键合同字段抽取装置100可以安装于电子设备中。根据实现的功能，所述关键合同字段抽取装置可以包括页面解析模块101、页面分类模块102、字段抽取模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述页面解析模块101用于获取合同文件及对应的合同文件格式；根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
所述页面分类模块102用于基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
所述字段抽取模块103用于基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；对所述目标文本内容进行字段抽取，得到关键合同字段信息。
详细地，本发明实施例中所述关键合同字段抽取装置100中所述的各模块在使用时采用与上述图1中所述的关键合同字段抽取方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现关键合同字段抽取方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如关键合同字段抽取程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如关键合同字段抽取程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如关键合同字段抽取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的关键合同字段抽取程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取合同文件及对应的合同文件格式；
根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；
利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；
对所述目标文本内容进行字段抽取，得到关键合同字段信息。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取合同文件及对应的合同文件格式；
根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；
利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；
对所述目标文本内容进行字段抽取，得到关键合同字段信息。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种关键合同字段抽取方法，其特征在于，所述方法包括：
获取合同文件及对应的合同文件格式；
根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；
利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；
对所述目标文本内容进行字段抽取，得到关键合同字段信息。
2.如权利要求1所述的关键合同字段抽取方法，其特征在于，所述基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别，包括：
利用多个分类模型对所述合同文件每一页的文本内容进行分析，得到每一个分类模型对应的所述合同文件每一页的初始页面类别；
将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别。
3.如权利要求2所述的关键合同字段抽取方法，其特征在于，所述将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别，包括：
判断所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别的种类是否为一种；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类为一种，将所述合同文件每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的页面类别；
当所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别种类不为一种，则将所述合同文件中每一页对应的所有初始页面类别中出现频率最高的初始页面类别确定为该页的待选页面类别；
利用预设的文本排序规则将所述合同文件中每一页对应的所有待选页面类别进行排序，并选取排序第一的待选页面类别确定为该页的页面类别。
4.如权利要求1所述的关键合同字段抽取方法，其特征在于，所述对所述目标文本内容进行字段抽取，得到关键合同字段信息，包括：
对所述目标文本内容进行分词，得到多个分词词语；
将所述分词词语转化为向量，得到分词词向量；
利用BiLSTM模型对所述分词词向量进行特征提取，并利用预构建的分类函数对提取的特征进行识别分类，得到预设字段类型对应的实体概率；
将所述预设字段类型对应的实体概率大于预设实体阈值的分词词向量对应的分词词语，确定为该预设字段类型的实体词语；
利用序列化标注算法计算每个预设字段类型对应的所述实体词语的顺序系数，根据所述顺序系数将预设字段类型对应的所有所述实体词语进行组合，得到该预设字段类型对应的抽取字段；
汇总所有所述抽取字段，得到关键合同字段关键合同字段信息。
5.如权利要求4所述的关键合同字段抽取方法，其特征在于，所述将所述分词词语转化为向量，得到分词词向量，包括：
将所述分词词语中的每个字符转化为字符向量；
将所有所述字符向量按照对应的字符在所述分词词语中的先后顺序进行组合，得到所述分词词向量。
6.如权利要求1所述的关键合同字段抽取方法，其特征在于，所述利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容，包括：
利用所述目标文件解析算法将所述合同文件的每一页进行切分，得到合同页文件；
将所述合同页文件转化为预设的目标文件类型，得到转化页文件；
利用OCR识别技术解析所述转化页文件得到所述文本内容。
7.如权利要求1至6中任意一项所述的关键合同字段抽取方法，其特征在于，所述基于所述页面类别筛选所述合同文件中关键页面，包括：
计算预设的关键页面类别集合与所有所述页面类别的交集，得到目标页面类别集合；
将所述目标页面类别集合中每个页面类别对应的页面确定为所述关键页面。
8.一种关键合同字段抽取装置，其特征在于，包括：
页面解析模块，用于获取合同文件及对应的合同文件格式；根据所述合同文件格式在预设文件解析算法库中筛选文件解析算法，得到目标文件解析算法；利用所述目标文件解析算法对所述合同文件的每一页进行文本解析，得到所述合同文件每一页的文本内容；
页面分类模块，用于基于所述文本内容利用预构建的分类模型对所述合同文件的每一页进行页面分类，得到所述合同文件每一页的页面类别；
字段抽取模块，用于基于所述页面类别筛选所述合同文件中关键页面，并将所述关键页面的文本内容确定为目标文本内容；对所述目标文本内容进行字段抽取，得到关键合同字段信息。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至7中任一项所述的关键合同字段抽取方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的关键合同字段抽取方法。
CN202211230213.4A 2022-10-08 2022-10-08 关键合同字段抽取方法、装置、电子设备及存储介质 Pending CN115546814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211230213.4A CN115546814A (zh) 2022-10-08 2022-10-08 关键合同字段抽取方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211230213.4A CN115546814A (zh) 2022-10-08 2022-10-08 关键合同字段抽取方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115546814A true CN115546814A (zh) 2022-12-30

Family

ID=84734007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211230213.4A Pending CN115546814A (zh) 2022-10-08 2022-10-08 关键合同字段抽取方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115546814A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541958A (zh) * 2010-12-30 2012-07-04 百度在线网络技术（北京）有限公司 一种用于识别短文本类别信息的方法、装置和计算机设备
CN107992597A (zh) * 2017-12-13 2018-05-04 国网山东省电力公司电力科学研究院 一种面向电网故障案例的文本结构化方法
CN111078871A (zh) * 2019-11-21 2020-04-28 深圳前海环融联易信息科技服务有限公司 一种基于人工智能的合同自动分类的方法及系统
CN112182141A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种关键信息抽取方法、装置、设备和可读存储介质
CN112464656A (zh) * 2020-11-30 2021-03-09 科大讯飞股份有限公司 关键词抽取方法、装置、电子设备和存储介质
CN113190656A (zh) * 2021-05-11 2021-07-30 南京大学 一种基于多标注框架与融合特征的中文命名实体抽取方法
CN114818718A (zh) * 2022-05-26 2022-07-29 北京金山数字娱乐科技有限公司 合同文本识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541958A (zh) * 2010-12-30 2012-07-04 百度在线网络技术（北京）有限公司 一种用于识别短文本类别信息的方法、装置和计算机设备
CN107992597A (zh) * 2017-12-13 2018-05-04 国网山东省电力公司电力科学研究院 一种面向电网故障案例的文本结构化方法
CN111078871A (zh) * 2019-11-21 2020-04-28 深圳前海环融联易信息科技服务有限公司 一种基于人工智能的合同自动分类的方法及系统
CN112182141A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种关键信息抽取方法、装置、设备和可读存储介质
CN112464656A (zh) * 2020-11-30 2021-03-09 科大讯飞股份有限公司 关键词抽取方法、装置、电子设备和存储介质
CN113190656A (zh) * 2021-05-11 2021-07-30 南京大学 一种基于多标注框架与融合特征的中文命名实体抽取方法
CN114818718A (zh) * 2022-05-26 2022-07-29 北京金山数字娱乐科技有限公司 合同文本识别方法及装置

Similar Documents

Publication Publication Date Title
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113095076A (zh) 敏感词识别方法、装置、电子设备及存储介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113704614A (zh) 基于用户画像的页面生成方法、装置、设备及介质
CN112528616A (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN111932413B (zh) 案件要素提取方法、装置、设备及介质
CN112989043B (zh) 指代消解方法、装置、电子设备及可读存储介质
CN113204698A (zh) 新闻主题词生成方法、装置、设备及介质
CN116578696A (zh) 文本摘要生成方法、装置、设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN113221888B (zh) 车牌号管理系统测试方法、装置、电子设备及存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN115221274A (zh) 文本情感分类方法、装置、电子设备及存储介质
CN115082736A (zh) 垃圾识别分类方法、装置、电子设备及存储介质
CN114708073A (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN114722146A (zh) 基于人工智能的供应链资产校验方法、装置、设备及介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质
CN114120347A (zh) 表单校验方法、装置、电子设备及存储介质
CN113822215A (zh) 设备操作指引文件生成方法、装置、电子设备及存储介质
CN115546814A (zh) 关键合同字段抽取方法、装置、电子设备及存储介质
CN113434650A (zh) 问答对扩展方法、装置、电子设备及可读存储介质
CN113656586A (zh) 情感分类方法、装置、电子设备及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231205

Address after: 519000, Room 114-845, Government Service Center, Building 2, Citizen Service Center, No. 868 Hengqin Gang'ao Avenue, Zhuhai City, Guangdong Province (centralized office area)

Applicant after: China Merchants Zhirong Supply Chain Service Co.,Ltd.

Address before: Building 2, Minghai Center, south of Chongqing Road, west of Hulunbeier Road, Tianjin Pilot Free Trade Zone (Dongjiang Bonded Port Area), 300000 Tianjin - 5,6-202

Applicant before: China Merchants Tongshang Financial Leasing Co.,Ltd.