CN116129452A - 文档理解模型的生成方法、应用方法、装置、设备及介质 - Google Patents

文档理解模型的生成方法、应用方法、装置、设备及介质 Download PDF

Info

Publication number
CN116129452A
CN116129452A CN202310095723.3A CN202310095723A CN116129452A CN 116129452 A CN116129452 A CN 116129452A CN 202310095723 A CN202310095723 A CN 202310095723A CN 116129452 A CN116129452 A CN 116129452A
Authority
CN
China
Prior art keywords
document
information
understanding model
training
text
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
CN202310095723.3A
Other languages
English (en)
Inventor
冯书维
詹天扬
揭展明
梁国忠
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 Youzhuju Network Technology Co Ltd
Lemon Inc Cayman Island
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Lemon Inc Cayman Island
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 Youzhuju Network Technology Co Ltd, Lemon Inc Cayman Island filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202310095723.3A priority Critical patent/CN116129452A/zh
Publication of CN116129452A publication Critical patent/CN116129452A/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
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • 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
    • 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
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例公开了一种文档理解模型的生成方法、应用方法、装置、设备及介质。该方法包括：确定用于生成文档理解模型所需的训练输入信息；控制文档理解模型对训练输入信息中文档文本信息、文档图像信息及文档布局信息进行多模态信息融合，基于融合后信息控制文档理解模型执行多模态联合训练任务，多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；依据多模态联合训练任务对文档理解模型的参数进行调整得到收敛的文档理解模型。通过利用不同模态之间关联对文档内容、文档图像以及文档布局进行联合学习，利用深层网络建模能力实现多模态深度融合，提高模型对OCR识别容错能力，提高文档理解模型输出效果。

Description

文档理解模型的生成方法、应用方法、装置、设备及介质
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种文档理解模型的生成方法、应用方法、装置、设备及介质。
背景技术
文档理解任务是指针对文档图片及文字(如收据，报告以及普通文件等)输入，自动完成问题回答，模块检测以及整页分类等任务。
相关方案中，大多采用已有文本与图像进行融合来实现文档理解，但是这样的文档理解模型通用性较弱，造成模型与下游任务的匹配性较差；并且由于文档文本的输入一般使用OCR引擎得到会引入较为明显的识别错误，上述文档理解模型时会对OCR识别错位较为敏感。此外，大多文档理解是采用解码器模型进行，导致在处理不同下游任务时需要在模型代码层面做出更改。
发明内容
本公开实施例中提供一种文档理解模型的生成方法、应用方法、装置、设备及介质，以实现提高模型对OCR识别容错能力，提高文档理解模型输出效果。
第一方面，本公开实施例中提供了一种文档理解模型的生成方法，所述方法包括：
确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
第二方面，本公开实施例中还提供了一种文档理解模型的应用方法，所述文档理解模型采用上述实施例中任一所述的文档理解模型的生成方法获得，所述方法包括：
获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
第三方面，本公开实施例中还提供了一种文档理解模型的生成装置，所述装置包括：
训练输入模块，用于确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
多模态训练模块，用控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
模型生成模块，用于依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
第四方面，本公开实施例中还提供了一种文档理解模型的应用装置，所述文档理解模型采用上述实施例中任一所述的文档理解模型的生成方法获得，所述装置包括：
文档信息获取模块，用于获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
文档理解模块，用于将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
第五方面，本公开实施例中还提供了一种电子设备，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上述实施例中任一项所述的文档理解模型的生成方法或者文档理解模型的应用方法。
第六方面，本公开实施例中还提供了一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现上述实施例中任一项所述的文档理解模型的生成方法或者文档理解模型的应用方法。
本公开实施例的技术方案，通过获取用于生成文档理解模型所需的训练输入信息，并控制文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习，依据多模态联合训练任务对文档理解模型的参数进行调整，通过引入多个模态的训练输入信息作为模型训练数据，利用不同模态之间的关联对文档内容、文档图像以及文档布局进行联合学习，利用深层网络建模能力实现多模态深度融合，提高文档理解模型对OCR文档识别时的识别容错能力，提高文档理解模型输出效果。
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
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种文档理解模型的生成方法的流程图；
图2是本公开实施例所适用的文档理解模型的结构与训练示意图；
图3是本公开实施例所提供的另一种文档理解模型的生成方法的流程图；
图4是本公开实施例所提供的一种文档理解模型的应用方法的流程图；
图5是本公开实施例所提供的一种文档理解模型的生成装置结构示意图；
图6是本公开实施例所提供的一种文档理解模型的应用装置结构示意图；
图7是本公开实施例所提供的一种实现文档理解模型的生成方法或文档理解模型的应用方法的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例提供的一种文档理解模型的生成方法的流程图，本实施例的技术方案可适用于执行文档理解任务实现文档问答、文档检测依据文档分类的情况，该方法可以由文档理解模型的生成装置来执行，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备可以是移动终端、PC端或服务器等。如图1所示，本实施例的文档理解模型的生成方法，可包括但不限于以下步骤S110-S130的过程：
S110、确定用于生成文档理解模型所需的训练输入信息，训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置。
文档理解任务可以针对文档图片及文字(如收据，报告，普通文件等)进行文档回答、文档检测以及文档分类等任务。在文档理解中，利用文本与图像进行融合在一定程度上可以实现文档理解，但是这样的方式普适性较弱，一档文档模板发生较大变动，那么利用文本与图像进行文档理解时可能会出现偏差。
为此，在对文档理解模型进行预训练过程中，不仅会使用文档文本与文档图像，同时还引入了文档布局信息，将经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息组成文档理解模型的训练数据。文档图像可以包括文档整体图像和文档中局部图像，文档整体图像隐含文档页面的整体样式，而文档中局部图像区域则隐含较多文本细节特征，这样文档理解模型不仅可以学习文档整体特征还能学习文档中细节特征，而文档布局信息在一定程度上能够描述文档文本信息及文档图像信息在文档中的相对位置布局，通过文档布局信息可以让文档理解模型进行预训练时学习到文档的布局特征，避免后续一旦文档文本或文档图像发生变形导致无法很好的执行文档理解任务。
S120、控制文档理解模型对训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制文档理解模型执行多模态联合训练任务。
其中，多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习。
文档理解中大多采用解码器模型，导致在针对不同的下游文档理解任务时通常需要单独后接头(head)以适配不同的数据任务形式，例如在做文档分类任务时需要加入线性分类器层，而在做文档检测任务时则需要加入复杂的检测网络，这些操作都需要在模型层面做出修改，并且每种下游文档任务的模型设计需要相关领域知识才能进行，模型生成成本较高。
为此，在对文档理解模型进行预训练时，会利用神经网络将训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态深度融合，将不同的下游文档理解任务形成统一的输入，进而采用统一的融合后信息控制文档理解模型跨模态执行多模态联合训练任务，同时训练文档理解模型对恢复文档文本信息中被掩码的文本内容、恢复文档图像信息中被掩码的图像内容以及恢复文档布局信息中被掩码的文档文本信息及文档图像信息在文档中的位置的能力进行有效学习，做到在不改变模型代码的前提下完成文本生成、图像生成与坐标生成的预训练过程，极大地提升了文档理解模型的开发效率与可迁移。
作为一种可选的但非限定性的实现方式，确定用于生成文档理解模型所需的训练输入信息，可以包括但不限于以下步骤A1-A3的过程：
步骤A1、对从文档中解析出的原始文档文本信息中局部文本内容片段进行掩码，得到经局部掩码处理的文档文本信息。
参见图2，文档文本的输入一般使用光学字符识别(OCR)引擎得到，因而会引入较为明显的识别错误，而现有工作一般使用抽取式方式回答文档中的问题，对引擎识别错误较为敏感。为此，可以获取文档并对从文档中进行OCR解析出的原始文档文本信息中的局部文本内容片段进行掩码处理，比如对原始文档文本信息中的部分文本内容进行随机遮挡或替换。例如，随机掩码原始文档文本信息中的部分文本内容使得总计平均30％的文本内容被掩码。这样，就可让经过掩码的文档文本信息参与模型训练，能够提升文档理解模型对OCR识别的容错能力，在相同识别质量的文本输入条件下，保证较高的输出效果。
步骤A2、对从文档中解析出的原始文档图像信息中局部图像内容片段进行掩码得到经局部掩码处理的文档图像信息。
参见图2，除了文档文本的输入可能使用OCR引擎得到，文档图像的输入也可能会使用合适地的引擎得到，同样有可能会出现解析偏差。为此，可对从文档中解析出的原始文档图像信息中的局部图像内容片段进行掩码处理，比如对原始文档图像信息中的部分图像内容进行随机遮挡。例如，随机掩码原始文档图像信息中的部分图像内容使得总计平均50％的图像内容被掩码。这样，就能让经过掩码的文档图像信息参与模型训练，能够提升文档理解模型对图像识别的容错能力，在相同识别质量的图像输入条件下，保证较高的输出效果。
步骤A3、对从文档中解析出的原始文档布局信息中局部文本内容片段和/或局部图像内容片段的位置进行掩码，得到经局部掩码处理的文档布局信息。
类似前述文档文本信息与文档图像信息的掩码处理，同样也对从文档中解析出的原始文档布局信息中局部文本内容片段和/或局部图像内容片段的相对位置进行随机掩码。例如，随机掩码原始文档布局信息中的局部文本内容片段和/或局部图像内容片段的位置使得总计平均20％的位置被掩码。这样，就能让经过掩码的文档布局信息参与模型训练，能够提升文档理解模型对布局识别的容错能力，在相同识别质量的布局输入条件下，保证较高的输出效果。
上述方式中通过统一掩码方式，在完成对文档中各类模态的训练输入信息的掩码之后，可以使模型使用经过统一掩码处理的训练输入信息进行模型训练过程，保证模型能更好的迁移到不同下游文档理解任务中。
S130、依据多模态联合训练任务对文档理解模型的参数进行调整，以得到收敛的文档理解模型。
本公开实施例的技术方案，控制文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制文档理解模型执行多模态联合训练任务，通过引入多个模态的训练输入信息作为模型训练数据，利用不同模态之间的关联对文档内容、文档图像以及文档布局进行联合学习，利用深层网络建模能力实现多模态深度融合，提高文档理解模型对OCR识别时的识别容错能力，提高文档理解模型输出效果。
图3为本公开实施例提供的另一种文档理解模型的生成方法的流程图，本实施例的技术方案在上述实施例的基础上对前述实施例中对训练输入信息中文档文本信息、文档图像信息及文档布局信息进行多模态信息融合的过程进行进一步优化，本实施例可与上述一个或多个实施例中各个可选方案结合。如图3所示，本实施例的文档理解模型的生成方法，可包括以下步骤S310-S370：
S310、确定用于生成文档理解模型所需的训练输入信息，训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置。
S320、控制文档理解模型对训练输入信息中文档文本信息进行编码得到目标文档文本向量。
S330、控制文档理解模型将训练输入信息中文档图像信息进行编码得到目标文档图像向量。
S340、控制文档理解模型对训练输入信息中文档布局信息进行编码得到目标文档布局向量。
参见图2，文档理解模型中可以包括用于将进行编码生成向量的第一嵌入块，在得到经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息作为训练输入信息后，可以将文档文本信息、文档图像信息以及文档布局信息分别输入到第一嵌入块中，通过第一嵌入块输出对应的目标文档文本向量、目标文档图像向量以及目标文档布局向量。
参见图2，对于文本模态，可将文档文本信息中文本内容输入到文档理解模型的第一嵌入块的文本编码网络中，通过第一嵌入块将输入的文本内容编码为对应的目标文档文本向量。对于图像模态，同样可将文档图像信息中的图像像素输入到第一嵌入块对应的图像编码网络，通过图像编码网络对文档图像信息对应的图像像素进行编码得到目标文档图像向量。对于布局模态，可将文档布局信息中文本内容位置与图像内容位置输入到文档理解模型中的第一嵌入块的布局编码网络，通过第一嵌入块将输入的文本内容位置与图像内容位置编码为对应的目标文档布局向量。文档布局向量中对应文档中文本内容与图像内容区域在文档页面中的坐标范围，可以通过位置框表示。
S350、将目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合得到经多模态信息融合的融合后信息。
作为一种可选的但非限定性的实现方式，将目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，可包括步骤B1-B2的过程：
步骤B1、将目标文档文本向量与目标文档图像向量拼接后进行位置编码。
步骤B2、将目标文档布局向量与位置编码后得到的向量进行相加以完成经多模态信息融合。
参见图2，将文档文本信息对应的目标文档文本向量与文档图像信息对应的目标文档图像向量进行向量拼接。文档理解模型中还可以包括用于进行位置编码的第二嵌入块，通过第二嵌入块可以将目标文档文本向量与目标文档图像向量的拼接结果进行位置编码，避免文档理解模型中的自注意力机制不能识别文本与图像的位置信息，将文本与图像打乱导致得到的注意力权重一致。进而将目标文档布局向量与位置编码后得到的向量进行相加，就可完成多模态信息融合过程，以此作为控制文档理解模型执行多模态联合训练任务的输入。
上述可选方式中对于无法针对所有模态做联合训练问题，在利用文本和图像进行预训练的基础上，引入了文档布局进行预训练，通过在文档理解模型中加入嵌入块对不同模态的信息分别进行编码处理后再进行融合，保证后续多模态联合训练具有统一的输入，通过统一文档理解的多模态预训练实现将所有下游文档理解任务形式统一，做到在不改变模型代码的前提下完成文本生成、图像生成与坐标生成，显著的提升了下游文档理解任务的效果。
S360、基于融合后信息控制文档理解模型执行多模态联合训练任务，多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习。
作为一种可选的但非限定性的实现方式，基于融合后信息控制文档理解模型执行多模态联合训练任务，可包括但不限于以下步骤C1-C3的过程：
步骤C1、基于融合后信息控制文档理解模型执行文本预测训练任务，文本预测训练任务的训练目标为预测文档文本信息中被掩码遮挡的局部文本内容。
步骤C2、基于融合后信息控制文档理解模型执行图像预测训练任务，图像预测训练任务的训练目标为预测文档图像信息中被掩码遮挡的局部图像内容以对文档图像进行恢复。
步骤C3、基于融合后信息控制文档理解模型执布局预测训练任务，布局预测训练任务的训练目标为预测文档布局信息中被掩码遮挡的局部文本内容片段位置和/或局部图像内容片段位置。
其中，文档理解模型执行的多模态联合训练任务可以包括文本预测训练任务、图像预测训练任务以及布局预测训练任务。文本预测训练任务、图像预测训练任务以及布局预测训练任务属于自监督训练任务。
参见图2，文档理解模型中包括基于自注意力机制的多模态编码器块与解码器块。在对文档理解模型进行训练时，文档理解模型中编码器与解码器统一了不同模态的训练范式采用统一掩码-预测的方式分别控制文档理解模型执行文本预测训练任务、图像预测训练任务以及布局预测训练任务，以无监督数据训练文档理解模型，实现文档理解模型的跨模态统一训练，保证文档理解模型能适配不同下游文档理解任务。
参见图2，对于文本模态，在基于融合后信息控制文档理解模型执行文本预测训练任务时，融合后信息的文档文本信息中可以随机掩码局部文本内容片段，比如使得总计平均30％的文本内容被掩码，通过文本预测训练任务训练文档理解模型对被掩码的文本内容的预测能力，将被掩码的文本内容重新填充的文档文本信息中。
参见图2，对于图像模态，在基于融合后信息控制文档理解模型执行图像预测训练任务时，融合后信息的文档图像信息中可以随机掩码局部图像内容片段，比如使得总计平均50％的图像内容被掩码，通过图像预测训练任务训练文档理解模型对被掩码的图像内容的预测能力，恢复完整的文档图像信息。
参见图2，对于布局模态，在基于融合后信息控制文档理解模型执布局预测训练任务时，融合后信息的文档布局信息中局部文本内容片段位置和/或局部图像内容片段位置被掩码处理，比如随机掩码20％局部文本内容片段和/或局部图像内容片段位置，通过布局预测训练任务训练文档理解模型对被掩码的局部文本内容片段位置和/或局部图像内容片段位置的预测能力，将被掩码的局部文本内容片段位置和/或局部图像内容片段位置进行恢复输出。
采用上述可选方式，将不同的下游文档理解任务形成统一的输入，进而采用统一的融合后信息控制文档理解模型跨模态执行多模态联合训练任务，同时训练文档理解模型对恢复文档文本信息中被掩码的文本内容、恢复文档图像信息中被掩码的图像内容以及恢复文档布局信息中被掩码的文档文本信息及文档图像信息在文档中的位置的能力进行无监督学习，显著的提升了下游文档理解任务输出效果。利用深度学习尤其是自然语言处理与图像处理领域的一系列新技术，比如文档理解模型的训练采用transformer模型、无监督预训练以及多模态信息融合等，在一系列下游文档理解任务中取得了较好的输出结果。
作为一种可选的但非限定性的实现方式，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还可以包括以下过程：
在控制文档理解模型执行多模态联合训练任务时，基于解耦注意力机制在文档理解模型的编码器块中对融合后信息中文本内容之间相对位置与图像内容之间相对位置表示进行增强，以对相对位置在多模态联合训练任务中的重要性进行提升。
参见图2，在文档理解模型的编码块中，引入了解耦注意力机制disentangledattention机制以增强融合后信息中文本内容之间相对位置与图像内容之间相对位置在在多模态联合训练任务中的重要性，这样在文档理解模型的解码块中执行多模态联合训练任务时就可充分利用合后信息中文本内容之间相对位置与图像内容之间相对位置进行学习，采用上述方式对文档理解模型的输出效果有显著提升，提高了文档理解模型的理解准确性。
作为一种可选的但非限定性的实现方式，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还可以包括以下过程：
在控制文档理解模型执行多模态联合训练任务时，基于混合专家机制在文档理解模型的解码器块中对多模态联合训练时不同模态的训练任务进行模态分离，以降低不同模态训练任务之间的互相干扰。
参见图2，在文档理解模型的解码块中，引入了混合专家机制Mixture of Expert(MoE)机制，通过Mixture of Expert(MoE)机制可以在解码块执行多模态联合训练时实现不同模态的训练任务进行模态分离，解决了多模态联合训练时不同模态之间互相干扰的问题，实验证明对文档理解模型的输出效果有一定提升，能进一步提高文档理解模型的理解准确性。
S370、依据多模态联合训练任务对文档理解模型的参数进行调整，以得到收敛的文档理解模型。
作为一种可选的但非限定性的实现方式，依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，可包括步骤D1-D2的过程：
步骤D1、通过执行多模态联合训练任务得到预训练文档理解模型。
在对文档理解模型执行多模态联合训练任务的过程中，可以根据执行多模态联合训练任务时文档理解模型的解码器的输入与输出，采用文档理解模型的损失函数计算执行多模态联合训练任务时的损失值，进而基于计算的损失值对文档理解模型进行参数更新，得到预训练阶段的预训练文档理解模型。
可选地，文档理解模型中包括基于自注意力机制的多模态编码器块与解码器块，文档理解模型执行多模态联合训练任务所采用的损失函数可以为：
Figure BDA0004074956880000161
其中，
Figure BDA0004074956880000162
为执行多模态联合训练任务采用的统一的损失函数；T为预训练训练任务总数；Ni为任务i序列最大长度；ωi为训练任务i权重；x’i为任务i在掩码后的输入；任务i可以为文本预测训练任务、图像预测训练任务以及布局预测训练任务；
Figure BDA0004074956880000163
与y分别是文档理解模型的解码器的预测目标输出与文档理解模型的解码器的输入。
可选地，参见图2，考虑到文档图像信息的图形内容为一个整体，为此可以使用VQ-VAE图片编码技术训练了单独的图像编码器，将文档图像信息中的图像像素输入到已训练的图像编码器中得到离散图像，这样就可以对文档图像信息中进行掩码处理的图像内容片段进行标签处理，以便后续可以基于文档图像信息中对掩码部分的标签参与进行损失计算。
步骤D2、将预训练文档理解模型包括的至少两个模态的训练任务中与下游文档理解任务匹配的训练任务在微调阶段进行启动，并通过启动的训练任务对预训练文档理解模型的参数进行微调，以得到收敛的与下游文档理解任务相匹配的文档理解模型。
作为一种可选的但非限定性的实现方式，通过统一掩码-预测方式，在预训练阶段完成了在文档理解模型中各类模态的训练任务，使模型能更好的迁移到不同下游文档理解任务中。同时，文档理解模型还可采用基于自然语言的指令机制，指令机制用于指示文档理解模型执行多模态联合训练任务时各模态训练任务的训练目标，以减小文档理解模型在预训练阶段与文档理解模型在微调阶段之间的差异。比如，在文档输入前添加关于任务目标的指令，例如：在文本模态的预训练阶段的训练任务中instruction机制(指令机制)为：“What is the complete text for<mask>tokens？”，实验证明下游文档理解任务的指令与预训练时的指令越接近，则预训练的文档理解模型的效果越好，与下游文档理解任务越匹配。
可选地，对于文档理解模型的预训练与微调，采用与已有模型相同的预训练数据集，将预训练后的模型在下游数据集上做微调，在DocVQA问答任务与CORD序列标注任务中均达到目前最优效果；在Publaynet目标检测任务与RVL-CDIP文档分类任务中也取得了有竞争力的结果。在采用相同质量文本输入的前提下，在DocVQA问答任务中的表现显著高于目前最优结果，证明了模型对OCR输入有着较强的容错性。
本公开实施例的技术方案，控制文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，通过引入多个模态的训练输入信息作为模型训练数据，利用不同模态之间的关联对文档内容、文档图像以及文档布局进行联合学习，利用深层网络建模能力实现多模态深度融合，提高文档理解模型对OCR文档识别时的识别容错能力，提高文档理解模型输出效果，同时实现了跨模态统一训练保证文档理解模型能适配不同下游文档理解任务。通过采用统一的生成式模型，将所有下游文档理解任务形式统一，做到在不改变模型代码的前提下完成文本生成、图像生成以及坐标生成，极大地提升了开发效率与可迁移性。通过实验验证能够提升对OCR识别的容错，在相同识别质量的文本输入条件下，输出效果显著高于已有方法。
图4为本公开实施例提供的一种文档理解模型的应用方法的流程图，本实施例的技术方案可适用于执行文档理解任务实现文档问答、文档检测依据文档分类的情况，该方法可以由文档理解模型的应用装置来执行，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备可以是移动终端、PC端或服务器等。如图4所示，本实施例的文档理解模型的应用方法，可包括但不限于以下步骤S410-S420的过程：
S410、获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息。
所述文档理解模型采用前述任一所述的文档理解模型的生成方法获得。
S420、将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
图5为本公开实施例提供的一种文档理解模型的生成装置的结构框图，本实施例的技术方案可适用于执行文档理解任务实现文档问答、文档检测依据文档分类的情况，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备可以是移动终端、PC端或服务器等。如图5所示，本实施例的文档理解模型的生成装置，可包括：训练输入模块510、多模态训练模块520以及模型生成模块530。其中：
训练输入模块510，用于确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
多模态训练模块520，用控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
模型生成模块530，用于依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
在上述实施例的基础上，可选地，确定用于生成文档理解模型所需的训练输入信息，包括：
对从文档中解析出的原始文档文本信息中局部文本内容片段进行掩码，得到经局部掩码处理的文档文本信息；
对从文档中解析出的原始文档图像信息中局部图像内容片段进行掩码得到经局部掩码处理的文档图像信息；
对从文档中解析出的原始文档布局信息中局部文本内容片段和/或局部图像内容片段的位置进行掩码，得到经局部掩码处理的文档布局信息。
在上述实施例的基础上，可选地，控制所述文档理解模型对文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，包括：
控制所述文档理解模型对所述训练输入信息中文档文本信息进行编码得到目标文档文本向量；
控制所述文档理解模型将所述训练输入信息中文档图像信息进行编码得到目标文档图像向量；
控制所述文档理解模型对所述训练输入信息中文档布局信息进行编码得到目标文档布局向量；
将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，得到经多模态信息融合的融合后信息。
在上述实施例的基础上，可选地，将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，包括：
将目标文档文本向量与目标文档图像向量拼接后进行位置编码；
将所述目标文档布局向量与位置编码后得到的向量进行相加以完成经多模态信息融合。
在上述实施例的基础上，可选地，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，包括：
基于融合后信息控制所述文档理解模型执行文本预测训练任务，所述文本预测训练任务的训练目标为预测文档文本信息中被掩码遮挡的局部文本内容；
基于融合后信息控制所述文档理解模型执行图像预测训练任务，所述图像预测训练任务的训练目标为预测文档图像信息中被掩码遮挡的局部图像内容以对文档图像进行恢复；
基于融合后信息控制所述文档理解模型执布局预测训练任务，所述布局预测训练任务的训练目标为预测文档布局信息中被掩码遮挡的局部文本内容片段位置和/或局部图像内容片段位置；
其中，所述文本预测训练任务、所述图像预测训练任务以及所述布局预测训练任务属于自监督训练任务。
在上述实施例的基础上，可选地，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于解耦注意力机制在所述文档理解模型的编码器块中对融合后信息中文本内容之间相对位置与图像内容之间相对位置表示进行增强，以对所述相对位置在多模态联合训练任务中的重要性进行提升。
在上述实施例的基础上，可选地，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于混合专家机制在所述文档理解模型的解码器块中对多模态联合训练时不同模态的训练任务进行模态分离，以降低不同模态训练任务之间的互相干扰。
在上述实施例的基础上，可选地，所述文档理解模型采用基于自然语言的指令机制，所述指令机制用于指示执行多模态联合训练任务时各模态训练任务的训练目标，以减小所述文档理解模型在预训练阶段与所述文档理解模型在微调阶段之间的差异。
在上述实施例的基础上，可选地，依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，包括：
通过执行多模态联合训练任务得到预训练文档理解模型；
将预训练文档理解模型包括的至少两个模态的训练任务中与下游文档理解任务匹配的训练任务在微调阶段进行启动，并通过启动的训练任务对所述预训练文档理解模型的参数进行微调。
参见图2，文档模型采用多模态融合技术以适应多种输入，同时对多模态的文档文本信息、文档图像信息以及文档布局信息进行融合，统一了多模态联合训练中不同模态训练的输入，以及设计了模态分离技术以更好地适配文本预测训练任务、图像预测训练任务以及布局预测训练任务中任意一种模态作为输出，分别为不同模态设计了相应的预训练任务并统一了训练范式。在预训练完成文档理解模型后仅需要根据下游文档理解任务对预训练的文档理解模型进行少量的有监督训练就可以得到符合下游文档理解任务要求的文档理解模型。
在上述实施例的基础上，可选地，所述文档理解模型中包括用于将进行编码生成向量的第一嵌入块、用于进行位置编码的第二嵌入块以及基于自注意力机制的多模态编码器块与解码器块。
本公开实施例中所提供的文档理解模型的生成装置可执行上述本公开任意实施例中所提供的文档理解模型的生成方法，具备执行该文档理解模型的生成方法相应的功能和有益效果，详细过程参见前述实施例中文档理解模型的生成方法的相关操作。
图6为本公开实施例提供的一种文档理解模型的应用装置的结构框图，本实施例的技术方案可适用于执行文档理解任务实现文档问答、文档检测依据文档分类的情况，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备可以是移动终端、PC端或服务器等。如图4所示，本实施例的文档理解模型的应用装置，可包括：文档信息获取模块610与文档理解模块620。其中：
文档信息获取模块610，用于获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息。
所述文档理解模型采用前述任一所述的文档理解模型的生成方法获得，所述文档理解模型在应用时采用自回归auto-regressive的方式自左向右依次生成所需文档问答结果、文档检测结果和/或文档分类结果。
文档理解模块620，用于将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
本公开实施例中所提供的文档理解模型的应用装置可执行上述本公开任意实施例中所提供的文档理解模型的应用方法，具备执行该文档理解模型的应用方法相应的功能和有益效果，详细过程参见前述实施例中文档理解模型的应用方法的相关操作。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图7为本公开实施例所提供的一种电子设备的结构示意图。下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。编辑/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的文档理解模型的生成方法或文档理解模型的应用方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的文档理解模型的生成方法或文档理解模型的应用方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的文档理解模型的生成方法或文档理解模型的应用方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的文档理解模型的生成方法或文档理解模型的应用方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，示例1提供一种文档理解模型的生成方法，所述方法包括：
确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
根据本公开的一个或多个实施例，示例2根据示例1所述的方法，确定用于生成文档理解模型所需的训练输入信息，包括：
对从文档中解析出的原始文档文本信息中局部文本内容片段进行掩码，得到经局部掩码处理的文档文本信息；
对从文档中解析出的原始文档图像信息中局部图像内容片段进行掩码得到经局部掩码处理的文档图像信息；
对从文档中解析出的原始文档布局信息中局部文本内容片段和/或局部图像内容片段的位置进行掩码，得到经局部掩码处理的文档布局信息。
根据本公开的一个或多个实施例，示例3根据示例1所述的方法，控制所述文档理解模型对文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，包括：
控制所述文档理解模型对所述训练输入信息中文档文本信息进行编码得到目标文档文本向量；
控制所述文档理解模型将所述训练输入信息中文档图像信息进行编码得到目标文档图像向量；
控制所述文档理解模型对所述训练输入信息中文档布局信息进行编码得到目标文档布局向量；
将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合得到经多模态信息融合的融合后信息。
根据本公开的一个或多个实施例，示例4根据示例3所述的方法，将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，包括：
将目标文档文本向量与目标文档图像向量拼接后进行位置编码；
将所述目标文档布局向量与位置编码后得到的向量进行相加以完成经多模态信息融合。
根据本公开的一个或多个实施例，示例5根据示例1所述的方法，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，包括：
基于融合后信息控制所述文档理解模型执行文本预测训练任务，所述文本预测训练任务的训练目标为预测文档文本信息中被掩码遮挡的局部文本内容；
基于融合后信息控制所述文档理解模型执行图像预测训练任务，所述图像预测训练任务的训练目标为预测文档图像信息中被掩码遮挡的局部图像内容以对文档图像进行恢复；
基于融合后信息控制所述文档理解模型执布局预测训练任务，所述布局预测训练任务的训练目标为预测文档布局信息中被掩码遮挡的局部文本内容片段位置和/或局部图像内容片段位置；
其中，所述文本预测训练任务、所述图像预测训练任务以及所述布局预测训练任务属于自监督训练任务。
根据本公开的一个或多个实施例，示例6根据示例5所述的方法，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于解耦注意力机制在所述文档理解模型的编码器块中对融合后信息中文本内容之间相对位置与图像内容之间相对位置表示进行增强，以对所述相对位置在多模态联合训练任务中的重要性进行提升。
根据本公开的一个或多个实施例，示例7根据示例5所述的方法，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于混合专家机制在所述文档理解模型的解码器块中对多模态联合训练时不同模态的训练任务进行模态分离，以降低不同模态训练任务之间的互相干扰。
根据本公开的一个或多个实施例，示例8根据示例1所述的方法，所述文档理解模型采用基于自然语言的指令机制，所述指令机制用于指示执行多模态联合训练任务时各模态训练任务的训练目标，以减小所述文档理解模型在预训练阶段与所述文档理解模型在微调阶段之间的差异。
根据本公开的一个或多个实施例，示例9根据示例1所述的方法，依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，包括：
通过预训练阶段执行多模态联合训练任务得到预训练文档理解模型；
将预训练文档理解模型包括的至少两个模态的训练任务中与下游文档理解任务匹配的训练任务在微调阶段进行启动，并通过启动的训练任务对所述预训练文档理解模型的参数进行微调。
根据本公开的一个或多个实施例，示例10根据示例1-9中任一所述的方法，所述文档理解模型中包括用于进行编码生成向量的第一嵌入块、用于进行位置编码的第二嵌入块以及基于自注意力机制的多模态编码器块与解码器块。
根据本公开的一个或多个实施例，示例11提供一种文档理解模型的应用方法，所述文档理解模型采用示例1-10任一所述的文档理解模型的生成方法获得，所述方法包括：
获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
根据本公开的一个或多个实施例，示例12提供一种文档理解模型的生成装置，所述装置包括：
训练输入模块，用于确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
多模态训练模块，用控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
模型生成模块，用于依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
根据本公开的一个或多个实施例，示例13提供一种文档理解模型的应用装置，所述文档理解模型采用示例1-10任一所述的文档理解模型的生成方法获得，所述装置包括：
文档信息获取模块，用于获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
文档理解模块，用于将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
根据本公开的一个或多个实施例，示例14提供一种电子设备，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示例1-10中任一项所述的文档理解模型的生成方法或者示例11所述的文档理解模型的应用方法。
根据本公开的一个或多个实施例，示例15提供一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现示例1-10中任一项所述的文档理解模型的生成方法或者示例11所述的文档理解模型的应用方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (14)

1.一种文档理解模型的生成方法，其特征在于，所述方法包括：
确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
2.根据权利要求1所述的方法，其特征在于，确定用于生成文档理解模型所需的训练输入信息，包括：
对从文档中解析出的原始文档文本信息中局部文本内容片段进行掩码，得到经局部掩码处理的文档文本信息；
对从文档中解析出的原始文档图像信息中局部图像内容片段进行掩码得到经局部掩码处理的文档图像信息；
对从文档中解析出的原始文档布局信息中局部文本内容片段和/或局部图像内容片段的位置进行掩码，得到经局部掩码处理的文档布局信息。
3.根据权利要求1所述的方法，其特征在于，控制所述文档理解模型对文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，包括：
控制所述文档理解模型对所述训练输入信息中文档文本信息进行编码得到目标文档文本向量；
控制所述文档理解模型将所述训练输入信息中文档图像信息进行编码得到目标文档图像向量；
控制所述文档理解模型对所述训练输入信息中文档布局信息进行编码得到目标文档布局向量；
将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，得到经多模态信息融合的融合后信息。
4.根据权利要求3所述的方法，其特征在于，将所述目标文档文本向量、目标文档图像向量以及目标文档布局向量进行向量融合，包括：
将目标文档文本向量与目标文档图像向量拼接后进行位置编码；
将所述目标文档布局向量与位置编码后得到的向量进行相加以完成经多模态信息融合。
5.根据权利要求1所述的方法，其特征在于，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，包括：
基于融合后信息控制所述文档理解模型执行文本预测训练任务，所述文本预测训练任务的训练目标为预测文档文本信息中被掩码遮挡的局部文本内容；
基于融合后信息控制所述文档理解模型执行图像预测训练任务，所述图像预测训练任务的训练目标为预测文档图像信息中被掩码遮挡的局部图像内容；
基于融合后信息控制所述文档理解模型执布局预测训练任务，所述布局预测训练任务的训练目标为预测文档布局信息中被掩码遮挡的局部文本内容片段位置和/或局部图像内容片段位置；
其中，所述文本预测训练任务、所述图像预测训练任务以及所述布局预测训练任务属于自监督训练任务。
6.根据权利要求5所述的方法，其特征在于，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于解耦注意力机制在所述文档理解模型的编码器块中对融合后信息中文本内容之间相对位置与图像内容之间相对位置表示进行增强。
7.根据权利要求5所述的方法，其特征在于，基于融合后信息控制所述文档理解模型执行多模态联合训练任务，还包括：
在控制所述文档理解模型执行多模态联合训练任务时，基于混合专家机制在所述文档理解模型的解码器块中对多模态联合训练时不同模态的训练任务进行模态分离。
8.根据权利要求1所述的方法，其特征在于，所述文档理解模型采用基于自然语言的指令机制，所述指令机制用于指示执行多模态联合训练任务时各模态训练任务的训练目标。
9.根据权利要求1-8中任一所述的方法，其特征在于，所述文档理解模型中包括用于进行编码生成向量的第一嵌入块、用于进行位置编码的第二嵌入块以及基于自注意力机制的多模态编码器块与解码器块。
10.一种文档理解模型的应用方法，其特征在于，所述文档理解模型采用权利要求1-9任一所述的文档理解模型的生成方法获得，所述方法包括：
获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
11.一种文档理解模型的生成装置，其特征在于，所述装置包括：
训练输入模块，用于确定用于生成文档理解模型所需的训练输入信息，所述训练输入信息包括经局部掩码处理的文档文本信息、文档图像信息以及文档布局信息，所述文档布局信息用于描述文档文本信息及文档图像信息在文档中的位置；
多模态训练模块，用控制所述文档理解模型对所述训练输入信息中文档文本信息、文档图像信息以及文档布局信息进行多模态信息融合，并基于融合后信息控制所述文档理解模型执行多模态联合训练任务，所述多模态联合训练任务用于对恢复掩码文本、掩码图像以及掩码布局的能力进行联合学习；
模型生成模块，用于依据所述多模态联合训练任务对所述文档理解模型的参数进行调整，以得到收敛的文档理解模型。
12.一种文档理解模型的应用装置，其特征在于，所述文档理解模型采用权利要求1-9任一所述的文档理解模型的生成方法获得，所述装置包括：
文档信息获取模块，用于获取待处理文档信息，所述待处理文档信息包括对待处理文档进行解析得到的文档文本信息、文档图像信息以及文档布局信息；
文档理解模块，用于将所述待处理文档信息输入到所述文档理解模型中进行文档理解，获得对所述待处理文档的文档理解结果，所述文档理解结果包括文档问答结果、文档检测结果和/或文档分类结果。
13.一种电子设备，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权利要求1-9中任一项所述的文档理解模型的生成方法或者权利要求10所述的文档理解模型的应用方法。
14.一种计算机可读介质，其特征在于，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的文档理解模型的生成方法或者权利要求10所述的文档理解模型的应用方法。
CN202310095723.3A 2023-01-18 2023-01-18 文档理解模型的生成方法、应用方法、装置、设备及介质 Pending CN116129452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310095723.3A CN116129452A (zh) 2023-01-18 2023-01-18 文档理解模型的生成方法、应用方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310095723.3A CN116129452A (zh) 2023-01-18 2023-01-18 文档理解模型的生成方法、应用方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116129452A true CN116129452A (zh) 2023-05-16

Family

ID=86311466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310095723.3A Pending CN116129452A (zh) 2023-01-18 2023-01-18 文档理解模型的生成方法、应用方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116129452A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468131A (zh) * 2023-06-19 2023-07-21 成都市奇点软件有限公司 一种基于阶段性再训练的ai驱动项目自动化方法及系统
CN116561542A (zh) * 2023-07-04 2023-08-08 北京聆心智能科技有限公司 模型的优化训练系统、方法以及相关装置
CN116738967A (zh) * 2023-08-08 2023-09-12 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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468131A (zh) * 2023-06-19 2023-07-21 成都市奇点软件有限公司 一种基于阶段性再训练的ai驱动项目自动化方法及系统
CN116468131B (zh) * 2023-06-19 2023-09-01 成都市奇点软件有限公司 一种基于阶段性再训练的ai驱动项目自动化方法及系统
CN116561542A (zh) * 2023-07-04 2023-08-08 北京聆心智能科技有限公司 模型的优化训练系统、方法以及相关装置
CN116561542B (zh) * 2023-07-04 2023-10-20 北京聆心智能科技有限公司 模型的优化训练系统、方法以及相关装置
CN116738967A (zh) * 2023-08-08 2023-09-12 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
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

Similar Documents

Publication Publication Date Title
CN116129452A (zh) 文档理解模型的生成方法、应用方法、装置、设备及介质
WO2022156434A1 (zh) 用于生成文本的方法和装置
CN113395538B (zh) 音效渲染方法、装置、计算机可读介质和电子设备
CN115331228A (zh) 图像文本处理方法、装置、可读介质和电子设备
CN116166271A (zh) 代码生成方法、装置、存储介质及电子设备
CN115640815A (zh) 翻译方法、装置、可读介质及电子设备
CN114067327A (zh) 文本识别方法、装置、可读介质及电子设备
CN117036827A (zh) 多模态分类模型训练、视频分类方法、装置、介质及设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN116823984A (zh) 元素布局信息生成方法、装置、设备、介质和程序产品
CN116186545A (zh) 预训练模型的训练、应用方法、装置、电子设备及介质
CN116912734A (zh) 视频摘要数据集构建方法、装置、介质及电子设备
CN116503596A (zh) 图片分割方法、装置、介质和电子设备
CN116244431A (zh) 文本分类方法、装置、介质及电子设备
CN113610228B (zh) 神经网络模型的构建方法及装置
CN115757933A (zh) 推荐信息生成方法、装置、设备、介质和程序产品
CN114429629A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN114495081A (zh) 文本识别的方法、装置、可读介质和电子设备
CN111552871A (zh) 基于应用使用记录的信息推送方法、装置及相关设备
CN111933122B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN115938470B (zh) 蛋白质特征预处理方法、装置、介质及设备
CN116974684B (zh) 地图页面布局方法、装置、电子设备与计算机可读介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN112070163B (zh) 图像分割模型训练和图像分割方法、装置、设备
CN111325117B (zh) 目标对象识别模型的训练方法、装置和电子设备

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