CN116911258A - 文档要素识别方法、装置、电子设备及存储介质 - Google Patents

文档要素识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116911258A
CN116911258A CN202310626157.4A CN202310626157A CN116911258A CN 116911258 A CN116911258 A CN 116911258A CN 202310626157 A CN202310626157 A CN 202310626157A CN 116911258 A CN116911258 A CN 116911258A
Authority
CN
China
Prior art keywords
text
feature vector
vector set
inputting
image feature
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
CN202310626157.4A
Other languages
English (en)
Inventor
舒畅
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310626157.4A priority Critical patent/CN116911258A/zh
Publication of CN116911258A publication Critical patent/CN116911258A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/34—Graphical or visual programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Character Input (AREA)

Abstract

本发明涉及人工智能技术领域，应用了深度学习技术，涉及一种文档要素识别方法、装置、电子设备及存储介质。该方法包括：将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；将所述第一图像特征向量集和所述第一文本特征向量集输入自注意力层中得到第二图像特征向量集和第二文本特征向量集；将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；将所述融合特征向量集输入分类器得到分类结果。本发明能够更加准确的识别合同中的内容块是否包含重要的要素信息。

Description

文档要素识别方法、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领域，应用了深度学习技术，涉及一种文档要素识别方法、装置、电子设备及存储介质。
背景技术
业内文档要素提取基本使用纯文本的数据信息。提取方法最简单的是建立要素规则，通过正则表达式来提取文档中的要素，例如：产品名称，收益率等等。这种方法在文档关键词变更时就会变得无效，例如“产品名称”变更为“产品代号”。需要人工维护并增加正则表达式的规则，在增加正则表达式的同时，也会增加正则冲突。
最新的技术是通过训练一个序列标注的模型，对文档的要素进行标签提取。把文本先进行人工序列标注，例如命名实体识别的方法，再训练一个命名实体识别的模型，比如CRF等，对文档进行要素识别，从而提取文档的要素内容。这种方法是建立在纯文本的数据中，忽视了正式金融文档中文本的格式，例如标题所在的位置，一些特殊要素的字体大小等信息，而这些信息对识别重要要素是很有帮助的。
发明内容
鉴于以上内容，有必要提供一种文档要素识别方法，其主要目的在于更加准确的识别合同中的内容块是否包含重要的要素信息。
为实现上述目的，本发明提供一种文档要素识别方法，其特征在于，所述方法包括：
获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
可选地，将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集,包括：
使用图片编码器对每一个文本窗进行编码，每一个文本窗的特征设定为相同维度，将所有文本窗的特征组合形成第一图像特征向量集。
可选地，利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集，包括：
所述第一文本特征向量集中文本特征向量的维度与第一图像特征向量集中图像特征向量的维度相同。
可选地，将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集，包括：
对所述第一图像特征向量集的各个图像特征向量进行内积运算和softmax计算得到注意力权重值；
根据所述注意力权重值和所述图像特征向量计算得到自注意力向量。
可选地，对所述第一图像特征向量集的各个图像特征向量进行内积运算和softmax计算得到注意力权重值，包括：
将各个图像特征向量作为主向量分别与多个副向量进行内积，计算出与副向量数量相同的多个标量值，将所述数量的标量值输入进softmax计算出相同数量的注意力权重值，其中，所述副向量为第一图像特征向量集中包括自身的所有图像特征向量。
可选地，根据所述注意力权重值和所述图像特征向量计算得到自注意力向量，包括：
将各个注意力权重值分别乘以对应的副向量得到多个计算结果，将多个计算结果进行相加，得到所述主向量的自注意向量，将计算得到的多个自注意向量组成第二图像特征向量集。
可选地，将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集，包括：
将对应同一个文本窗的文本特征向量和图像特征向量中同一维度的值输入进softmax计算权重值，再将所述权重值乘以各自的维度值并相加，得到所述文本特征向量和图像特征向量的融合特征向量，将计算得到的多个融合特征向量组成融合特征向量集。
此外，为实现上述目的，本发明还提供一种文本分类模型训练装置，所述装置包括：
文本窗划分模块，用于获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
图像特征提取模块，用于将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
文本特征提取模块，用于利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
自注意力层模块，用于将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
融合特征模块，用于将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
分类模块，用于将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
此外，为实现上述目的，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程序以实现上述所述的文档要素识别方法。
此外，为实现上述目的，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文档要素识别方法。
本发明实施例通过文本窗识别器对待识别的图片进行区域加窗，识别出若干个文本窗，将识别出的每一个文本窗输入进图像编码器进行编码，得到第一图像特征向量集，使用文本识别模型识别出所述每一个文本窗里的文本，并通过文本编码器提取文本特征得到第一文本特征向量集，将所述第一图像特征向量集输入第一线性层得到第二图像特征向量集，所述第一文本特征向量集输入第二线性层得到第二文本特征向量集，再将第二文本特征向量和第二图像特征向量进行特征融合，得到融合特征向量集，最后通过分类器对融合特征向量集进行分类，提取包含文档要素特征的融合特征向量并转化为文本，通过利用文档文本信息和图像文本窗在文档中的位置信息，进行编码和融合，能够更加准确的识别合同中的内容块是否包含重要的要素信息。
附图说明
图1为本发明一实施例提供的文档要素识别方法的流程示意图；
图2为本发明一实施例提供的文档要素识别方法中文本窗的识别效果图；
图3为本发明一实施例提供的文档要素识别装置的流程示意图；
图4为本发明一实施例提供的实现文档要素识别方法的电子设备的内部结构示意图；
本申请目的的实现、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
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1所示的本发明一实施例提供的文档要素识别方法的流程示意图，在本发明实施例中，所述文档要素识别方法包括以下步骤S1-S6：
S1、获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
在本实施例中，以金融类文档的图片为例，金融类文档的标题字体大小一般都会大于正文，时间信息都会在【】符号中间，产品名称一般都会在文档左上角的页眉处显示，而图片信息，文本的位置、字体大小、特征符号等特征被称为文档要素特征。在获取金融类文档图片后，文本窗识别器会对文档图片划为文本窗，具体为文本窗识别器对图片进行区域加窗，识别出若干个文本窗，如图2所示，文档图片识别出6个文本窗。所述文本窗为文本在文档图片的位置，带有文档图片的坐标信息x、y、w、h，其中，x和y代表文本窗的起始坐标，w为长，h为高。
S2、将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
本发明实施例中，将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集，其中，所述图片编码器可以为VGG模型；
具体地，使用VGG模型对每一个文本窗进行编码，每一个文本窗的特征设定为768维，将所有文本窗的特征组合形成第一图像特征向量集。如上述例子，文档图片识别出6个文本窗后，图片编码器提取得到6个768维的图像特征向量，组成第一图像特征向量集。
S3、利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
本发明实施例中，利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集，其中，所述文本识别模型可以为OCR模型，所述文本编码器可以为BERT预训练语言模型；
如上述例子，通过文本识别模型识别出所述6个文本窗里的文本，将所述文本输入BERT预训练语言模型进行特征编码，同样设定特征维度为768维，得到6个768维的文本特征向量，组成第一文本特征向量集。
S4、将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
在一实施例中，将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集。其中，第一自注意力层对第一图像特征向量集的处理和第二自注意力层对第一文本特征向量集的处理相同。
对所述第一图像特征向量集的各个图像特征向量进行内积运算和softmax计算得到注意力权重值；
根据所述注意力权重值和所述图像特征向量计算得到自注意力向量。
具体地，将各个图像特征向量作为主向量分别与多个副向量进行内积，计算出与副向量数量相同的多个标量值，将所述数量的标量值输入进softmax计算出相同数量的注意力权重值，其中，所述副向量为第一图像特征向量集中包括自身的所有图像特征向量。
再将各个注意力权重值分别乘以对应的副向量得到多个计算结果，将多个计算结果进行相加，得到所述主向量的自注意向量，将计算得到的多个自注意向量组成第二图像特征向量集。
在一实施例中，以第一自注意力层对第一图像特征向量集的操作为例，将6个图像特征向量分别复制出3份作为q，k，v，例如第一个图像特征向量复制得到q1、k1、v1，第二个图像特征向量复制得到q2、k2、v2，以此类推。第一个图像特征向量的自注意力向量计算过程包括：将q1与k1，q1与k2，。。。，q1与k6进行内积，计算出6个标量值，将这6个标量值分别输入进softmax计算出各自的注意力权重值，再将这6个注意力权重值分别乘以各自的v，并将这6个进行向量相加，这样就获得了第一个自注意力向量b1，这里的向量维度没有发生变化，还是768维。同理，将q2与k1，q2与k2，。。。，q2与k6进行内积，同样的计算过程获得b2。这样图像的6个文本窗都有了自注意力向量b1-b6，从而得到了第二图像特征向量集。第二自注意力层与第一自注意力层相同，因此得到第二文本特征向量集c1-c6。
在一实施例中，将图像特征向量中的q与所有图像特征向量的k进行内积，计算出与图像特征向量相同数量的标量值，其公式为：
Sn＝qi·kn
其中，S为标量值，qi为第一图像特征向量集中第i个图像特征向量复制出的向量q，k为第一图像特征向量集中图像特征向量复制出的向量k，n为第一图像特征向量集中图像特征向量的数量。
S5、将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
在本实施例中，将每个文本窗的第二图像特征向量集和第二文本特征向量集输入所述池化层进行特征融合，得到融合特征向量集，所述池化层使用自适应池化。
具体地，将对应同一个文本窗的文本特征向量和图像特征向量中同一维度的值输入进softmax计算权重值，再将所述权重值乘以各自的维度值并相加，得到所述文本特征向量和图像特征向量的融合特征向量，将计算得到的多个融合特征向量组成融合特征向量集。
如上述例子，将b1与c1的每一个维度里的值由大到小进行排序，再将b1与c1中同一个维度的值输入进softmax函数计算各自的权重，然后将权重乘以各自的值后再相加，这样b1与c1就融合成了一个融合特征向量f1，同理，可以得到融合特征向量集f1-f6。
S6、将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
本发明实施例中，将所述融合特征向量集输入分类器，判断所述融合特征向量集的融合特征向量是否具有预设特征向量，若有，则提取所述融合特征向量转化为文本，其中，所述分类器为MLP层，所述预设特征向量为文档要素特征向量。
如上述例子，将融合特征向量集中的融合特征向量f1-f6分别输入MLP层进行二分类，分类结果为是否包含文档要素特征，如果包含，则将这个文本窗中的文本提取出来，若不包含，说明当前的文本窗中没有重要的信息需要提取。
本实施例中利用文本窗识别器对图片进行区域加窗，识别出6个文本窗，提取出6个文本窗的图像特征向量以及6个文本窗中文本的文本特征向量，再利用自注意力机制对图像特征向量和文本特征向量自注意力化，得到第二图像特征向量集和第二文本特征向量集，将所述第二图像特征向量集和第二文本特征向量集进行特征融合，得到融合特征向量集，最后对融合特征向量集中的向量进行分类判定。能够通过利用文档文本的信息和图像文本窗在文档中的位置信息，将这些多模态信息编码后，进行融合，能够更加准确的识别金融文档合同中的内容块是否包含重要的要素信息。
如图3所示，是本发明文档要素识别装置的功能模块图。
本发明所述文档要素识别装置100可以安装于电子设备中。根据实现的功能，所述文档要素识别装置可以包括文本窗识别模块101、图像特征提取模块102、文本特征提取模块103、自注意力层模块104、融合特征模块105和分类模块106，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：
所述文本窗识别模块101用于获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
所述图像特征提取模块102用于将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
所述文本特征提取模块103用于利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
所述自注意力层模块104用于将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
所述融合特征模块105用于将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
所述分类模块106用于将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
详细地，本发明实施例中所述文档要素识别装置100中所述的各模块在使用时采用与上述图1中所述的文档要素识别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4所示，是本发明实现文档要素识别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，如文档要素识别程序。
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(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(FlashCard)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，例如文档要素识别程序的代码等，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(CentralProcessingUnit，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(ControlUnit)，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(例如文档要素识别程序等)，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(PerIPheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，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(OrganicLight-EmittingDiode，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存储的文档要素识别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：
接收分类模型训练指令，根据所述分类模型训练指令从数据库获取训练数据；
获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
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-OnlyMemory)。
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：
获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
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(ArtificialIntelligence，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)

1.一种文档要素识别方法，其特征在于，所述方法包括：
获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
2.如权利要求1所述的文档要素识别方法，其特征在于，将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集,包括：
使用图片编码器对每一个文本窗进行编码，每一个文本窗的特征设定为相同维度，将所有文本窗的特征组合形成第一图像特征向量集。
3.如权利要求1所述的文档要素识别方法，其特征在于，利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集，包括：
所述第一文本特征向量集中文本特征向量的维度与第一图像特征向量集中图像特征向量的维度相同。
4.如权利要求1所述的文档要素识别方法，其特征在于，将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集，包括：
对所述第一图像特征向量集的各个图像特征向量进行内积运算和softmax计算得到注意力权重值；
根据所述注意力权重值和所述图像特征向量计算得到自注意力向量。
5.如权利要求4所述的文档要素识别方法，其特征在于，对所述第一图像特征向量集的各个图像特征向量进行内积运算和softmax计算得到注意力权重值，包括：
将各个图像特征向量作为主向量分别与多个副向量进行内积，计算出与副向量数量相同的多个标量值，将所述数量的标量值输入进softmax计算出相同数量的注意力权重值，其中，所述副向量为第一图像特征向量集中包括自身的所有图像特征向量。
6.如权利要求4所述的文档要素识别方法，其特征在于，根据所述注意力权重值和所述图像特征向量计算得到自注意力向量，包括：
将各个注意力权重值分别乘以对应的副向量得到多个计算结果，将多个计算结果进行相加，得到所述主向量的自注意向量，将计算得到的多个自注意向量组成第二图像特征向量集。
7.如权利要求1所述的文档要素识别方法，其特征在于，将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集，包括：
将对应同一个文本窗的文本特征向量和图像特征向量中同一维度的值输入进softmax计算权重值，再将所述权重值乘以各自的维度值并相加，得到所述文本特征向量和图像特征向量的融合特征向量，将计算得到的多个融合特征向量组成融合特征向量集。
8.一种文档要素识别装置，其特征在于，所述装置包括：
文本窗划分模块，用于获取待识别的文档图片，利用文本窗识别器为所述文档图片划分文本窗；
图像特征提取模块，用于将所述文本窗输入图片编码器，提取所述文本窗的位置特征得到第一图像特征向量集；
文本特征提取模块，用于利用文本识别模型提取所述文本窗的文本，将所述文本输入文本编码器，提取所述文本的文本信息特征得到第一文本特征向量集；
自注意力层模块，用于将所述第一图像特征向量集输入第一自注意力层输出得到第二图像特征向量集，将所述第一文本特征向量集输入第二自注意力层输出得到第二文本特征向量集；
融合特征模块，用于将所述第二图像特征向量集和所述第二文本特征向量集输入池化层，得到融合特征向量集；
分类模块，用于将所述融合特征向量集输入分类器，识别所述融合特征向量集中具有预设特征向量的融合特征向量，并提取所述具有预设特征向量的融合特征向量转化为文本。
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如权利要求1至7中任意一项所述的文档要素识别方法。
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中任意一项所述的文档要素识别方法。
CN202310626157.4A 2023-05-30 2023-05-30 文档要素识别方法、装置、电子设备及存储介质 Pending CN116911258A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310626157.4A CN116911258A (zh) 2023-05-30 2023-05-30 文档要素识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310626157.4A CN116911258A (zh) 2023-05-30 2023-05-30 文档要素识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116911258A true CN116911258A (zh) 2023-10-20

Family

ID=88351822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310626157.4A Pending CN116911258A (zh) 2023-05-30 2023-05-30 文档要素识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116911258A (zh)

Similar Documents

Publication Publication Date Title
CN111814962B (zh) 识别模型的参数获取方法、装置、电子设备及存储介质
CN111626047B (zh) 智能化文本纠错方法、装置、电子设备及可读存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112597312A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN111414916B (zh) 图像中文本内容提取生成方法、装置及可读存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN112446207A (zh) 标题生成方法、装置、电子设备及存储介质
CN113360654B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN114399775A (zh) 文档标题生成方法、装置、设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN116681082A (zh) 离散文本语义分段方法、装置、设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN115238115A (zh) 基于中文数据的图像检索方法、装置、设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN116739001A (zh) 基于对比学习的文本关系提取方法、装置、设备及介质
CN115114408B (zh) 多模态情感分类方法、装置、设备及存储介质
CN116468025A (zh) 电子病历结构化方法、装置、电子设备及存储介质
CN116341646A (zh) Bert模型的预训练方法、装置、电子设备及存储介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN113434650B (zh) 问答对扩展方法、装置、电子设备及可读存储介质
CN112215336B (zh) 基于用户行为的数据标注方法、装置、设备及存储介质
CN114677526A (zh) 图像分类方法、装置、设备及介质
CN115147660A (zh) 基于增量学习的图像分类方法、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
CN116911258A (zh) 文档要素识别方法、装置、电子设备及存储介质

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