CN116416640A - 文档元素确定的方法、装置、设备以及存储介质 - Google Patents

文档元素确定的方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN116416640A
CN116416640A CN202211734615.8A CN202211734615A CN116416640A CN 116416640 A CN116416640 A CN 116416640A CN 202211734615 A CN202211734615 A CN 202211734615A CN 116416640 A CN116416640 A CN 116416640A
Authority
CN
China
Prior art keywords
document
text
training
vector
representation
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
CN202211734615.8A
Other languages
English (en)
Inventor
柯博
李晨辉
胡腾
冯仕堃
陈永锋
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 CN202211734615.8A priority Critical patent/CN116416640A/zh
Publication of CN116416640A publication Critical patent/CN116416640A/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
    • G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06V30/18—Extraction of features or characteristics of the image
    • 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
    • G06V30/19173—Classification techniques
    • 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
    • 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
    • G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种文档元素确定的方法、装置、设备以及存储介质，涉及人工智能领域，尤其涉及文本图像处理领域。具体实现方案为：根据待识别文档提取文本特征向量、空间特征向量和图像特征向量，并获取文档表示向量；从文档表示向量中选取目标文档表示向量；将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。本公开实施例可以根据文本的内容和文本的空间分布确定文本框和对应的元素类型，实现对文档中元素的位置和类型进行识别。通过结合文档的图像、布局和语义的信息，可以充分利用跨模态信息，更准确地对文档布局进行分析，获取的文本框以及文本框的元素类型更准确。

Description

文档元素确定的方法、装置、设备以及存储介质
技术领域
本公开涉及人工智能领域，具体涉及文本图像处理领域，尤其涉及一种文档元素确定的方法、装置、设备以及存储介质。
背景技术
随着深度学习技术的快速发展，基于深度学习的文档处理技术也得到了广泛应用。例如基于深度学习技术训练的文档元素分类模型可以用于对文档中的文本元素、图片元素和表格元素等各类元素进行分类。
相关技术中，利用纯图像的目标检测方式，使用纯图像的输入，把每一种布局要素当作是一种物体目标，检测物体目标的位置同进行分类预测。这种方案在复杂文档上的分析效果较差，在样式区分不明显的文档，对文档中元素分类的准确率较低。
发明内容
本公开提供了一种用于文档元素确定的方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种文档元素确定的方法，包括：
根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量；
将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量；
从所述文档表示向量中选取目标文档表示向量；
将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
可选的，所述根据待识别文档的文本内容提取文本特征向量和空间特征向量，包括：
对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量；
生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
可选的，所述对所述待识别文档中的文本内容进行切分，获取至少一个字符，包括：
将所述文本内容输入分词器，以将所述文本内容切分为字符。
可选的，所述提取所述字符对应的文本特征向量包括：
将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
可选的，所述目标坐标系的原点为所述待识别文档的左上角，所述字符框在目标坐标系中的坐标为所述字符框左上角在所述目标坐标系中的坐标，所述根据所述字符框在目标坐标系中的坐标提取所述空间特征向量，包括：
获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
可选的，所述从所述文档表示向量中选取目标文档表示向量，包括：
将所述文档表示向量输入全连接网络，以获取对应的评分；
将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量。
根据本公开的第二方面，提供了一种模型训练方法，所述方法包括：
获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注；
根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
从所述文档表示训练向量中选取目标文档表示训练向量；
将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
根据本公开的第三方面，提供了一种文档元素确定的装置，包括：
特征提取模块，用于根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量；
特征融合模块，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量；
特征选取模块，用于从所述文档表示向量中选取目标文档表示向量；
文档元素确定模块，用于将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
可选的，所述特征提取模块包括：
文本特征提取子模块，用于对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量；
空间特征提取子模块，用于生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
可选的，所述文本特征提取子模块包括：
文本切分单元，用于将所述文本内容输入分词器，以将所述文本内容切分为字符。
可选的，所述文本特征提取子模块包括：
文本特征提取单元，用于将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
可选的，所述空间特征提取子模块包括：
字符框表示向量获取单元，用于获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
空间特征提取单元，用于将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
可选的，所述特征选取模块包括：
评分获取子模块，用于将所述文档表示向量输入全连接网络，以获取对应的评分；
目标文档表示向量获取子模块，用于将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量。
根据本公开的第四方面，提供了一种模型训练装置，所述装置包括：
训练数据集获取模块，用于获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注；
训练特征提取模块，用于根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
训练特征融合模块，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
训练特征选取模块，用于从所述文档表示训练向量中选取目标文档表示训练向量；
训练文档元素确定模块，用于将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
损失计算模块，用于根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
模型优化模块，用于以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面中任一项所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面或第二方面中任一项所述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面或第二方面中任一项所述的方法。
本申请具备至少以下有益效果：
本公开实施例可以根据文本的内容和文本的空间分布确定文本框和对应的元素类型，实现对文档中元素的位置和类型进行识别。通过结合文档的图像、布局和语义的信息，可以充分利用跨模态信息，更准确地对文档布局进行分析，获取的文本框以及文本框的元素类型更准确。
基于大规模预训练深度学习模型，能够学习到文本模态与图像模态细粒度的对其关系，而且模型泛化能力强，能够对复杂文档进行布局分析。
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提供的一种文档元素确定的方法的流程示意图；
图2是根据本公开实施例提供的一种文档元素确定的方法的流程示意图；
图3是根据本公开实施例提供的一种文档元素确定的方法的流程示意图；
图4是根据本公开实施例提供的一种文档元素确定的方法的流程示意图；
图5是根据本公开实施例提供的一种模型训练方法的流程示意图；
图6是根据本公开实施例提供的一种文档元素识别模型结构示意图；
图7是根据本公开实施例提供的一种字符示意图；
图8是根据本公开实施例提供的一种文档元素文本框示意图；
图9是根据本公开实施例提供的一种文档元素确定的装置的结构示意图；
图10是根据本公开实施例提供的一种模型训练装置的结构示意图；
图11是用来实现本公开实施例的方法的电子设备的框图。
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。
现实世界中，有大量信息存在版式文档中，包括图片、扫描件、PDF等，我们可以通过文档解析器、OCR等工具获取文档中的字符、空间位置坐标等信息。但是都是碎片化的内容，我们想做到按人读取文档的方式，把一个页面进行粗粒度的划分，如段落、标题、表格、图片、页眉页脚、公式等，我们统称为布局要素识别。
现有技术通常使用纯图像的目标检测方式，使用纯图像的输入，把每一种布局要素当作是一种物体目标，使用目标检测算法，检测它的边界框。同时对物体进行分类预测。
当前方案大多只使用到图像这种单一模态的信息，在识别文档中元素的过程中过于依赖文档的样式。而在识别文档元素的任务场景下，文档的内容是至关重要的，通过文本内容语意的连贯性等信息能更好得对文档进行区域的划分，而且这样可以不局限于样式，更准确地对文档元素进行识别。
当前方案在复杂文档上的效果较差，未能充分利用文档中的文本语义信息，包括文档的字符内容,字体、字号、颜色等多个特征，以及未能很好地同时结合文档的内容与图像信息，在样式区分不明显的文档，对文档中元素识别的准确率较低。
图1是根据本公开实施例提供的一种文档元素确定的方法的流程示意图，如图1所示，所述方法包括：
步骤101，根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量。
本实施例从所述待识别文档的文本内容提取文本特征向量和空间特征向量，所述文本特征向量表征了待识别文档中文本内容特征(如文本内容语义的连贯性等)，在识别文档元素的任务场景下，文档的文本内容对于文档中元素的识别是重要的参考，通过文本内容的特征能更好得对文档进行区域的划分。所述空间特征向量表征了文本内容在待识别文档中的位置分布特征，在文档中，不同元素的位置分布有一定的分布规律，如文档中的页眉分布在待识别文档的顶部区域，页脚分布在待识别文档的底部区域，标题周围的位置无其他文本，通过所述空间特征向量可以更准确地分析识别文档中的元素。
待识别文档对应的图像中的文本段落、表格文档页眉等文档元素所在区域具有一定的图像特征，如图片中该区域存在文本图像。而大片空白的背景等区域则属于无文本区域，即非文档元素的区域。通过图像特征可以对文档进行整体的识别。
需要说明的是，本公开实施例中待标注文档包括但不限于：ppt格式的文档、pptx格式的文档、txt格式的文档、doc格式的文档、docx格式的文档、xls格式的文档、xlsx格式的文档和pdf格式的文档。
步骤102，将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量。
本实施例中，获取待识别文档对应的文本特征向量、空间特征向量和图像特征向量这三个模态的特征向量后，需要将这些特征向量融合起来，这样得到的文档表示向量可以反映文本模态、位置模态和图像模态的特征。
步骤103，从所述文档表示向量中选取目标文档表示向量。
本实施例中，对文档表示向量进行筛选，筛选的依据为文档表示向量对应的字符为文档元素的可能性，选取其中为文档元素可能性较高的文档表示向量。
步骤104，将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
通过预先训练好的解码器，对所述目标文档表示向量进行解码，具体过程为：生成随机初始化向量，将所述目标文档表示向量与所述随机初始化向量相加后输入所述解码器，同时将所述文档表示向量输入所述解码器。所述解码器进行解码过程，将其中的特征还原为文档元素文本框和所述文档元素文本框对应的元素类型，即完成了对待识别文档中元素的确定。
其中，文档元素文本框可以为矩形区域，对文档元素文本框进行标注具体可以为记录该文档元素文本框对应的位置坐标、文本内容以及元素类型，位置坐标可以为该矩形区域的四个角点坐标，也可以为矩形区域的一个角点坐标以及矩形区域的高和宽，只要可以标识该矩形区域的位置即可，在此不做具体限定。
本实施例中待识别文档的元素类型可以包括：文档页眉、文档页脚、文本段落、图片、表格和公式等。对于具有批注的待标注文档，待标注文档的各个元素还可以包括批注文本。
本公开实施例可以根据文本的内容和文本的空间分布确定文本框和对应的元素类型，实现对文档中元素的位置和类型进行识别。通过结合文档的图像、布局和语义的信息，可以充分利用跨模态信息，更准确地对文档布局进行分析，获取的文本框以及文本框的元素类型更准确。
图2是根据本公开实施例提供的一种文档元素确定的方法的流程示意图，如图2所示，图1中的步骤101包括：
步骤201，对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量。
可选的，所述对所述待识别文档中的文本内容进行切分，获取至少一个字符，包括：
将所述文本内容输入分词器，以将所述文本内容切分为字符。
本实施例中，利用分词器将所述待识别文档中的文本按照一定的逻辑，分析成多个词语，同时对这些词语进行常规化(normalization)的一种工具，例如将“Hello Tom andJerry”分为“hello”、“tom”、“and”、“jerry”这4个字符。所述分词器由3部分组件组成：Character Filters、Tokenizer和Token Filters，这3个组件就像一个流水线一样对输入的文本进行分词处理。
步骤202，生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
获取所述字符后，生成包围所述字符的字符框，其中，字符框可以为矩形框，对所述字符框的标注具体可以为所述字符框的坐标和字符索引ID，位置坐标可以为该矩形区域的四个角点坐标，也可以为矩形区域的一个角点坐标以及矩形区域的高和宽，只要可以标识该矩形区域的位置即可，在此不做具体限定。
可选的，所述提取所述字符对应的文本特征向量包括：
将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
本实施例中，将所述字符输入大规模深度学习预训练模型(如ERNIE)，加载文本信息的embedding表示，即所述特征，以获取所述文本特征向量。
图3是根据本公开实施例提供的一种文档元素确定的方法的流程示意图，如图3所示，图2中的步骤202包括：
步骤301，获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
本实施例中，所述字符框为矩形框，所述目标坐标系的原点为所述待识别文档的左上角，所述字符框在目标坐标系中的坐标为所述字符框左上角的角点在所述目标坐标系中的坐标。对每个字符ID，其都有对应的字符框表示向量(x,y,w,h)，其中，x，y为所述字符框左上角的角点在所述目标坐标系中的坐标，w(width)为所述字符框的宽度，h(height)为所述字符框的高度。通过所述字符框表示向量可以反映字符框的位置信息。
可选的，步骤301之后还包括：对(x,y,w,h)中的元素进行归一化，将其中的数值变换到[0，1000]的范围内。
步骤302，将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
需要说明的是，为了方便后续将所述文本特征向量和对应的空间特征向量相加，需要使所述布局表示模型输出的空间特征向量维度与所述文本特征向量的维度相同。
图4是根据本公开实施例提供的一种文档元素确定的方法的流程示意图，如图4所示，图1中的步骤103包括：
步骤401，将所述文档表示向量输入全连接网络，以获取对应的评分。
全连接层的作用是用来综合所有信息。对于本实施例来说，它的作用为获取所述文档表示向量对应的评分，所述评分的取值范围为[0，1]反映了文档表示向量是否为文档元素的概率。
步骤402，将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量，其中，K为正整数。
本实施例中，为了提高文档元素识别效率，根据评分选取其中的一部分评分较高的文档表示向量作为目标文档表示向量，舍弃评分较低的文档表示向量。
通过本实施例，可以通过评分选取目标文档表示向量，提高了文档元素识别效率。
图5是根据本公开实施例提供的一种模型训练方法的流程示意图，如图5所示，所述方法用于训练所述解码器，包括：
步骤501，获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注。
步骤502，根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
本实施例中，通过前述方法从训练文档的文本内容提取文本特征训练向量和空间特征训练向量，将所述训练文档转换为图像后提取其中的图像特征训练向量。
步骤503，将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
步骤504，从所述文档表示训练向量中选取目标文档表示训练向量；
步骤505，将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
步骤506，根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
步骤507，以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
图6是根据本公开实施例提供的一种文档元素识别模型结构示意图，如图6所示，利用文档元素识别模型确定所述文档元素确定的流程包括：
1)读取文档数据
对于每个文档页面，通过计算机读取其基本信息，包括文本信息、文本空间位置信息、图像信息；
对整个文档的文本内容，将其输入分词器(tokenizer)进行切分，并将切分后的字符串输入预训练的语言模型获取向量表示，将序列化的文本特征表示(字符)将作为模型在语义维度的特征。
对整个文档的每个字符的空间位置(bounding box)相对页面左上角的坐标。通过预训练的布局表示模型获取坐标对应的空间位置的表示(字符框表示向量)，并与序列化的文本特征进行对齐。
2)文档信息向量化表示
将序列化的文本特征表示(字符输入)预训练好的大规模深度学习预训练模型(ERNIE)，获取加载文本信息的embedding表示(文本特征向量)；
将文档的每个字符的边界框(x,y,w,h)分别归一化到0-1000，每个id初始化一个与文本向量同样维度的表示，将x的表示与y的表示与w的表示和h的表示拼接起来作为空间位置信息，并从中提取空间特征向量。
将文档对应的图像过一个多层CNN网络/视觉transformer VIT网络获取图像的特征表述(图像特征向量)；
将文本特征表示与空间特征向量相加，再与图像特征表示进行拼接，获取文档表示向量；
3)模型训练
获取标注数据集，并用2)中的方式将其转化为向量化表示，并获得文档中每个要素的位置的元素类别class与文本框box标注结果；
将文档的向量化表示输入下游transformer模型中，使得不同模态之间的特征得到充分的交互生成文档表示训练向量；
将多尺度的文档表示训练向量经过一个全连接网络再取topK个用于进行预测的查询向量object-query(目标文档表示训练向量)，生成随机初始化向量，将所述目标文档表示向量与所述随机初始化向量相加后输入所述解码器，同时将所述文档表示向量输入所述解码器。
将查询向量与文档表示向量送到解码器层Decoder Layers中，每一个object-query预测出一个box(训练文档元素文本框)，和这个box对应到类别class(所述训练文档元素文本框对应的元素类型)；
将预测得到到box与类别class与标注结果进行匹配，计算loss，优化模型参数；
存储模型参数；
4)布局要素识别功能预测
a)加载3)中存储的模型参数；
b)读取待预测文档，使用2)步骤获取文档页面的向量化表示；
c)将文档页面的向量化表示输入模型，取出3)d部分的输出结果；
d)模型输出的边界框box与类别class即为输出的边界框与要素类别；
图7是根据本公开实施例提供的一种字符示意图，如图7所示，通过将整个文档的文本内容，将其输入分词器(tokenizer)进行切分，获取图中的一个个字符。
图8是根据本公开实施例提供的一种文档元素文本框示意图，如图8所示，每一个框即代表文档页面不同布局要素的边界框，也即所述训练文档元素文本框，上面的标识即所述训练文档元素文本框对应的元素类型。
图9是根据本公开实施例提供的一种文档元素确定的装置的结构示意图，如图9所示，所述装置900包括：
特征提取模块910，用于根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量；
特征融合模块920，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量；
特征选取模块930，用于从所述文档表示向量中选取目标文档表示向量；
文档元素确定模块940，用于将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
可选的，所述特征提取模块910包括：
文本特征提取子模块911，用于对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量；
空间特征提取子模块912，用于生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
可选的，所述文本特征提取子模块911包括：
文本切分单元，用于将所述文本内容输入分词器，以将所述文本内容切分为字符。
可选的，所述文本特征提取子模块911包括：
文本特征提取单元，用于将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
可选的，所述空间特征提取子模块912包括：
字符框表示向量获取单元，用于获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
空间特征提取单元，用于将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
可选的，所述特征选取模块930包括：
评分获取子模块931，用于将所述文档表示向量输入全连接网络，以获取对应的评分；
目标文档表示向量获取子模块932，用于将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量。
图10是根据本公开实施例提供的一种模型训练装置的结构示意图，如图10所示，所述装置1000用于训练所述解码器，包括：
训练数据集获取模块1010，用于获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注；
训练特征提取模块1020，用于根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
训练特征融合模块1030，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
训练特征选取模块1040，用于从所述文档表示训练向量中选取目标文档表示训练向量；
训练文档元素确定模块1050，用于将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
损失计算模块1060，用于根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
模型优化模块1070，用于以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
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11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如文档元素确定的方法。例如，在一些实施例中，文档元素确定的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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的文档元素确定的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文档元素确定的方法。
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)、互联网和区块链网络。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种文档元素确定的方法，包括：
根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量；
将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量；
从所述文档表示向量中选取目标文档表示向量；
将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
2.根据权利要求1所述的方法，其中，所述根据待识别文档的文本内容提取文本特征向量和空间特征向量，包括：
对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量；
生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
3.根据权利要求2所述的方法，其中，所述对所述待识别文档中的文本内容进行切分，获取至少一个字符，包括：
将所述文本内容输入分词器，以将所述文本内容切分为字符。
4.根据权利要求2所述的方法，其中，所述提取所述字符对应的文本特征向量包括：
将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
5.根据权利要求2所述的方法，其中，所述目标坐标系的原点为所述待识别文档的左上角，所述字符框在目标坐标系中的坐标为所述字符框左上角在所述目标坐标系中的坐标，所述根据所述字符框在目标坐标系中的坐标提取所述空间特征向量，包括：
获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
6.根据权利要求1所述的方法，其中，所述从所述文档表示向量中选取目标文档表示向量，包括：
将所述文档表示向量输入全连接网络，以获取对应的评分；
将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量，其中，K为正整数。
7.一种模型训练方法，其中，用于训练如权利要求1-6中任一项所述的解码器，所述方法包括：
获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注；
根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
从所述文档表示训练向量中选取目标文档表示训练向量；
将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
8.一种文档元素确定的装置，包括：
特征提取模块，用于根据待识别文档的文本内容提取文本特征向量和空间特征向量，根据所述待识别文档对应的图像提取图像特征向量；
特征融合模块，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示向量；
特征选取模块，用于从所述文档表示向量中选取目标文档表示向量；
文档元素确定模块，用于将所述目标文档表示向量输入解码器进行解码，以获取文档元素文本框和所述文档元素文本框对应的元素类型。
9.根据权利要求8所述的装置，其中，所述特征提取模块包括：
文本特征提取子模块，用于对所述待识别文档中的文本内容进行切分，获取至少一个字符，并提取所述字符对应的文本特征向量；
空间特征提取子模块，用于生成所述字符对应的字符框，根据所述字符框在目标坐标系中的坐标提取所述空间特征向量。
10.根据权利要求9所述的装置，其中，所述文本特征提取子模块包括：
文本切分单元，用于将所述文本内容输入分词器，以将所述文本内容切分为字符。
11.根据权利要求9所述的装置，其中，所述文本特征提取子模块包括：
文本特征提取单元，用于将所述字符输入预训练的语言模型，提取所述字符的特征，以获取所述文本特征向量。
12.根据权利要求9所述的装置，其中，所述空间特征提取子模块包括：
字符框表示向量获取单元，用于获取所述字符框的宽度和高度，并将所述字符框在目标坐标系中的坐标与所述宽度和高度组成生成字符框表示向量；
空间特征提取单元，用于将所述字符框表示向量输入预训练的布局表示模型以提取所述空间特征向量。
13.根据权利要求8所述的装置，其中，所述特征选取模块包括：
评分获取子模块，用于将所述文档表示向量输入全连接网络，以获取对应的评分；
目标文档表示向量获取子模块，用于将所述评分从大到小排序，并将前K个评分对应的文档表示向量确定为所述目标文档表示向量。
14.一种模型训练装置，其中，用于训练如权利要求8-13中任一项所述的解码器，所述装置包括：
训练数据集获取模块，用于获取训练数据集，其中，所述训练数据集中包括训练文档，与所述训练文档对应的文档元素文本框标注、元素类型标注；
训练特征提取模块，用于根据训练文档的文本内容提取文本特征训练向量和空间特征训练向量，根据所述训练文档对应的图像提取图像特征训练向量；
训练特征融合模块，用于将所述文本特征向量和对应的空间特征向量相加并与所述图像特征向量拼接以获取文档表示训练向量；
训练特征选取模块，用于从所述文档表示训练向量中选取目标文档表示训练向量；
训练文档元素确定模块，用于将所述目标文档表示训练向量输入解码器进行解码，以获取训练文档元素文本框和所述训练文档元素文本框对应的元素类型；
损失计算模块，用于根据所述训练文档元素文本框，所述训练文档元素文本框对应的元素类型和对应的文档元素文本框标注、元素类型标注计算损失函数；
模型优化模块，用于以损失函数最小化为目标调整所述解码器中的模型参数，获取推荐参数并将所述推荐参数配置给所述解码器。
15.一种电子设备，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1-6或权利要求7中任一项所述的方法。
16.一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1-6或权利要求7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6或权利要求7中任一项所述的方法。
CN202211734615.8A 2022-12-30 2022-12-30 文档元素确定的方法、装置、设备以及存储介质 Pending CN116416640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211734615.8A CN116416640A (zh) 2022-12-30 2022-12-30 文档元素确定的方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211734615.8A CN116416640A (zh) 2022-12-30 2022-12-30 文档元素确定的方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN116416640A true CN116416640A (zh) 2023-07-11

Family

ID=87055417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211734615.8A Pending CN116416640A (zh) 2022-12-30 2022-12-30 文档元素确定的方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN116416640A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036652A (zh) * 2023-10-08 2023-11-10 腾讯科技（深圳）有限公司 布局信息生成方法、模型训练方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036652A (zh) * 2023-10-08 2023-11-10 腾讯科技（深圳）有限公司 布局信息生成方法、模型训练方法、装置及电子设备
CN117036652B (zh) * 2023-10-08 2024-02-06 腾讯科技（深圳）有限公司 布局信息生成方法、模型训练方法、装置及电子设备

Similar Documents

Publication Publication Date Title
WO2019192397A1 (zh) 一种任意形状的场景文本端到端识别方法
CN113657274B (zh) 表格生成方法、装置、电子设备及存储介质
CN113627508B (zh) 陈列场景识别方法、装置、设备以及存储介质
CN113780098B (zh) 文字识别方法、装置、电子设备以及存储介质
CN113255501B (zh) 生成表格识别模型的方法、设备、介质及程序产品
CN113051380B (zh) 信息生成方法、装置、电子设备和存储介质
CN113627439A (zh) 文本结构化处理方法、处理装置、电子设备以及存储介质
CN114429633A (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN114495147B (zh) 识别方法、装置、设备以及存储介质
CN114724166A (zh) 一种标题抽取模型的生成方法、装置及电子设备
Akinbade et al. An adaptive thresholding algorithm-based optical character recognition system for information extraction in complex images
CN114187595A (zh) 基于视觉特征和语义特征融合的文档布局识别方法及系统
CN114724156A (zh) 表单识别方法、装置及电子设备
CN116416640A (zh) 文档元素确定的方法、装置、设备以及存储介质
CN114495113A (zh) 文本分类方法和文本分类模型的训练方法、装置
CN115690816A (zh) 一种文本要素提取方法、装置、设备和介质
CN114187448A (zh) 文档图像识别方法和装置、电子设备、计算机可读介质
CN114661904A (zh) 文档处理模型的训练方法、装置、设备、存储介质及程序
CN113887394A (zh) 一种图像处理方法、装置、设备及存储介质
CN113361522A (zh) 确定字符序列的方法、装置和电子设备
CN113468977A (zh) 文本行语种识别方法、装置、电子设备
CN115004261A (zh) 文本行检测
CN116029277B (zh) 多模态知识解析的方法、装置、存储介质、设备
CN115130435B (zh) 文档处理方法、装置、电子设备和存储介质
CN114792423B (zh) 文档图像的处理方法、装置和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication