CN115809325B - 文档处理模型训练方法、文档处理方法、装置及设备 - Google Patents

Abstract

本公开提供了一种文档处理模型训练方法、文档处理方法、装置及设备，涉及人工智能领域，尤其涉及计算机视觉技术、图像处理技术、文字识别技术、自然语言处理技术和深度学习技术。实现方案为：基于第一文档图像，获取至少一个第一文本和至少一个第一布局信息；构建布局知识问题；基于布局知识问题，确定布局知识问题对应的真实标签；获取至少一个第一文本特征；获取至少一个第二文本特征；获取第一文档图像对应的第一图像特征；将至少一个第一文本特征、至少一个第二文本特征和第一图像特征输入文档处理模型，以得到多个融合特征；基于多个融合特征，确定预测标签；以及基于真实标签和预测标签，训练文档处理模型。

Description

文档处理模型训练方法、文档处理方法、装置及设备

技术领域

本公开涉及人工智能领域，尤其涉及计算机视觉技术、图像处理技术、文字识别技术、自然语言处理技术和深度学习技术，具体涉及一种文档处理模型的预训练方法、文档处理模型的训练方法、文档处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

近年来，通用多模态场景下的预训练技术得到快速发展。对于同时具有文本和图像信息作为输入的模型，通常需要设计相应的预训练任务来提高文本和图像信息的交互，加强模型在多模态场景下处理下游任务的能力。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种文档处理模型的预训练方法、文档处理模型的训练方法、文档处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种文档处理模型的预训练方法，包括：基于第一文档图像，获取第一文档图像中的至少一个第一文本和至少一个第一布局信息，至少一个第一布局信息中的每个第一布局信息用于表征第一文档图像中相应文档单元的内容类型，文档单元中包括文本或图像中的至少一者；基于至少一个第一布局信息和预设问题模板，构建布局知识问题，布局知识问题包括用于提问第一文档图像中预设位置所包括的文档内容的问题，文档内容与布局知识问题中涉及的布局信息相应，布局知识问题包括至少一个第二文本；基于布局知识问题，确定布局知识问题对应的真实标签，真实标签指示用于解答布局知识问题的文档内容的位置；获取与至少一个第一文本对应的至少一个第一文本特征，其中，第一文本特征用于表征相应第一文本的文本内容信息；获取与至少一个第二文本对应的至少一个第二文本特征，其中，第二文本特征用于表征相应第二文本的文本内容信息；获取第一文档图像对应的第一图像特征，其中，第一图像特征用于表征第一文档图像的图像内容信息；将至少一个第一文本特征、至少一个第二文本特征和第一图像特征同时输入文档处理模型，以得到文档处理模型输出的多个融合特征；基于多个融合特征，确定预测标签，其中，预测标签指示用于解答布局知识问题的文档单元的位置的预测结果；以及基于真实标签和预测标签，训练文档处理模型。

根据本公开的另一方面，提供了一种文档处理模型的训练方法，包括：获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档理解任务的期望结果；获取与样本文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；获取样本文档图像对应的图像特征，其中，图像特征表征样本文档图像的图像内容信息；至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档理解任务的实际结果；以及基于真实标签和预测标签，进一步训练文档处理模型。

根据本公开的另一方面，提供了一种文档处理方法，包括：获取与文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；获取文档图像对应的图像特征，其中，图像特征表征文档图像的图像内容信息；至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；以及基于至少一个表示特征，确定文档理解结果。

根据本公开的另一方面，提供了一种文档处理模型的预训练装置，包括：第一获取单元，被配置为基于第一文档图像，获取第一文档图像中的至少一个第一文本和至少一个第一布局信息，至少一个第一布局信息中的每个第一布局信息用于表征第一文档图像中相应文档单元的内容类型，文档单元中包括文本或图像中的至少一者；构建单元，被配置为基于至少一个第一布局信息和预设问题模板，构建布局知识问题，布局知识问题包括用于提问第一文档图像中预设位置所包括的文档内容的问题，文档内容与布局知识问题中涉及的布局信息相应，布局知识问题包括至少一个第二文本；第一确定单元，被配置为基于布局知识问题，确定布局知识问题对应的真实标签，真实标签指示用于解答布局知识问题的文档内容的位置；第二获取单元，被配置为获取与至少一个第一文本对应的至少一个第一文本特征，其中，第一文本特征用于表征相应第一文本的文本内容信息；第三获取单元，被配置为获取与至少一个第二文本对应的至少一个第二文本特征，其中，第二文本特征用于表征相应第二文本的文本内容信息；第四获取单元，被配置为获取第一文档图像对应的第一图像特征，其中，第一图像特征用于表征第一文档图像的图像内容信息；第一输入单元，被配置为将至少一个第一文本特征、至少一个第二文本特征和第一图像特征同时输入文档处理模型，以得到文档处理模型输出的多个融合特征；第二确定单元，被配置为基于多个融合特征，确定预测标签，其中，预测标签指示用于解答布局知识问题的文档单元的位置的预测结果；以及第一训练单元，被配置为基于真实标签和预测标签，训练文档处理模型。

根据本公开的另一方面，提供了一种文档处理模型的训练装置，包括：第五获取单元，被配置为获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档理解任务的期望结果；第六获取单元，被配置为获取与样本文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；第七获取单元，被配置为获取样本文档图像对应的图像特征，其中，图像特征表征样本文档图像的图像内容信息；第二输入单元，被配置为至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；第三确定单元，被配置为基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档理解任务的实际结果；以及第二训练单元，被配置为基于真实标签和预测标签，进一步训练文档处理模型。

根据本公开的另一方面，提供了一种文档处理装置，包括：第八获取单元，被配置为获取与文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；第九获取单元，被配置为获取文档图像对应的图像特征，其中，图像特征表征文档图像的图像内容信息；第三输入单元，被配置为至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；以及第四确定单元，被配置为基于至少一个表示特征，确定文档理解结果。

根据本公开的另一方面，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，这些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上述方法。

根据本公开的另一方面，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，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过应用文档的布局信息，构建与布局知识相关的知识问答对(即布局知识问题和与问题相应的真实标签)，并基于问答对进行模型训练，能够将无法通过特征信息表达的文档结构化知识融入到模型训练过程中，使模型在预训练阶段即具备一定的布局知识理解能力，从而使得微调部分仅需要少量的标注数据即可获得能够执行相关任务(例如表格理解任务、结构化知识问答任务)的模型。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的文档处理模型的预训练方法的流程图；

图3示出了根据本公开的实施例的获取第一文档图像中的至少一个第一文本和至少一个第一布局信息的流程图；

图4示出了根据本公开的实施例的获取至少一个第一文本特征的流程图；

图5示出了根据本公开的实施例的获取至少一个第一文本特征的流程图；

图6示出了根据本公开的示例性实施例的文档处理模型的结构示意图；

图7示出了根据本公开的实施例的文档处理模型的预训练方法的流程图；

图8示出了根据本公开的实施例的文档处理模型的训练方法的流程图；

图9示出了根据本公开的实施例的文档处理方法的流程图；

图10示出了根据本公开的实施例的文档处理模型的预训练装置的结构框图；

图11示出了根据本公开的实施例的文档处理模型的训练装置的结构框图；

图12示出了根据本公开的实施例的文档处理装置的结构框图；

图13示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

文档处理模型，也即文档理解模型，针对日益增长的文档分析和抽取的需求，旨在构建针对文档数据的预训练模型和针对各类文档分析和抽取任务的微调模型。由于文档的文本、布局以及图像特征对于文档理解、文档关键信息抽取具有至关重要的左右，如何将文本、布局、图像信息在模型预训练过程中进行有效融合，进一步提高文档处理模型在下游文档微调任务中的表现能力，是当前面临的重难点问题。

本公开提供了一种文档处理模型的预训练方法，通过应用文档的布局信息，构建与布局知识相关的知识问答对(即布局知识问题和与问题相应的真实标签)，并基于问答对进行模型训练，能够将无法通过特征信息表达的文档结构化知识融入到模型训练过程中，使模型在预训练阶段即具备一定的布局知识理解能力，从而使得微调部分仅需要少量的标注数据即可获得能够执行相关任务(例如表格理解任务、结构化知识问答任务)的模型。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行上述文档处理模型的预训练方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取文档图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120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。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据一些实施例，如图2所示，提供了一种文档处理模型的预训练方法，包括：步骤S201、基于第一文档图像，获取第一文档图像中的至少一个第一文本和至少一个第一布局信息，至少一个第一布局信息中的每个第一布局信息用于表征第一文档图像中相应文档单元的内容类型，文档单元中包括文本或图像中的至少一者；步骤S202、基于至少一个第一布局信息和预设问题模板，构建布局知识问题，布局知识问题包括用于提问第一文档图像中预设位置所包括的文档内容的问题，文档内容与布局知识问题中涉及的布局信息相应，布局知识问题包括至少一个第二文本；步骤S203、基于布局知识问题，确定布局知识问题对应的真实标签，真实标签指示用于解答布局知识问题的文档内容的位置；步骤S204、获取与至少一个第一文本对应的至少一个第一文本特征，其中，第一文本特征用于表征相应第一文本的文本内容信息；步骤S205、获取与至少一个第二文本对应的至少一个第二文本特征，其中，第二文本特征用于表征相应第二文本的文本内容信息；步骤S206、获取第一文档图像对应的第一图像特征，其中，第一图像特征用于表征第一文档图像的图像内容信息；步骤S207、将至少一个第一文本特征、至少一个第二文本特征和第一图像特征同时输入文档处理模型，以得到文档处理模型输出的多个融合特征；步骤S208、基于多个融合特征，确定预测标签，其中，预测标签指示用于解答布局知识问题的文档单元的位置的预测结果；以及步骤S209、基于真实标签和预测标签，训练文档处理模型。

根据本公开的一个或多个实施例，通过应用文档的布局信息，构建与布局知识相关的知识问答对(即布局知识问题和与问题相应的真实标签)，并基于问答对进行模型训练，能够将无法通过特征信息表达的文档结构化知识融入到模型训练过程中，使模型在预训练阶段即具备一定的布局知识理解能力，从而使得微调部分仅需要少量的标注数据即可获得能够执行相关任务(例如表格理解任务、结构化知识问答任务)的模型。

文档图像理解的应用行业可以包括：金融、法律、保险、能源、物流、医疗等，文档的示例可以包括：票据、单据、信函、信封、合同、文书、公文、报表、账单、处方等。针对不同行业和不同应用场景的需求，文档图像理解任务例如可以包括文档信息抽取、文档内容解析、文档对比、文档结构化知识问答等。可以理解的是，文档图像理解还可以应用于更广泛的领域和应用场景中，文档的类型也不限于上述示例。

文档图像可以包括各个类型的文档的电子件、扫描件或其他的形式的图像，其中的主要内容通常为文本、字符或数字，部分类型的文档还包括插入在文本中的图像，并且部分类型的文档还具有特定的版式。

在一些实施例中，如图3所示，基于第一文档图像，获取第一文档图像中的至少一个第一文本和至少一个第一布局信息可以包括：步骤S301、对第一文档图像进行文字识别，以获取第一文档图像中的至少一个文档单元；步骤S302、对至少一个文档单元进行布局解析，以获取至少一个文档单元相应的至少一个第一布局信息；步骤S303、基于至少一个第一布局信息，确定至少一个文档单元的排列顺序；步骤S304、基于排列顺序，拼接至少一个文档单元中每个文档单元所包含的文本，以获得第一文本序列；以及步骤S305、对第一文本序列进行分词，以获取至少一个第一文本。

由此，基于布局信息，将文档中的文本进行排序，使文本的排列顺序符合人的阅读顺序，对进行排列后的文本序列进行切词，所获得的至少一个第一文本更加符合人的阅读习惯，进而能够使输入模型的文本特征更加符合人的阅读习惯，从而优化模型的表达。

在一些实施例中，可以使用光学字符识别(Optical Character Recognition，OCR)对第一文档图像进行文本识别，以得到第一文档图像中位于不同位置的至少一个文档单元以及每个文档单元中所包含的每个文字，这些文档单元例如可以为一行文本、一个表格等，在一些情况中，还可以将文档图像中所包含的图像识别为一个文档单元。

在一些实施例中，文本识别的结果还可以包括包围这些文档单元的边界框以及每个文字的边界框。边界框的部分属性(例如，边界框的坐标、形状、尺寸等)能够作为对应的文档单元或文字的位置信息。

在一些实施例中，这些边界框可以具有规则的形状(例如，矩形)，也可以具有不规则形状(例如，不规则多边形或不规则曲线围成的形状)。

在一些实施例中，边界框的坐标可以使用边界框所围成的区域的中心点坐标来表示，也可以用边界框上的多个点(例如，矩形或不规则多边形的部分或全部顶点、不规则曲线上的多个点)的坐标来表示。

在一些实施例中，边界框的尺寸可以使用边界框的宽度、高度、或两者来表示，也可以通过边界框的面积或在文档图像中的面积占比来表示。可以理解的是，上述描述仅为示例性的，本领域技术人员可以使用其他方式描述这些边界框的属性，也可以为边界框设计更丰富的属性，以提供更丰富的文本位置信息，在此不做限定。

在一些实施例中，可以将通过文字识别获得的上述信息输入布局解析器(layoutparser)，布局解析器可以获得每个文档单元的布局信息。其中，布局信息是指影响阅读顺序的结构化信息，比如，标题、段落、分栏、表格、图片、图注、表注等。

在一些实施例中，可以在获取到每个文档单元的布局信息后，基于布局信息，可以确定至少一个文档单元的排列顺序，并基于该排列顺序，将至少一个文档单元中的所有文本按顺序拼接为第一文本序列。在一个示例中，可以将同一布局下的文档单元中的文本按照从左到右再从上到下顺序进行拼接，随后，将不同布局的文档单元依次排列拼接，从而获得第一文本序列。

在一些实施例中，可以对第一文本序列进行分词，从而获得至少一个第一文本。在一个示例性实施例中，可以使用WordPiece算法对上述第一文本序列进行分词。可以理解的是，本领域技术人员可以使用其他算法对第一文本序列进行分词，在此不做限定。

在一些实施例中，在分词后，可以同时获取到每个第一文本的第一文本位置信息(也即一维位置信息)，第一文本位置信息可以用于指示相应第一文本在第一文本序列中的位次。

在一些实施例中，布局知识问题包括用于提问第一文档图像中预设位置所包括的文档内容的问题；在一些实施例中，布局知识问题也可以包括用于提问与所选布局信息相应的文档内容的位置。

在一些实施例中，布局知识问题可以基于至少一个第一布局信息和预设问题模板构建。

在一些实施例中，预设问题模板可以包括预设问题句式，预设问题句式可以包括至少一个布局信息词槽，基于至少一个第一布局信息和预设问题模板，获取布局知识问题可以包括：在至少一个第一布局信息中随机选择用于填充至少一个布局信息词槽的一个或多个第一布局信息；以及基于一个或多个第一布局信息和预设问题句式，构建布局知识问题。

由此，通过随机选择布局信息，避免样本问题生成过程中的人为因素对模型训练造成干扰。

在一些实施例中，预设问题模板可以包括预设问题句式，预设问题句式可以包括至少一个布局信息词槽。在一些实施例中，可以在至少一个第一布局信息中随机选择用于填充布局信息词槽的相应的第一布局信息，并将该第一布局信息填充至相应词槽中，从而获得随机生成的布局知识问题。

在一个示例中，预设问题句式可以为“Where is the<layout_type>in thedocument？”(也即“文档中的<布局信息词槽>在哪？”)，至少一个第一布局信息例如可以包括标题、段落、分栏、表格、图片、图注、表注等，则通过随机选择一个第一布局信息(例如表格)，并将其填充到词槽中，从而获得布局知识问题“Where is the table in thedocument？”(也即“文档中的表格在哪？”)。

在一些实施例中，预设问题模板还可以包括多个预设位置关系词，预设问题句式还可以包括至少一个位置关系词槽，基于至少一个第一布局信息和预设问题模板，获取布局知识问题还可以包括：在多个预设位置关系词中随机选择用于填充至少一个位置关系词槽的至少一个预设位置关系词；以及基于一个或多个第一布局信息、至少一个预设位置关系词和预设问题句式，构建布局知识问题。

由此，通过进一步扩展位置关系词，能够使布局知识问题更加丰富，覆盖面更广，从而提升模型对布局知识的理解能力。

在一些实施例中，预设问题模板还可以包括多个预设位置关系词，并且预设问题句式还可以包括至少一个位置关系词槽。在一些实施例中，可以在至少一个第一布局信息中随机选择用于填充布局信息词槽的相应的第一布局信息，并在多个预设位置关系词中随机选择至少一个预设位置关系词，并相应的填充在位置关系词槽和布局信息词槽中，从而获得随机生成的布局知识问题。

在一些实施例中，预设位置关系词可以包括方位词、位次词和关系词中的至少一者。

下表示出了一个示例，例如，通过随机选择，分别获取到预设问题句式为"What isthe<order_type><layout_type>in the content？"(正文中<位次词词槽><布局信息词槽>是什么？)、布局信息为"segment"(段落)、位次词为"first"(第一个)，则可以构建布局知识问题“What is the first segment in the content？”(正文中第一个段落是什么？)。

在一些实施例中，预设问题句式中还可以开设起始词词槽和结束词词槽，并且在构造布局知识问题时，可以进一步在某个文档单元中随机选择起始词和结束词(起始词的位次在结束词之前)，并连同所选的布局信息和位置关系词一并填入预设问题句式中，从而获得布局知识问题。在一个示例中，预设问题句式可以为“What is the<layout_type><relation_type>the<layout_type>start with<start_word>and end with<end_word>？”(也即“以<起始词词槽>为开头以<结束词词槽>为结尾的<布局信息词槽>的<关系词词槽>的<布局信息词槽>是什么？”)，通过对相应词槽对应的填充词进行随机选择并将其填充到词槽中，从而例如获得布局知识问题“What is the segment below the segment startwith‘cat’and end with‘dog’？”(以“猫”为开头以“狗”为结尾的段落的下方的段落是什么？)。

可理解的，相关技术人员可以根据实际需要自行设置预设问题模板，在此不做限制。

在一些实施例中，在确定布局知识问题后，可以基于该问题，在该文档对应的第一文本序列以及第一文档图像中相应的标记出用于解答该问题的文档内容的起止位置。

在一些实施例中，对于第一文本序列，可以通过在相应位置插入用于表示起始位置和终止位置的标注符号，从而标记出用于解答该问题的文档内容，上述用于表示起始位置和终止位置的标注符号可以作为该问题相应的一个真实标签。

在一些实施例中，对于第一文档图像，可以通过在图像中标记相应文档内容的图像区域(例如可以为一个标注框)，从而标记出用于解答该问题的文档内容，上述图像区域的标注信息可以作为该问题相应的一个真实标签。

在一些实施例中，如图4所示，获取与至少一个第一文本对应的至少一个第一文本特征可以包括：步骤S401、获取至少一个第一文本中每个第一文本相应的文本位置信息；以及针对至少一个第一文本中的每个第一文本，执行下述操作：步骤S402、将该第一文本进行嵌入，以获取相应的第一文本嵌入特征；步骤S403、将该第一文本相应的文本位置信息进行嵌入，以获取相应的第一位置嵌入特征；以及步骤S404、基于第一文本嵌入特征和第一位置嵌入特征，构造该第一文本相应的第一文本特征。

由此，通过在输入模型的文本特征中融合文本的位置信息，使得模型能够对文档中的不同位置的文本进行区分，并且能够基于各个文本的位置信息和文本之间的位置关系生成各个文本的文本表示特征，从而优化模型表达。

在一些实施例中，可以使用预先训练好的文本嵌入层对第一文本进行嵌入，以得到对应的第一文本嵌入特征。在一些实施例中，可以将大量文本的嵌入特征预先存入到词表中，则可以直接从词表中索引到与第一文本对应的第一文本嵌入特征。

在一些实施例中，在得到多个第一文本嵌入特征后，可以直接将每一个第一文本的第一文本嵌入特征作为与该第一文本对应的第一文本特征，从而使得接收第一文本特征的文档处理模型能够学习到文本内容信息。

在一些实施例中，还可以获取至少一个第一文本中每个第一文本相应的文本位置信息。

在一些实施例中，文本位置信息可以包括第一文本位置信息，第一文本位置信息指示相应第一文本在第一文本序列中的位次。

第一文本位置信息，或称为一维位置信息，可以指示对应的第一文本在第一原始文档图像中的阅读顺位。阅读顺位能够反映这些第一文本之间的符合逻辑的阅读顺序关系。每个第一文本的第一文本位置信息可以通过如上所述的用于获取第一文本位置信息的方法获得。

由此，通过向模型输入指示样本文本之间符合逻辑的阅读顺序的第一文本位置信息，提升了模型对文档中的不同文本进行区分的能力。

在一些实施例中，可以将指示阅读顺位的序号直接作为第一文本位置信息，也可以将序号进行嵌入，以得到第一文本位置特征，或使用其他形式作为第一文本位置信息的表示，在此不做限定。

在一些实施例中，文本位置信息还可以包括第二文本位置信息。第二文本位置信息，或称二维位置信息，可以指示对应的第一文本在第一原始文档图像中的位置、形状、和尺寸中的至少一个。在一些实施例中，可以使用第一文本在图像中覆盖的区域的位置、形状和尺寸作为第二文本位置信息。

由此，通过向模型输入指示样本文本在图像中的位置、形状、尺寸等与样本文本本身强相关并且体现样本文本间绝对位置、大小等关系的属性的第二文本位置信息，提升了模型对文档中的不同文本进行区分的能力。

在一些实施例中，第二文本位置信息可以指示包围对应的第一文本的边界框上的多个点的坐标、边界框的宽度、和边界框的高度中的至少一个。可以理解的是，使用第一文本在第一原始文档图像中的位置、形状、尺寸、以及包围第一文本的边界框的部分属性作为第二文本位置信息与上文使用包围文本段落的边界框的部分属性作为文本段落的位置信息类似，在此不做赘述。

在一个示例性实施例中，包围第一文本的边界框为与文档图像边缘平行的矩形，第二文本位置信息包括边界框的左上角和右下角的坐标、以及边界框的宽度和高度。

根据一些实施例，可以将点的坐标、边界框宽度或高度等数值直接作为第二文本位置信息，也可以将这些数值进行嵌入，以得到第二文本位置特征，或使用其他形式作为第二文本位置信息的表示，在此不做限定。

在一些实施例中，针对多个第一文本中的每一个第一文本，可以融合该第一文本的文本位置信息和第一文本嵌入特征，以得到与该第一文本对应的第一文本特征。在一个示例性实施例中，可以将第一文本嵌入特征、第一文本位置特征以及第二文本位置特征直接相加或直接拼接，以得到相应的第一文本特征。可以理解的是，本领域技术人员也可以使用其他方式将第一文本的文本位置信息与第一文本嵌入特征进行融合，以得到能够同时表征第一文本的文本内容信息和文本位置信息的文本特征。

由此，通过在输入模型的文本特征中融合文本的位置信息，使得模型能够对文档中的不同位置的文本进行区分，并且能够基于各个文本的位置信息和文本之间的位置关系生成各个文本的文本表示特征，从而优化模型表达。

在一些实施例中，如图5所示，获取与至少一个第一文本对应的至少一个第一文本特征还可以包括：步骤S501、获取至少一个第一文本中每个第一文本所在文档单元的第一布局信息；针对至少一个第一文本中的每个第一文本，执行下述操作：步骤S502、将该第一文本进行嵌入，以获取相应的第一文本嵌入特征；步骤S503、将该第一文本相应的第一布局信息进行嵌入，以获取相应的第一布局嵌入特征；以及步骤S504、基于第一文本嵌入特征和第一布局嵌入特征，构造该第一文本相应的第一文本特征。

在一些实施例中，可以将基于前序步骤所获得的第一布局信息进行嵌入，以获得相应的第一布局嵌入特征。

在一些实施例中，针对多个第一文本中的每一个第一文本，可以融合该第一文本的文本嵌入特征和该第一文本相应的第一布局信息，以得到与该第一文本对应的第一文本特征。在一个示例性实施例中，可以将第一文本嵌入特征以及第一布局嵌入特征直接相加或直接拼接，以得到相应的第一文本特征。

在一些实施例中，针对多个第一文本中的每一个第一文本，可以融合该第一文本的文本嵌入特征、该第一文本相应的第一布局信息以及文本位置信息，以得到与该第一文本对应的第一文本特征。在一个示例性实施例中，可以将第一文本嵌入特征、第一布局嵌入特征、第一文本位置特征以及第二文本位置特征直接相加或直接拼接，以得到相应的第一文本特征。

由此，通过在输入模型的文本特征中融合文本的布局信息(例如，将布局嵌入和文本嵌入进行拼接)，使得模型能够对文档中的不同布局类型(如段落、标题、表格、脚注等)的文本进行区分，并且能够基于各个文本的布局类型和文本之间的布局上的关系生成各个文本的文本表示特征，从而优化模型表达。

在一些实施例中，针对文档图像，可以首先将图像尺寸进行统一(例如裁切或缩放至大小为192×192)。随后，可以对处理后的图像进一步进行数值归一化，从而获得第一图像特征。

在一些实施例中，上述文档处理模型可以适用于文档场景，并且可以用于执行文档图像理解任务。上述文档处理模型可以基于文心(ERNIE)模型或文心-布局(ERNIE-Layout)模型中的至少一个构建，可以使用ERNIE或ERNIE-Layout对其进行初始化。

根据一些实施例，文档处理模型可以被配置为针对多个第一文本中的每一个第一文本，将与该第一文本对应的第一文本特征与第一图像特征融合，以生成与该第一文本对应的第一文本表示特征。由此，文档处理模型能够针对接收到的每一个文本，将文档图像的图像信息与该文本的文本信息进行融合，以得到多模态文本表示特征。

在一些实施例中，文档处理模型可以包括文本侧子模型、图像侧子模型和至少一个特征交互层，文本侧子模型包括多个文本特征提取层，图像侧子模型包括多个图像特征提取层，多个文本特征提取层包括第一文本特征提取层和第二文本特征提取层，多个图像特征提取层包括与第一文本特征提取层和第二文本特征提取层相应的第一图像特征提取层和第二图像特征提取层，并且，第一文本特征提取层输出的第一中间特征和第一图像特征提取层输出的第二中间特征通过相应的特征交互层，以获得融合图像信息后的第一融合特征和融合文本信息后的第二融合特征，并分别输入第二文本特征提取层和第二图像特征提取层。

图6示出了根据本公开的示例性实施例的文档处理模型的结构示意图。

在一些示例性实施例中，如图6所示，文档处理模型600可以包括文本侧子模型610、图像侧子模型620以及至少一个特征交互层630，其中，文本侧子模型包括多个文本特征提取层，图像侧子模型包括多个图像特征提取层，以图6所示的文档处理模型为例，文本侧子模型610和图像侧子模型620分别包括4个文本特征提取层和4个图像特征提取层，并且其中，每个文本特征提取层和每个图像特征提取层可以分别基于一组或多组前馈层和自注意力层构建而成，例如图6所示的文档处理模型中，每个文本特征提取层均包括3组前馈层和自注意力层。

在一些实施例中，文本侧子模型的自注意力层可以采用基于空间解耦注意力网络。由此，能够显式地引入第一文本之间的空间位置关系，从而获得包含更精准的空间位置信息的隐层编码向量，以更好地提高文档处理效果。

在一些实施例中，图像侧子模型的自注意力层可以采用Swin-Transformer的自注意力网络。由此，能够获得更优的图像单模态信息表征效果，从而提高文档处理效果。

在一些实施例中，可以通过在多个特征提取层中的两两特征提取层之间添加特征交互层，从而能够提升模型对图像单模态信息的提取能力，提升模型处理图像单模态任务(例如图像分类、目标检测)的效果。

在一些示例性实施例中，如图6所示，文本侧子模型610包括第一文本特征提取层611和第二文本特征提取层612，图像侧子模型620包括第一图像特征提取层621和第二图像特征提取层622，并且，两个层级间包含一个特征交互层630。第一文本特征提取层611可以输出一个第一中间特征，第一图像特征提取层621可以输出一个第二中间特征，并通过特征交互层630进行特征交互，从而获得融合图像信息后的第一融合特征，并将其输入第二文本特征提取层612；同时获得融合文本信息后的第二融合特征，并将其输入第二图像特征提取层622中，从而完成一次特征交互。其中，特征交互层630由两组交叉注意力层和前馈层组成，并且每组交叉注意力层和前馈层分别用于获取第一融合特征和第二融合特征。

可理解的，上述特征提取层和特征交互层的数量可以基于实际需要自行确定，在此不作限制。

由此，通过上述双塔交互的结构，并且在特征提取的过程中进行一次或多次的特征交互，从而能够提升模型对图像单模态信息的提取能力，提升模型处理图像单模态任务(例如图像分类、目标检测)的效果。

在一些实施例中，将至少一个第一文本特征、至少一个第二文本特征和第一图像特征同时输入文档处理模型，以得到文档处理模型输出的多个融合特征可以包括：将至少一个第一文本特征和至少一个第二文本特征输入文本侧子模型，以获得文本侧子模型输出的多个文本融合特征；以及将第一图像特征输入图像侧子模型，以获得图像侧子模型输出的图像融合特征；并且其中，基于多个融合特征，确定预测标签可以包括：基于多个文本融合特征，确定第一预测标签，其中，第一预测标签指示用于解答布局知识问题的文档单元所包含的文本在第一文本序列中的起始位置和终止位置；以及基于图像融合特征，确定第二预测标签，其中，第二预测标签指示用于解答布局知识问题的文档单元在第一文档图像中的所在区域；并且其中，基于真实标签和预测标签，训练文档处理模型可以包括：基于真实标签、第一预测标签和第二预测标签，训练文档处理模型。

在一些示例性实施例中，如图6所示，可以将至少一个第一文本特征和至少一个第二文本特征输入文本侧子模型，并将第一图像特征输入图像侧子模型。在经过多层特征提取网络和至少一层特征交互层进行特征提取和特征交互后，可以分别获取到融合了图像特征的文本融合特征以及融合了文本特征的图像融合特征。

在一些实施例中，可以在上述文档处理网络后添加一个输出层，并将文本融合特征和图像融合特征同时输入到该输出层中，从而获得针对布局知识问题的答案预测结果。

在一些实施例中，可以在上述文档处理网络的文本侧子模型和图像侧子模型后分别添加一个输出层，从而分别获得文本侧的答案预测结果(第一预测标签)以及图像侧的答案预测结果(第二预测标签)，从而可以分别基于第一预测标签以及真实标签、第二预测标签以及真实标签构建损失函数，并基于两个损失函数训练文本处理模型。

由此，通过同时将文档特征和图像特征分别输入文档侧子模型和图像侧子模型，并分别基于两侧所获得的融合特征获取相应的预测结果，进而基于两侧的预测结果对模型进行训练，从而同时提升两侧模型的特征提取效果的同时，提升训练效率。

在一些实施例中，如图7所示，上述文档处理模型的预训练方法还可以包括：步骤S701、获取与第二文档图像中的至少一个第二文本对应的至少一个第二文本特征，其中，第二文本特征表征相应第二文本的文本内容信息；步骤S702、获取第二文档图像对应的第二图像特征，其中，第二图像特征用于表征第二文档图像的图像内容信息；步骤S703、获取与第二文档图像中的至少一个第三文本对应的至少一个第三文本掩码特征，其中，第三文本掩码特征隐藏对应的第三文本的文本内容信息；步骤S704、将至少一个第二文本特征、至少一个第三文本掩码特征、以及第二文档图像同时输入文档处理模型，以得到文档处理模型输出的与至少一个第三文本对应的至少一个第三文本表示特征；步骤S705、基于至少一个第三文本表示特征，确定与至少一个第三文本对应的至少一个预测文本，其中，预测文本指示对相应第三文本的文本内容信息的预测结果；以及步骤S706、基于至少一个第三文本和至少一个预测文本，训练神经网络模型。

根据一些实施例，可以使用用于隐藏信息的掩码符号[mask]替换第三文本特征。在一些实施例中，可以将掩码符号[mask]进行嵌入，以得到掩码嵌入特征，并将掩码嵌入特征直接作为第三文本掩码特征。

根据一些实施例，第二文本特征可以进一步表征对应的第二文本的文本位置信息和布局信息。第三文本掩码特征可以表征对应的第三文本的文本位置信息和布局信息，并且文本位置信息可以包括一维位置信息和二维位置信息中的至少一个。并且，布局信息可以基于与上述类似的方法获得。

在一些实施例中，还可以对上述文档处理模型进行文本融合特征和图像融合特征的提取，并在其后添加相应的输出层，以使该模型输出针对至少一个任务的预测结果，并同时基于每个任务对应的预测结果进行模型训练。

在一些实施例中，至少一个任务可以包括文本图像对齐(Text-Image Alignment，TIA)任务、替换区域预测(Replaced Regions Prediction，RRP)任务以及阅读顺序预测(Reading Order Prediction，ROP)任务中的至少一者。

其中，文本图像对齐任务包括：对文档图像中的某个图像区域进行随机抹黑，并预测哪些字符被抹黑了。替换区域预测任务包括：对文档图像中的某个图像区域进行随机替换，预测哪个图像区域被替换。阅读顺序预测任务包括：对文档图像中的某个字符，预测该字符的下一个字符是哪个。由于在特征提取过程中，通过将文本位置信息和布局信息融合到文本特征中，并且通过双塔交互结构进行特征提取和特征交互，能够进一步提升对文档图像中的图像特征这一模态的建模能力，优化对图像特征的提取，进而提升了文档处理模型的整体性能。

在一些实施例中，如图8所示，还提供了一种文档处理模型的训练方法，包括：步骤S801、获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档理解任务的期望结果；步骤S802、获取与样本文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；步骤S803、获取样本文档图像对应的图像特征，其中，图像特征表征样本文档图像的图像内容信息；步骤S804、至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；步骤S805、基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档理解任务的实际结果；以及步骤S806、基于真实标签和预测标签，进一步训练文档处理模型。

由此，通过上述预训练方法，能够使模型更优的特征提取和表达能力，并且使模型具备布局知识理解能力，后续微调阶段，仅需要少量的标注数据即可获得能够执行相关任务(例如表格理解任务、结构化知识问答任务)的模型。

上述训练方法也可以被称为对文档处理模型的微调任务。本领域技术人员可以根据目标文档理解任务设计真实标签和输入文档处理模型的输入特征，以使得训练好的文档处理模型能够执行该目标文档图像理解任务。在一个示例性实施例中，文档处理模型的输入还可以包括与根据目标文档理解任务设计的问句对应的至少一个文本特征。

在一些实施例中，样本文档图像中的多个文本对应的多个文本特征中的每个文本特征可以基于与上述类似的方法获得，也即，可以将每个文本的文本位置信息(包括一维位置信息和二维位置信息中的至少一者)以及布局信息融合到文本特征中，并将其输入到文档处理模型中，从而优化文档处理模型的性能。

在一些实施例中，如图9所示，还提供了一种文档处理方法，包括：步骤S901、获取与文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；步骤S902、获取文档图像对应的图像特征，其中，图像特征表征文档图像的图像内容信息；步骤S903、至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；以及步骤S904、基于至少一个表示特征，确定文档理解结果。

由此，通过上述训练方法，能够使模型更优的特征提取和表达能力，并且使模型具备布局知识理解能力，，提升了神经网络模型在处理特定任务(例如表格理解任务、结构化知识问答任务)时的表现。

在一些实施例中，文档图像中的多个文本对应的多个文本特征中的每个文本特征可以基于与上述类似的方法获得，也即，可以将每个文本的文本位置信息(包括一维位置信息和二维位置信息中的至少一者)以及布局信息融合到文本特征中，并将其输入到文档处理模型中，从而优化文档处理模型的性能。

在一些实施例中，如图10所示，还提供了一种文档处理模型的预训练装置1000，包括：第一获取单元1010，被配置为基于第一文档图像，获取第一文档图像中的至少一个第一文本和至少一个第一布局信息，至少一个第一布局信息中的每个第一布局信息用于表征第一文档图像中相应文档单元的内容类型，文档单元中包括文本或图像中的至少一者；构建单元1020，被配置为基于至少一个第一布局信息和预设问题模板，构建布局知识问题，布局知识问题包括用于提问第一文档图像中预设位置所包括的文档内容的问题，文档内容与布局知识问题中涉及的布局信息相应，布局知识问题包括至少一个第二文本；第一确定单元1030，被配置为基于布局知识问题，确定布局知识问题对应的真实标签，真实标签指示用于解答布局知识问题的文档内容的位置；第二获取单元1040，被配置为获取与至少一个第一文本对应的至少一个第一文本特征，其中，第一文本特征用于表征相应第一文本的文本内容信息；第三获取单元1050，被配置为获取与至少一个第二文本对应的至少一个第二文本特征，其中，第二文本特征用于表征相应第二文本的文本内容信息；第四获取单元1060，被配置为获取第一文档图像对应的第一图像特征，其中，第一图像特征用于表征第一文档图像的图像内容信息；第一输入单元1070，被配置为将至少一个第一文本特征、至少一个第二文本特征和第一图像特征同时输入文档处理模型，以得到文档处理模型输出的多个融合特征；第二确定单元1080，被配置为基于多个融合特征，确定预测标签，其中，预测标签指示用于解答布局知识问题的文档单元的位置的预测结果；以及第一训练单元1090，被配置为基于真实标签和预测标签，训练文档处理模型。

可以理解的是，装置1000中的单元1010-单元1090的操作和效果与图2中的步骤S201-步骤S209的操作和效果类似，在此不做赘述。

在一些实施例中，如图11所示，还提供了一种文档处理模型的训练装置1100，包括：第五获取单元1110，被配置为获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档理解任务的期望结果；第六获取单元1120，被配置为获取与样本文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；第七获取单元1130，被配置为获取样本文档图像对应的图像特征，其中，图像特征表征样本文档图像的图像内容信息；第二输入单元1140，被配置为至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；第三确定单元1150，被配置为基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档理解任务的实际结果；以及第二训练单元1160，被配置为基于真实标签和预测标签，进一步训练文档处理模型。

可以理解的是，装置1100中的单元1110-单元1160的操作和效果与图8中的步骤S801-步骤S806的操作和效果类似，在此不做赘述。

在一些实施例中，如图12所示，还提供了一种文档处理装置1200，包括：第八获取单元1210，被配置为获取与文档图像中的多个文本对应的多个文本特征，其中，文本特征表征相应文本的文本内容信息；第九获取单元1220，被配置为获取文档图像对应的图像特征，其中，图像特征表征文档图像的图像内容信息；第三输入单元1230，被配置为至少将多个文本特征和图像特征同时输入文档处理模型，以得到文档处理模型输出的至少一个表示特征，其中，文档处理模型是利用上述文档处理模型的预训练方法训练得到的；以及第四确定单元1240，被配置为基于至少一个表示特征，确定文档理解结果。

可以理解的是，装置1200中的单元1210-单元1240的操作和效果与图9中的步骤S901-步骤S904的操作和效果类似，在此不做赘述。

根据本公开的实施例，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。

参考图13，现将描述可以作为本公开的服务器或客户端的电子设备1300的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306、输出单元1307、存储单元1308以及通信单元1309。输入单元1306可以是能向电子设备1300输入信息的任何类型的设备，输入单元1306可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1307可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1308可以包括但不限于磁盘、光盘。通信单元1309允许电子设备1300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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1301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1301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1301执行上文所描述的各个方法和处理，例如上述文档处理模型的训练方法和文档处理方法。例如，在一些实施例中，上述文档处理模型的训练方法和文档处理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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的上述文档处理模型的训练方法和文档处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述文档处理模型的训练方法和文档处理方法。

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)、复杂可编程逻辑设备(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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种文档处理模型的预训练方法，所述方法包括：

基于第一文档图像，获取所述第一文档图像中的至少一个第一文本和至少一个第一布局信息，所述至少一个第一布局信息中的每个第一布局信息用于表征所述第一文档图像中相应文档单元的内容类型，所述文档单元中包括文本或图像中的至少一者；

基于所述至少一个第一布局信息和预设问题模板，构建布局知识问题，所述布局知识问题包括用于提问所述第一文档图像中预设位置所包括的文档内容的问题，所述文档内容与所述布局知识问题中涉及的布局信息相应，所述布局知识问题包括至少一个第二文本；

基于所述布局知识问题，确定所述布局知识问题对应的真实标签，所述真实标签指示用于解答所述布局知识问题的文档内容的位置；

获取与所述至少一个第一文本对应的至少一个第一文本特征，其中，所述第一文本特征用于表征相应第一文本的文本内容信息；

获取与所述至少一个第二文本对应的至少一个第二文本特征，其中，所述第二文本特征用于表征相应第二文本的文本内容信息；

获取所述第一文档图像对应的第一图像特征，其中，所述第一图像特征用于表征所述第一文档图像的图像内容信息；

将所述至少一个第一文本特征、所述至少一个第二文本特征和所述第一图像特征同时输入文档处理模型，以得到所述文档处理模型输出的多个融合特征；

基于所述多个融合特征，确定预测标签，其中，所述预测标签指示用于解答所述布局知识问题的文档单元的位置的预测结果；以及

基于所述真实标签和所述预测标签，训练所述文档处理模型。

2.根据权利要求1所述的方法，其中，所述基于第一文档图像，获取所述第一文档图像中的至少一个第一文本和至少一个第一布局信息包括：

对所述第一文档图像进行文字识别，以获取所述第一文档图像中的至少一个文档单元；

对所述至少一个文档单元进行布局解析，以获取所述至少一个文档单元相应的所述至少一个第一布局信息；

基于所述至少一个第一布局信息，确定所述至少一个文档单元的排列顺序；

基于所述排列顺序，拼接所述至少一个文档单元中每个文档单元所包含的文本，以获得第一文本序列；以及

对所述第一文本序列进行分词，以获取所述至少一个第一文本。

3.根据权利要求2所述的方法，其中，所述获取与所述至少一个第一文本对应的至少一个第一文本特征包括：

获取所述至少一个第一文本中每个第一文本相应的文本位置信息；以及

针对所述至少一个第一文本中的每个第一文本，执行下述操作：

将该第一文本进行嵌入，以获取相应的第一文本嵌入特征；

将该第一文本相应的文本位置信息进行嵌入，以获取相应的第一位置嵌入特征；以及

基于所述第一文本嵌入特征和所述第一位置嵌入特征，构造该第一文本相应的第一文本特征。

4.根据权利要求3所述的方法，其中，所述文本位置信息包括第一文本位置信息，所述第一文本位置信息指示相应第一文本在所述第一文本序列中的位次。

5.根据权利要求3或4所述的方法，其中，所述文本位置信息包括第二文本位置信息，所述第二文本位置信息指示相应第一文本在所述第一文档图像中的位置、形状、和尺寸中的至少一个。

6.根据权利要求2至4中任一项所述的方法，其中，所述获取与所述至少一个第一文本对应的至少一个第一文本特征包括：

获取所述至少一个第一文本中每个第一文本所在文档单元的第一布局信息；

针对所述至少一个第一文本中的每个第一文本，执行下述操作：

将该第一文本进行嵌入，以获取相应的第一文本嵌入特征；

将该第一文本相应的第一布局信息进行嵌入，以获取相应的第一布局嵌入特征；以及

基于所述第一文本嵌入特征和所述第一布局嵌入特征，构造该第一文本相应的第一文本特征。

7.根据权利要求1至4中任一项所述的方法，其中，所述预设问题模板包括预设问题句式，所述预设问题句式包括至少一个布局信息词槽，所述基于所述至少一个第一布局信息和预设问题模板，获取布局知识问题包括：

在所述至少一个第一布局信息中随机选择用于填充所述至少一个布局信息词槽的一个或多个第一布局信息；以及

基于所述一个或多个第一布局信息和所述预设问题句式，构建所述布局知识问题。

8.根据权利要求7所述的方法，其中，所述预设问题模板还包括多个预设位置关系词，所述预设问题句式还包括至少一个位置关系词槽，所述基于所述至少一个第一布局信息和预设问题模板，获取布局知识问题包括：

在所述多个预设位置关系词中随机选择用于填充所述至少一个位置关系词槽的至少一个预设位置关系词；以及

基于所述一个或多个第一布局信息、所述至少一个预设位置关系词和所述预设问题句式，构建所述布局知识问题。

9.根据权利要求1至4中任一项所述的方法，其中，所述文档处理模型包括文本侧子模型、图像侧子模型和至少一个特征交互层，所述文本侧子模型包括多个文本特征提取层，所述图像侧子模型包括多个图像特征提取层，所述多个文本特征提取层包括第一文本特征提取层和第二文本特征提取层，所述多个图像特征提取层包括与所述第一文本特征提取层和所述第二文本特征提取层相应的第一图像特征提取层和第二图像特征提取层，并且，

所述第一文本特征提取层输出的第一中间特征和所述第一图像特征提取层输出的第二中间特征通过相应的特征交互层，以获得融合图像信息后的第一融合特征和融合文本信息后的第二融合特征，并分别输入所述第二文本特征提取层和所述第二图像特征提取层。

10.根据权利要求9所述的方法，其中，所述将所述至少一个第一文本特征、所述至少一个第二文本特征和所述第一图像特征同时输入文档处理模型，以得到所述文档处理模型输出的多个融合特征包括：

将所述至少一个第一文本特征和所述至少一个第二文本特征输入文本侧子模型，以获得所述文本侧子模型输出的多个文本融合特征；以及

将所述第一图像特征输入图像侧子模型，以获得所述图像侧子模型输出的图像融合特征；并且其中，

所述基于所述多个融合特征，确定预测标签包括：

基于所述多个文本融合特征，确定第一预测标签，其中，所述第一预测标签指示用于解答所述布局知识问题的文档单元所包含的文本在所述第一文本序列中的起始位置和终止位置；以及

基于所述图像融合特征，确定第二预测标签，其中，所述第二预测标签指示用于解答所述布局知识问题的文档单元在所述第一文档图像中的所在区域；并且其中，

所述基于所述真实标签和所述预测标签，训练所述文档处理模型包括：

基于所述真实标签、所述第一预测标签和所述第二预测标签，训练所述文档处理模型。

11.一种文档处理模型的训练方法，所述方法包括：

获取样本文档图像和真实标签，其中，所述真实标签指示对所述样本文档图像执行目标文档理解任务的期望结果；

获取与所述样本文档图像中的多个文本对应的多个文本特征，其中，所述文本特征表征相应文本的文本内容信息；

获取所述样本文档图像对应的图像特征，其中，所述图像特征表征所述样本文档图像的图像内容信息；

至少将所述多个文本特征和所述图像特征同时输入文档处理模型，以得到所述文档处理模型输出的至少一个表示特征，其中，所述文档处理模型是利用根据权利要求1-10中任一项所述的方法训练得到的；

基于所述至少一个表示特征，确定预测标签，其中，所述预测标签指示对所述样本文档图像执行所述目标文档理解任务的实际结果；以及

基于所述真实标签和所述预测标签，进一步训练所述文档处理模型。

12.一种文档处理方法，所述方法包括：

获取与文档图像中的多个文本对应的多个文本特征，其中，所述文本特征表征相应文本的文本内容信息；

获取所述文档图像对应的图像特征，其中，所述图像特征表征所述文档图像的图像内容信息；

至少将所述多个文本特征和所述图像特征同时输入文档处理模型，以得到所述文档处理模型输出的至少一个表示特征，其中，所述文档处理模型是利用根据权利要求1-11中任一项所述的方法训练得到的；以及

基于所述至少一个表示特征，确定文档理解结果。

13.一种文档处理模型的预训练装置，所述装置包括：

第一获取单元，被配置为基于第一文档图像，获取所述第一文档图像中的至少一个第一文本和至少一个第一布局信息，所述至少一个第一布局信息中的每个第一布局信息用于表征所述第一文档图像中相应文档单元的内容类型，所述文档单元中包括文本或图像中的至少一者；

构建单元，被配置为基于所述至少一个第一布局信息和预设问题模板，构建布局知识问题，所述布局知识问题包括用于提问所述第一文档图像中预设位置所包括的文档内容的问题，所述文档内容与所述布局知识问题中涉及的布局信息相应，所述布局知识问题包括至少一个第二文本；

第一确定单元，被配置为基于所述布局知识问题，确定所述布局知识问题对应的真实标签，所述真实标签指示用于解答所述布局知识问题的文档内容的位置；

第二获取单元，被配置为获取与所述至少一个第一文本对应的至少一个第一文本特征，其中，所述第一文本特征用于表征相应第一文本的文本内容信息；

第三获取单元，被配置为获取与所述至少一个第二文本对应的至少一个第二文本特征，其中，所述第二文本特征用于表征相应第二文本的文本内容信息；

第四获取单元，被配置为获取所述第一文档图像对应的第一图像特征，其中，所述第一图像特征用于表征所述第一文档图像的图像内容信息；

第一输入单元，被配置为将所述至少一个第一文本特征、所述至少一个第二文本特征和所述第一图像特征同时输入文档处理模型，以得到所述文档处理模型输出的多个融合特征；

第二确定单元，被配置为基于所述多个融合特征，确定预测标签，其中，所述预测标签指示用于解答所述布局知识问题的文档单元的位置的预测结果；以及

第一训练单元，被配置为基于所述真实标签和所述预测标签，训练所述文档处理模型。

14.一种文档处理模型的训练装置，所述装置包括：

第五获取单元，被配置为获取样本文档图像和真实标签，其中，所述真实标签指示对所述样本文档图像执行目标文档理解任务的期望结果；

第六获取单元，被配置为获取与所述样本文档图像中的多个文本对应的多个文本特征，其中，所述文本特征表征相应文本的文本内容信息；

第七获取单元，被配置为获取所述样本文档图像对应的图像特征，其中，所述图像特征表征所述样本文档图像的图像内容信息；

第二输入单元，被配置为至少将所述多个文本特征和所述图像特征同时输入文档处理模型，以得到所述文档处理模型输出的至少一个表示特征，其中，所述文档处理模型是利用根据权利要求1-10中任一项所述的方法训练得到的；

第三确定单元，被配置为基于所述至少一个表示特征，确定预测标签，其中，所述预测标签指示对所述样本文档图像执行所述目标文档理解任务的实际结果；以及

第二训练单元，被配置为基于所述真实标签和所述预测标签，进一步训练所述文档处理模型。

15.一种文档处理装置，所述装置包括：

第八获取单元，被配置为获取与文档图像中的多个文本对应的多个文本特征，其中，所述文本特征表征相应文本的文本内容信息；

第九获取单元，被配置为获取所述文档图像对应的图像特征，其中，所述图像特征表征所述文档图像的图像内容信息；

第三输入单元，被配置为至少将所述多个文本特征和所述图像特征同时输入文档处理模型，以得到所述文档处理模型输出的至少一个表示特征，其中，所述文档处理模型是利用根据权利要求1-11中任一项所述的方法训练得到的；以及

第四确定单元，被配置为基于所述至少一个表示特征，确定文档理解结果。

16.一种电子设备，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1-11中任一项所述的方法。

17.一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1-11中任一项所述的方法。