CN118012935A - 一种数据提取与稽核方法、装置、计算机设备及存储介质 - Google Patents

一种数据提取与稽核方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN118012935A
CN118012935A CN202311820690.0A CN202311820690A CN118012935A CN 118012935 A CN118012935 A CN 118012935A CN 202311820690 A CN202311820690 A CN 202311820690A CN 118012935 A CN118012935 A CN 118012935A
Authority
CN
China
Prior art keywords
data
auditing
service data
target
field
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
CN202311820690.0A
Other languages
English (en)
Inventor
管键梓
张甜
罗远军
吴燕青
陈家荣
陈小燕
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.)
Yuanguang Software Co Ltd
Original Assignee
Yuanguang Software 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 Yuanguang Software Co Ltd filed Critical Yuanguang Software Co Ltd
Priority to CN202311820690.0A priority Critical patent/CN118012935A/zh
Publication of CN118012935A publication Critical patent/CN118012935A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/77—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
    • 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
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/147—Determination of region of interest
    • 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based 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
    • G06V30/18—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
    • G06V30/19173—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请属于人工智能领域，涉及一种数据提取与稽核方法，包括获取目标原始业务数据，对目标原始业务数据进行识别提取，得到待处理业务数据；对待处理业务数据进行数据结构化处理，获得结构化目标业务数据；根据目标业务确定稽核字段，获取稽核字段对应的稽核数据值；按照预设的字段映射确定结构化目标业务数据中与稽核字段对应的目标业务字段；基于预设的比对规则，将目标业务字段的目标业务数据值与对应的稽核数据值进行比对，得到稽核结果。本申请还提供一种数据提取与稽核装置、计算机设备及存储介质。本申请能够将多业务系统数据打通，使整个业务流程数据贯通透明，提高业务数据的识别准确率，实现了数据的智能化稽核。

Description

一种数据提取与稽核方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能和金融科技技术领域，尤其涉及一种数据提取与稽核方法、装置、计算机设备及存储介质。
背景技术
机器人流程自动化(Robotic Process Automation，简称RPA)，是通过特定的“机器人软件”，模拟人在计算机上的操作，按规则自动执行流程任务。OCR(Optical CharacterRecognition，光学字符识别)和RPA作为人工智能的组成部分，其技术的核心能力是进行对比的文件内容进行识别和提取，并且通过预设的线下表规则和智能算法来模拟和替代人工，能够依附在各种业务系统按照规则与要求完成不同业务的组织能力，为智能化信息应用提供了基础。目前OCR与RPA技术的结合主要应用于各个行业，尤其需要进行多系统业务处理以及花费大量时间进行数据处理的业务。但是，上述应用目前对RPA技术的利用仅停留在具体场景的单一业务中，没有将OCR融入RPA机器人处理的多种关联性业务，造成涉及多部门协作的业务存在协同效率低、业务流程冗长、跨系统多人工操作存在较多问题的情况，业务在实际执行过程中因为数据提取的准确性较低导致后续数据稽核存在多重业务风险，且难以追溯问题根源。
发明内容
本申请实施例的目的在于提出一种数据提取与稽核方法、装置、计算机设备及存储介质，以解决现有技术中业务数据稽核方式耗费大量人力、业务执行效率低、业务数据识别准确率低以及问题根源难以追溯的技术问题。
为了解决上述技术问题，本申请实施例提供一种数据提取与稽核方法，采用了如下所述的技术方案：
获取目标原始业务数据，对所述目标原始业务数据进行识别提取，得到待处理业务数据；
对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据；
根据所述目标业务确定稽核字段，获取所述稽核字段对应的稽核数据值；
按照预设的字段映射确定所述结构化目标业务数据中与所述稽核字段对应的目标业务字段；
基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果。
进一步的，所述对所述目标原始业务数据进行识别提取，得到待处理业务数据的步骤包括：
识别所述目标原始业务数据的数据元素，得到元素识别结果，其中，所述数据元素包括图片和文本；
将所述元素识别结果输入训练好的分割模型中进行元素分割，得到图片数据和文本数据；
分别对所述图片数据和所述文本数据进行文字识别，得到待处理业务数据。
进一步的，所述分别对所述图片数据和所述文本数据进行文字识别，得到待处理业务数据的步骤包括：
利用光学字符识别对所述图片数据进行识别，得到第一业务数据；
对所述文本数据进行识别，得到第二业务数据；
将所述第一业务数据和所述第二业务数据进行结合，得到待处理业务数据。
进一步的，所述对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据的步骤包括：
按照预设业务规则确定目标业务字段，根据所述目标业务字段创建业务数据表；
从所述待处理业务数据中获取与所述目标业务字段对应的目标业务数据值；
将所述目标业务数据值填充至所述业务数据表对应的表格位置，得到结构化目标业务数据。
进一步的，所述基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果的步骤包括：
分别构建所述目标业务数据值与所述稽核数据值对应的第一字符串和第二字符串；
根据所述第一字符串和所述第二字符串构建比对矩阵；
根据所述比对矩阵计算得到稽核结果。
进一步的，所述根据所述比对矩阵计算得到稽核结果的步骤包括：
根据所述第一字符串的第一长度和所述第二字符串的第二长度，计算匹配窗口值；
基于所述比对矩阵和所述匹配窗口值，计算匹配字符数和匹配字符换位数；
根据所述第一长度、所述第二长度、所述匹配字符数以及所述匹配字符换位数，计算字符串相似度；
确定所述第一字符串和所述第二字符串的公共前缀长度，并根据所述公共前缀长度和所述字符串相似度计算匹配度，将所述匹配度作为所述稽核结果。
进一步的，在所述得到稽核结果的步骤之后还包括：
在所述业务数据表中增加稽核状态字段，并将稽核结果填充至所述稽核状态字段处。
为了解决上述技术问题，本申请实施例还提供一种数据提取与稽核装置，采用了如下所述的技术方案：
获取模块，用于获取目标原始业务数据，对所述目标原始业务数据进行识别提取，得到待处理业务数据；
结构化模块，用于对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据；
字段确定模块，用于根据所述目标业务确定稽核字段，获取所述稽核字段对应的稽核数据值；
映射模块，用于按照预设的字段映射确定所述结构化目标业务数据中与所述稽核字段对应的目标业务字段；
稽核模块，用于基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的数据提取与稽核方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的数据提取与稽核方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过RPA技术将多业务系统数据打通，自动获取目标原始业务数据，并对目标原始业务数据进行识别提取，提高业务数据的识别准确率；通过对提取的待处理业务数据进行结构化处理，能够实现数据格式的统一性加工；根据预设的比对规则对目标业务数据和稽核数据进行比对，实现了数据的智能化稽核，从而提升整个流程各个环节的准确性，提高稽核效率和准确率；此外，统一的数据流通道，使整个业务流程数据贯通透明，提高管理安全性、出现问题容易追溯。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的数据提取与稽核方法的一个实施例的流程图；
图3是图2中步骤S205的一种具体实施方式的流程图；
图4是根据本申请的数据提取与稽核装置的一个实施例的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
OCR、RPA技术作为人工智能的组成部分，其技术的核心能力是进行对比的文件内容进行识别和提取，并且通过预设的线下表规则和智能算法来模拟和替代人工，能够依附在各种业务系统按照规则与要求完成不同业务的组织能力，为智能化信息应用提供了基础。将OCR和RPA结合，可以应用于需要进行多系统业务处理以及花费大量时间进行数据处理的业务。但是，目前这种结合对RPA技术的利用仅停留在具体场景的单一业务中，没有将OCR融入RPA机器人处理的多种关联性业务。以营销退费领域为例，营销退费是电力行业全过程财务管理的重要组成部分，涉及多部门协同工作，由于其业务具有特殊性、复杂性，在诸多环节需要人工介入，大量环节都是通过线下处理，比如提取营销退费相关业务数据仍旧需要大量人工线下维护不同的EXCEL表，每个协作环节所维护的表格不尽相同，上百条字段需要人工梳理相关的数据，并且依靠大量人力来审核数据。在整个过程中，数据质量难以保证，管理安全存在隐患、遇到问题难以追溯以及多部门协同效率低、业务流程冗长、跨系统多人工操作存在较多问题的情况。
基于上述问题，本申请提供了一种数据提取与稽核方法，解决了营销退费业务中数据获取、加工、提取、稽核等在业务中涉及多部门协同效率低、业务流程冗长、跨系统操作较多等问题，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的数据提取与稽核方法一般由服务器/终端设备执行，相应地，数据提取与稽核装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的数据提取与稽核方法的一个实施例的流程图，包括以下步骤：
步骤S201，获取目标原始业务数据，对目标原始业务数据进行识别提取，得到待处理业务数据。
从业务系统中获取目标原始业务数据，业务数据可以是任何需要进行稽核的业务(目标业务)相关的数据。对于涉及多部门协同、需要跨系统进行业务数据获取的稽核业务，通过RPA技术将数据打通，形成统一的数据流通道，使得数业务系统数据贯通透明，进而形成连贯的业务环节。
例如，在一示例性实施例中，目标原始业务数据可以是营销退费业务数据，由于营销退费稽核业务涉及多部门业务系统，需要跨系统进行数据获取，具体的，通过RPA技术自动登录营销退费相关业务系统，从营销退费相关业务系统中获取营销退费业务数据，营销退费业务数据的数据类型包括但不限于图片和PDF文件。
其中，目标原始业务数据可以从业务系统的业务数据库中获取，业务数据库为用于存储业务数据的数据库，由于关系型数据库具有响应速度快的特点，因此，业务数据库的类型可以为关系型数据库，使得业务数据库可以较快地进行响应。
在本实施例中，目标原始业务数据可以通过有线连接方式或者无线连接方式获取。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在一些可选的实现方式中，上述对目标原始业务数据进行识别提取，得到待处理业务数据的步骤包括：
识别目标原始业务数据的数据元素，得到元素识别结果，其中，数据元素包括图片和文本；
将元素识别结果输入训练好的分割模型中进行元素分割，得到图片数据和文本数据；
分别对图片数据和文本数据进行文字识别，得到待处理业务数据。
为了方便对不同业务系统中的业务数据进行统一的系统管理，以及实现自动稽核，需要对目标原始业务数据进行结构化处理，在结构化处理之前，对目标原始业务数据进行OCR识别，以提取图片中的文字信息。
在本实施例中，获取的目标原始业务数据中包括图片和文字，OCR识别的精准度可能会受到影响，因此将需要识别的图片进行另存为，明确识别的范围，以提高识别准确率。
具体的，元素识别通过训练好的目标检测模型对目标原始业务数据进行检测，标记出目标原始业务数据中不同的数据元素以及对应的位置和边界框。其中，目标检测模型可以采用YOLO(You Only Look Once:Unified,Real-Time Object Detection)神经网络模型，也可以采用Faster R-CNN网络模型，在此不做限制。
将标记有数据元素的元素识别结果输入训练好的分割模型中进行元素分割，得到图片数据和文本数据。其中，分割模型包括语义分割模块和实例分割模块，语义分割模块包括编码器、解码器、卷积池化层、注意力层和特征融合层，编码器包括多个CNN层和下采样层；解码器由多个解码模块连接而成，每个解码模块包括多个上采样层(Up-samplinglayer)和CNN层；解码器的每个卷积层后对应设置连接有一个卷积池化层，注意力层与最后一个卷积池化层连接，特征融合层与注意力层连接。
实例分割模块包括特征提取层、区域建议层、对齐层、多任务分支层和输出层，区域建议层采用区域建议网络RPN(Region Proposal Network，RPN)，通过区域建议网络RPN对特征提取层提取的特征进行感兴趣区域提取，初步筛选出可能是目标的区域作为候选区域。将候选区域输入对齐层，对齐层为感兴趣区域对齐层RoI(Region of Interest，RoI)，通过感兴趣区域对齐层RoI对齐候选区域，得到对齐感兴趣区域。多任务分支层为分类分支、边界框回归分支和分割分支，将对齐感兴趣区域分别输入分类分支、边界框回归分支和分割分支，分类分支用于对对齐感兴趣区域进行分类，确定目标类别，边界框回归分支用于对目标的边界进行定位，分割分支采用像素级分割网络FCN(Fully ConvolutionalNetwork，FCN)，通过像素级分割网络FCN对则用于确认对齐感兴趣区域内目标的边界，对预测为目标的对齐感兴趣区域生成目标实例掩码图像，从而将目标从图像中分离出来，实现像素级分割。
具体的，将标记有数据元素的元素识别结果经过语义分割模块的编码器、解码器、卷积池化层、注意力层和特征融合层，依次进行处理，得到语义分割数据；将语义分割数据输入实例分割模块，通过特征提取层、区域建议层、对齐层、多任务分支层和输出层依次进行处理，分割出图片数据和文本数据。
将图片数据进行另存为，并通过OCR识别出图片数据的文字信息，通过RPA技术直接识别文本数据的文字信息，得到待处理业务数据。
在本实施例中，通过对图片数据和文本数据进行分开识别，能够提高数据的识别准确率，进而提升稽核的准确率。
步骤S202，对待处理业务数据进行数据结构化处理，获得结构化目标业务数据。
在本实施例中，通过RPA机器人自动对识别出来的待处理业务数据进行数据结构化处理，得到结构化数据。在一种示例性的实施例中，结构化数据可以是指可用数据库二维表结构来逻辑表达和实现的数据。
RPA机器人包括RPA模块，RPA模块包括脚本单元、流程单元和任务单元，其中，脚本单元用于进行脚本配置，并对电子表格、业务系统和SAP系统模块页面进行模拟用户手工操作和字段元素抓取。通过RPA机器人可以实现目标业务数据的自动获取、通过预设规则与步骤实现目标业务数据在SAP系统中自动、智能化创建。
进一步的，按照预设业务规则确定目标业务字段，根据目标业务字段创建业务数据表；从待处理业务数据中获取与目标业务字段对应的目标业务数据值；将目标业务数据值填充至业务数据表对应的表格位置，得到结构化目标业务数据。
业务数据表是通过RPA机器人创建，并实现智能化填单。预设业务规则预先配置有目标业务的待稽核字段，通过RPA机器人将待稽核字段与待处理业务数据中的业务字段进行匹配，将匹配的业务字段作为目标业务字段；从待处理业务数据中获取与目标业务字段对应的目标业务数据值，并将目标业务数据值填充至业务数据表中对应的表格位置，形成结构化目标业务数据。
本实施例通过将识别出来的待处理业务数据进行结构化处理，能够实现数据的统一加工管理，将多个环节的数据打通，打破数据割裂，进而为后续提高业务数据审核的准确率和效率提供了强有力的基础。
步骤S203，根据目标业务确定稽核字段，获取稽核字段对应的稽核数据值。
在本实施例中，获取目标业务对应的目标稽核数据，目标稽核数据包括稽核字段以及稽核字段对应的稽核数据值。
以营销退费业务为例，目标稽核数据为线下的营销台账数据，稽核字段可以包括但不限于户号、户名、金额、收款方等。
步骤S204，按照预设的字段映射确定结构化目标业务数据中与稽核字段对应的目标业务字段。
字段映射是根据稽核规则进行预先配置的，即预先创建目标业务中待稽核的目标业务字段与稽核字段之间的映射关系，根据字段映射从结构化目标业务数据中获取与稽核字段对应的目标业务字段。
其中，字段映射可以是完全相同的字段映射，比如，结构化目标业务数据中的户号字段映射目标稽核数据中的户号字段；也可以是关键字段映射，例如，结构化目标业务数据中的户号字段映射目标稽核数据中的用户账号字段。
步骤S205，基于预设的比对规则，将目标业务字段的目标业务数据值与对应的稽核数据值进行比对，得到稽核结果。
按照预设的比对规则比对目标业务字段的目标业务数据值与对应的稽核数据值，得到稽核结果，稽核结果为比对正确或比对错误，比对正确说明目标业务数据值与稽核数据值一致，比对错误说明目标业务数据值与稽核数据值不一致。
在本实施例中，稽核也是通过RPA机器人完成的，实现了数据的智能化稽核，提升了稽核效率，在关键业务环节应用RPA机器人提升整体业务的智能化等功能，提升业务效率。
在一些可选的实现方式中，在上述得到稽核结果的步骤之后还包括：
在业务数据表中增加稽核状态字段，并将稽核结果填充至稽核状态字段处。
在业务数据表中新增稽核状态字段，并将每一个字段值的比对结果填写至对应的位置，还可以对比对错误的数据进行备注标识。
以营销退费业务为例，RPA机器人定时启动根据结构化目标业务数据文档与线下表(目标稽核数据)，采用智能算法的规则进行稽核，并且将稽核结果以对应的形式标识出来。核对结构化的营销数据与线下的营销台账数据，映射双方数据关系并进行字段值的稽核，例如，营销数据中的户号、小写金额、收款方等映射线下的营销台中数据的的户号、金额、收款方等，以此将双方数据的其他字段都进行核对。任务完成后通过邮件将处理情况发送给对应的负责人。
在整个业务线条中，从数据的自动化获取以及自动化加工再到电子附件数据的OCR自动化识别与提取，以及最后的自动化稽核，RPA机器人打通了营销退费业务全流程的精细化管理。
本申请通过RPA技术将多业务系统数据打通，自动获取目标原始业务数据，并对目标原始业务数据进行识别提取，提高业务数据的识别准确率；通过对提取的待处理业务数据进行结构化处理，能够实现数据格式的统一性加工，打破数据割裂；根据预设的比对规则对目标业务数据和稽核数据进行比对，实现了数据的智能化稽核，从而提升整个流程各个环节的准确性，提高稽核效率和准确率；此外，统一的数据流通道，使整个业务流程数据贯通透明，提高管理安全性以及业务审核追溯的效率。
在本实施例的一些可选的实现方式中，上述分别对图片数据和文本数据进行文字识别，得到待处理业务数据的步骤包括：
利用光学字符识别对图片数据进行识别，得到第一业务数据；
对文本数据进行识别，得到第二业务数据；
将第一业务数据和第二业务数据进行结合，得到待处理业务数据。
在本实施例中，将图片数据另存为之后，通过RPA机器人调用OCR对图片数据中的文字信息进行识别，得到第一业务数据；文本数据中文字信息可以直接通过RPA机器人进行提取，得到第二业务数据。将第一业务数据和第二业务数据进行结合，即可得到待处理业务数据。
本申请通过采用OCR技术和RPA技术进行深度融合，提高业务数据识别准确率的同时，让业务数据提取与稽核的全流程业务环节能够实现自动化、智能化运行。
在一些可选的实现方式中，上述基于预设的比对规则，将目标业务字段的目标业务数据值与对应的稽核数据值进行比对，得到稽核结果的步骤包括：
步骤S301，分别构建目标业务数据值与稽核数据值对应的第一字符串和第二字符串。
假设目标业务数据值为X，构建目标业务数据值对应的第一字符串strx，稽核数据值为Y，构建稽核数据值对应的第二字符串stry。示例的，目标业务数据值X为户号{13201753906}，则第一字符串strx＝“13201753906”。
步骤S302，根据第一字符串和第二字符串构建比对矩阵。
假设第一字符串的第一长度为m，第二字符串的第二长度为n，构建的比对矩阵为M(X，Y)m×n。
步骤S303，根据比对矩阵计算得到稽核结果。
具体的，根据第一字符串的第一长度len1和第二字符串的第二长度len2，计算匹配窗口值，匹配窗口值的计算公式如下：
基于比对矩阵和匹配窗口值，计算匹配字符数和匹配字符换位数。其中，匹配字符数s的计算：若第一字符串为strx和第二字符串为stry中相同字符相差距离小于匹配窗口值MW，则表示该字符匹配；在匹配过程中，需排除被匹配过的字符，若找到匹配字符，则需跳出此次匹配，进行下一字符的匹配，得到匹配字符集；
对于匹配字符换位数t的计算：确定第一字符串为strx和第二字符串为stry中对于匹配字符集的顺序是否一致，若不一致，则换位数目的一半即为匹配字符换位数t。
在本实施例中，匹配字符数s和匹配字符换位数t满足下述公式：
根据第一长度、第二长度、匹配字符数以及匹配字符换位数，计算字符串相似度，字符串相似度即为Jaro Distanc，计算公式如下：
确定第一字符串和第二字符串的公共前缀长度，并根据公共前缀长度和字符串相似度计算匹配度，将匹配度作为比对结果，匹配度的计算公式如下：
Sim(X,Y)＝Dw＝Dj+(l×p×(1-Dj))
其中，l表示第一字符串为和第二字符串的字符串公共前缀长度，但是规定最大为4；p是调整分数的常数，规定不能超过0.25，不然可能出现Dw大于1的情况，Winkler将这个常数定义为0.1。
在本实施例中，Sim(X,Y)的数值反映两个字段之间的相似程度，且数值越大表示相似程度越高，两个字段越一致。若Sim(X,Y)的值为1，则说明目标业务数据值与稽核数据值一致，否则，目标业务数据值与稽核数据值不一致。
本实施例通过对目标业务数据值与稽核数据值进行比对，能够提高比对的效率。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种数据提取与稽核装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的数据提取与稽核装置400包括：获取模块401、结构化模块402、字段确定模块403、映射模块404以及稽核模块405。
其中：
获取模块401用于获取目标原始业务数据，对所述目标原始业务数据进行识别提取，得到待处理业务数据；
结构化模块402用于对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据；
字段确定模块403用于根据所述目标业务确定稽核字段，获取所述稽核字段对应的稽核数据值；
映射模块404用于按照预设的字段映射确定所述结构化目标业务数据中与所述稽核字段对应的目标业务字段；
稽核模块405用于基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果。
基于上述数据提取与稽核装置400，通过RPA技术将多业务系统数据打通，自动获取目标原始业务数据，并对目标原始业务数据进行识别提取，提高业务数据的识别准确率；通过对提取的待处理业务数据进行结构化处理，能够实现数据格式的统一性加工，打破数据割裂；根据预设的比对规则对目标业务数据和稽核数据进行比对，实现了数据的智能化稽核，从而提升整个流程各个环节的准确性，提高稽核效率和准确率；此外，统一的数据流通道，使整个业务流程数据贯通透明，提高管理安全性以及业务审核追溯的效率。
在本实施例的一些可选的实现方式中，获取模块401包括：
元素识别子模块，用于识别所述目标原始业务数据的数据元素，得到元素识别结果，其中，所述数据元素包括图片和文本；
分割子模块，用于将所述元素识别结果输入训练好的分割模型中进行元素分割，得到图片数据和文本数据；
文字识别子模块，用于分别对所述图片数据和所述文本数据进行文字识别，得到待处理业务数据。
通过对图片数据和文本数据进行分开识别，能够提高数据的识别准确率，进而提升稽核的准确率。
在本实施例中，文字识别子模块包括：
图片识别单元，用于利用光学字符识别对所述图片数据进行识别，得到第一业务数据；
文本识别单元，用于对所述文本数据进行识别，得到第二业务数据；
结合单元，用于将所述第一业务数据和所述第二业务数据进行结合，得到待处理业务数据。
通过采用OCR技术和RPA技术进行深度融合，提高业务数据识别准确率的同时，让业务数据提取与稽核的全流程业务环节能够实现自动化、智能化运行。
在一些可选的实现方式中，结构化模块402包括：
创建子模块，用于按照预设业务规则确定目标业务字段，根据所述目标业务字段创建业务数据表；
获取子模块，用于从所述待处理业务数据中获取与所述目标业务字段对应的目标业务数据值；
结构化子模块，用于将所述目标业务数据值填充至所述业务数据表对应的表格位置，得到结构化目标业务数据。
通过将识别出来的待处理业务数据进行结构化处理，能够实现数据的统一加工管理，将多个环节的数据打通，打破数据割裂。
在一些可选的实现方式中，稽核模块405包括：
第一构建子模块，用于分别构建所述目标业务数据值与所述稽核数据值对应的第一字符串和第二字符串；
第二构建子模块，用于根据所述第一字符串和所述第二字符串构建比对矩阵；
稽核子模块，用于根据所述比对矩阵计算得到稽核结果。
在本实施例中，稽核子模块包括：
第一计算单元，用于根据所述第一字符串的第一长度和所述第二字符串的第二长度，计算匹配窗口值；
第二计算单元，用于基于所述比对矩阵和所述匹配窗口值，计算匹配字符数和匹配字符换位数；
第三计算单元，用于根据所述第一长度、所述第二长度、所述匹配字符数以及所述匹配字符换位数，计算字符串相似度；
比对单元，用于确定所述第一字符串和所述第二字符串的公共前缀长度，并根据所述公共前缀长度和所述字符串相似度计算匹配度，将所述匹配度作为所述稽核结果。
在一些可选的实现方式中，数据提取与稽核装置400还包括填写模块，用于在所述业务数据表中增加稽核状态字段，并将稽核结果填充至所述稽核状态字段处。
通过对目标业务数据值与稽核数据值进行比对，能够提高比对的效率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有组件51-53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如数据提取与稽核方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行所述数据提取与稽核方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例数据提取与稽核方法的步骤，通过RPA技术将多业务系统数据打通，自动获取目标原始业务数据，并对目标原始业务数据进行识别提取，提高业务数据的识别准确率；通过对提取的待处理业务数据进行结构化处理，能够实现数据格式的统一性加工，打破数据割裂；根据预设的比对规则对目标业务数据和稽核数据进行比对，实现了数据的智能化稽核，从而提升整个流程各个环节的准确性，提高稽核效率和准确率；此外，统一的数据流通道，使整个业务流程数据贯通透明，提高管理安全性以及业务审核追溯的效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的数据提取与稽核方法的步骤，通过RPA技术将多业务系统数据打通，自动获取目标原始业务数据，并对目标原始业务数据进行识别提取，提高业务数据的识别准确率；通过对提取的待处理业务数据进行结构化处理，能够实现数据格式的统一性加工，打破数据割裂；根据预设的比对规则对目标业务数据和稽核数据进行比对，实现了数据的智能化稽核，从而提升整个流程各个环节的准确性，提高稽核效率和准确率；此外，统一的数据流通道，使整个业务流程数据贯通透明，提高管理安全性以及业务审核追溯的效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种数据提取与稽核方法，其特征在于，包括下述步骤：
获取目标原始业务数据，对所述目标原始业务数据进行识别提取，得到待处理业务数据；
对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据；
根据所述目标业务确定稽核字段，获取所述稽核字段对应的稽核数据值；
按照预设的字段映射确定所述结构化目标业务数据中与所述稽核字段对应的目标业务字段；
基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果。
2.根据权利要求1所述的数据提取与稽核方法，其特征在于，所述对所述目标原始业务数据进行识别提取，得到待处理业务数据的步骤包括：
识别所述目标原始业务数据的数据元素，得到元素识别结果，其中，所述数据元素包括图片和文本；
将所述元素识别结果输入训练好的分割模型中进行元素分割，得到图片数据和文本数据；
分别对所述图片数据和所述文本数据进行文字识别，得到待处理业务数据。
3.根据权利要求2所述的数据提取与稽核方法，其特征在于，所述分别对所述图片数据和所述文本数据进行文字识别，得到待处理业务数据的步骤包括：
利用光学字符识别对所述图片数据进行识别，得到第一业务数据；
对所述文本数据进行识别，得到第二业务数据；
将所述第一业务数据和所述第二业务数据进行结合，得到待处理业务数据。
4.根据权利要求1所述的数据提取与稽核方法，其特征在于，所述对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据的步骤包括：
按照预设业务规则确定目标业务字段，根据所述目标业务字段创建业务数据表；
从所述待处理业务数据中获取与所述目标业务字段对应的目标业务数据值；
将所述目标业务数据值填充至所述业务数据表对应的表格位置，得到结构化目标业务数据。
5.根据权利要求1所述的数据提取与稽核方法，其特征在于，所述基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果的步骤包括：
分别构建所述目标业务数据值与所述稽核数据值对应的第一字符串和第二字符串；
根据所述第一字符串和所述第二字符串构建比对矩阵；
根据所述比对矩阵计算得到稽核结果。
6.根据权利要求5所述的数据提取与稽核方法，其特征在于，所述根据所述比对矩阵计算得到稽核结果的步骤包括：
根据所述第一字符串的第一长度和所述第二字符串的第二长度，计算匹配窗口值；
基于所述比对矩阵和所述匹配窗口值，计算匹配字符数和匹配字符换位数；
根据所述第一长度、所述第二长度、所述匹配字符数以及所述匹配字符换位数，计算字符串相似度；
确定所述第一字符串和所述第二字符串的公共前缀长度，并根据所述公共前缀长度和所述字符串相似度计算匹配度，将所述匹配度作为所述稽核结果。
7.根据权利要求4所述的数据提取与稽核方法，其特征在于，在所述得到稽核结果的步骤之后还包括：
在所述业务数据表中增加稽核状态字段，并将稽核结果填充至所述稽核状态字段处。
8.一种数据提取与稽核装置，其特征在于，包括：
获取模块，用于获取目标原始业务数据，对所述目标原始业务数据进行识别提取，得到待处理业务数据；
结构化模块，用于对所述待处理业务数据进行数据结构化处理，获得结构化目标业务数据；
字段确定模块，用于根据所述目标业务确定稽核字段，获取所述稽核字段对应的稽核数据值；
映射模块，用于按照预设的字段映射确定所述结构化目标业务数据中与所述稽核字段对应的目标业务字段；
稽核模块，用于基于预设的比对规则，将所述目标业务字段的目标业务数据值与对应的所述稽核数据值进行比对，得到稽核结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据提取与稽核方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据提取与稽核方法的步骤。
CN202311820690.0A 2023-12-26 2023-12-26 一种数据提取与稽核方法、装置、计算机设备及存储介质 Pending CN118012935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311820690.0A CN118012935A (zh) 2023-12-26 2023-12-26 一种数据提取与稽核方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311820690.0A CN118012935A (zh) 2023-12-26 2023-12-26 一种数据提取与稽核方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN118012935A true CN118012935A (zh) 2024-05-10

Family

ID=90950944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311820690.0A Pending CN118012935A (zh) 2023-12-26 2023-12-26 一种数据提取与稽核方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN118012935A (zh)

Similar Documents

Publication Publication Date Title
CN112685565B (zh) 基于多模态信息融合的文本分类方法、及其相关设备
CN112328761A (zh) 一种意图标签设置方法、装置、计算机设备及存储介质
CN112686243A (zh) 智能识别图片文字的方法、装置、计算机设备及存储介质
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN113569998A (zh) 票据自动识别方法、装置、计算机设备及存储介质
CN115757731A (zh) 对话问句改写方法、装置、计算机设备及存储介质
CN116935449A (zh) 指纹图像匹配模型训练方法、指纹匹配方法及相关介质
CN112801099A (zh) 一种图像处理方法、装置、终端设备及介质
CN117195886A (zh) 基于人工智能的文本数据处理方法、装置、设备及介质
CN112182157A (zh) 在线序列标注模型的训练方法、在线标注方法及相关设备
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN116127100A (zh) 一种知识图谱构建方法、装置、设备及其存储介质
CN116166858A (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备
CN115238009A (zh) 基于血缘分析的元数据管理方法、装置、设备及存储介质
CN118012935A (zh) 一种数据提取与稽核方法、装置、计算机设备及存储介质
CN113609833A (zh) 文件的动态生成方法、装置、计算机设备及存储介质
CN112395450A (zh) 图片文字检测方法、装置、计算机设备及存储介质
CN114647733B (zh) 一种问答语料评估方法、装置、计算机设备及存储介质
CN116702751A (zh) 基于人工智能的公式处理方法、装置、设备及存储介质
CN117076595A (zh) 基于人工智能的文本处理方法、装置、设备及存储介质
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN115952295A (zh) 基于图像的实体关系标注模型处理方法及其相关设备
CN115826973A (zh) 列表页面的生成方法、装置、计算机设备及存储介质

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