WO2022048211A1 - 文档目录生成方法、装置、电子设备及可读存储介质 - Google Patents

文档目录生成方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
WO2022048211A1
WO2022048211A1 PCT/CN2021/097070 CN2021097070W WO2022048211A1 WO 2022048211 A1 WO2022048211 A1 WO 2022048211A1 CN 2021097070 W CN2021097070 W CN 2021097070W WO 2022048211 A1 WO2022048211 A1 WO 2022048211A1
Authority
WO
WIPO (PCT)
Prior art keywords
text
text box
title
document
structure category
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.)
Ceased
Application number
PCT/CN2021/097070
Other languages
English (en)
French (fr)
Inventor
刘玉
徐国强
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
Publication of WO2022048211A1 publication Critical patent/WO2022048211A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F40/151—Transformation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • the present application relates to the field of data processing, and in particular, to a method, apparatus, electronic device and readable storage medium for generating a document directory.
  • paragraph information is usually read to determine the file structure, and then the directory information is determined according to the file structure.
  • the inventor realized that this method is inefficient for generating directory information, and when there are multiple levels of headings in the file, the existing method cannot Extract catalog information accurately and completely. Therefore, there is an urgent need for a document catalog generation method to improve the efficiency of document catalog generation and ensure the accuracy and integrity of catalog information extraction.
  • the document directory generation method provided by this application includes:
  • the plurality of first text box sets are input into the structure category recognition model, the structure category information of each text box in the first text box set is obtained, and the plurality of first text boxes of the document to be processed are determined according to the structure category information.
  • the present application also provides an apparatus for generating a document catalog, the apparatus comprising:
  • an acquisition module used for responding to a user's request for generating a document catalog based on a client, parsing the request, and acquiring the document to be processed in the request;
  • the grouping module is used to convert the document to be processed into a picture format document, perform OCR identification on the picture format document to obtain a plurality of first text boxes, and perform grouping processing on the plurality of first text boxes to obtain a plurality of first text boxes.
  • a determination module configured to input the plurality of first text box sets into the structure category recognition model, obtain the structure category information of each text box in the first text box set, and determine the to-be-processed according to the structure category information multiple first titles of the document;
  • the generating module is used to input the plurality of first titles into the title grade recognition model, obtain the grade information of each first title in the plurality of first titles, and generate a table of contents for the to-be-processed document according to the grade information information.
  • the present application also provides an electronic device, the electronic device comprising:
  • the memory stores a document catalog generation program executable by the at least one processor, the document catalog generation program being executed by the at least one processor to enable the at least one processor to perform the following steps:
  • the plurality of first text box sets are input into the structure category recognition model, the structure category information of each text box in the first text box set is obtained, and the plurality of first text boxes of the document to be processed are determined according to the structure category information.
  • the present application also provides a computer-readable storage medium, where a document directory generation program is stored on the computer-readable storage medium, and the document directory generation program can be executed by one or more processors to implement the following steps:
  • the plurality of first text box sets are input into the structure category recognition model, the structure category information of each text box in the first text box set is obtained, and the plurality of first text boxes of the document to be processed are determined according to the structure category information.
  • FIG. 1 is a schematic flowchart of a method for generating a document directory according to an embodiment of the present application
  • FIG. 2 is a schematic block diagram of a document directory generation device provided by an embodiment of the present application.
  • FIG. 3 is a schematic structural diagram of an electronic device implementing a method for generating a document directory according to an embodiment of the present application
  • the present application provides a method for generating a document directory.
  • FIG. 1 a schematic flowchart of a method for generating a document directory according to an embodiment of the present application is shown. The method may be performed by an electronic device, which may be implemented by software and/or hardware.
  • the document directory generation method includes:
  • the format of the document to be processed includes PDF format, doc format, and paper format
  • the conversion of the document to be processed into a picture format document includes:
  • A1 convert each page document in the document to be processed in the PDF format into a picture, obtain multiple pictures named with the page number, and summarize the multiple pictures to obtain the picture format document;
  • A2 Convert the document to be processed in doc format (or docx format) into a PDF format document, convert the PDF format document into multiple pictures named by page numbers, and summarize the multiple pictures to obtain a picture format document;
  • the OCR recognition technology is used to perform text recognition on the to-be-processed document in the image format, which can identify multiple text boxes included in each picture, the text information in each text box, and each text box in the corresponding picture. coordinates in .
  • the performing a grouping process on the plurality of first text boxes to obtain a plurality of first text box sets includes:
  • each page of pictures corresponds to at least 15 text boxes arranged from top to bottom.
  • the existing sequence model cannot model so much data at one time (the input length of most sequence models is 512.
  • the input text length is greater than 512, the input text needs to be split), and the text box is divided into pre- Setting one or more text box sets with a number (for example, 10) of text boxes can avoid information overflow when inputting into the model, and ensure the accuracy of subsequent text structure category and title level recognition.
  • the structure category recognition model is a trained LayoutLM model, which is used to identify the structure category of each text box in the first text box set (the structure category includes: centered title, hierarchical title, and text), according to the structure
  • the category can determine a plurality of titles (including centered titles and hierarchical titles) of the document to be processed, but cannot distinguish the hierarchical titles into several levels of hierarchical titles.
  • the LayoutLM model is a general document pre-training model that models document structure information and visual information.
  • the positional relationship of text in a document contains rich semantic information. For example, a centered title is usually located in the middle of the first line of a document; Semantic information is also reflected in the visual information presented, for example, the graded headings of an article are usually enlarged and bolded, and the names of special concepts are presented in italics.
  • the determination process of the structure category identification model includes:
  • the inputting the second text box set into the first LayoutLM model includes:
  • the sentence starter is represented by CLS
  • the connector is represented by SEP
  • the second text sequence is CLS,W11,W12,...,W1n 1 ,SEP,W21 ,W22,...,W2n 2 ,SEP,...,SEP,W101,W102,...,W10n 10 ,SEP.
  • Wij represents the j-th text in the ith text box in the second text box set
  • ni represents the total number of text in the ith text box in the second text box set.
  • the output of the same length will be obtained, and the structure category output by the SEP behind each text box is the structure category of the text box.
  • the calculation formula of the first loss value is:
  • q mn is the predicted structure category of the n-th text box in the m-th second text box set
  • p mn is the real structure category of the n-th text box in the m-th second text box set
  • loss(q mn ,p mn ) is the first loss value between the predicted structure category and the real structure category of the n-th text box in the m-th second text box set
  • c is the total value of the text boxes in the m-th second text box set
  • Quantity t is the total number of structural categories (in this embodiment, the total number of structural categories is 3, including: centered title, hierarchical title, and text).
  • the title level identification model is also a trained LayoutLM model, which is used to identify the hierarchical titles of several levels (for example, a first-level title, a second-level title, a third-level title).
  • the title level recognition model and the text structure category recognition model in this application have different input samples, different training objectives, and different model parameters obtained by training.
  • more detailed catalog information can be created after identifying the centered title and the hierarchical titles at all levels, and the user can determine the overall layout of the document according to the catalog information, and quickly locate the part he is interested in.
  • the purpose of not combining the text structure category recognition model and the title level recognition model as one model to perform text structure category recognition and title level recognition is: for a document with a large amount of data, the text box obtained after OCR identification Due to the large number, the LayoutLM model cannot input all text boxes at one time, so the text boxes are grouped to obtain multiple text box sets.
  • a text box set is There may be only one text box corresponding to the graded title, or there may not be a text box corresponding to the graded title, and the identification of the grade of the graded title needs to pay attention to the context information, so it is impossible to determine the specific level of the graded title according to a set of text boxes.
  • a model to identify structural categories and heading grades would make heading grade recognition less accurate.
  • a plurality of first titles are obtained through the structure category identification model. Since the number of first titles is not too large, the title level identification model can be input at one time, and the context information is completely preserved, ensuring the high level of the title level identification model. accuracy.
  • the determination process of the title level identification model includes:
  • q uv is the predicted title level of the v-th second title of the u-th second picture sample
  • p uv is the real title level of the v-th second title of the u-th second picture sample
  • loss(q uv ,p uv ) is the second loss value between the predicted title level of the vth second title of the uth second picture sample and the real title level
  • h is the second title of the uth second picture sample.
  • the total number, g is the total number of title levels (in this embodiment, the total number of title levels is 8, including: first-level titles, second-level titles, ..., eighth-level titles).
  • the document to be processed is converted into a document in a picture format, and the text recognition is performed on the document in the picture format to obtain a plurality of first text boxes, and a plurality of first text boxes are created for each first text box.
  • the structure category of the frame based on the structure category to determine a plurality of first titles of the document to be processed, this step can completely obtain each first title of the document to be processed; finally, the multiple first titles are input into the title level identification at one time
  • the model retains the context information, improves the recognition accuracy of the title level, and then generates the directory information according to the level information, so that the generation efficiency of the directory information is high. Therefore, the present application improves the efficiency of document catalog generation, and ensures the accuracy and completeness of catalog information extraction.
  • FIG. 2 it is a schematic diagram of a module of an apparatus for generating a document directory according to an embodiment of the present application.
  • the document directory generating apparatus 100 described in this application may be installed in an electronic device. According to the implemented functions, the document directory generating apparatus 100 may include an acquiring module 110 , a grouping module 120 , a determining module 130 and a generating module 140 .
  • the modules described in this application may also be referred to as units, which refer to a series of computer program segments that can be executed by the processor of an electronic device and can perform fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • an obtaining module 110 configured to respond to a document directory generation request sent by a user based on a client, parse the request, and obtain the pending document in the request;
  • the grouping module 120 is configured to convert the document to be processed into a picture format document, perform OCR identification on the picture format document to obtain a plurality of first text boxes, and perform grouping processing on the plurality of first text boxes to obtain a plurality of first text boxes.
  • the first textbox collection is configured to convert the document to be processed into a picture format document, perform OCR identification on the picture format document to obtain a plurality of first text boxes, and perform grouping processing on the plurality of first text boxes to obtain a plurality of first text boxes.
  • the first textbox collection is configured to convert the document to be processed into a picture format document, perform OCR identification on the picture format document to obtain a plurality of first text boxes, and perform grouping processing on the plurality of first text boxes to obtain a plurality of first text boxes.
  • the format of the document to be processed includes PDF format, doc format, and paper format
  • the conversion of the document to be processed into a picture format document includes:
  • A1 convert each page document in the PDF format document to be processed into a picture, obtain multiple pictures named with page numbers, and summarize the multiple pictures to obtain a picture format document;
  • A2 Convert the document to be processed in doc format (or docx format) into a PDF format document, convert the PDF format document into multiple pictures named by page numbers, and summarize the multiple pictures to obtain a picture format document;
  • the OCR recognition technology is used to perform text recognition on the to-be-processed document in the image format, which can identify multiple text boxes included in each picture, the text information in each text box, and each text box in the corresponding picture. coordinates in .
  • the performing a grouping process on the plurality of first text boxes to obtain a plurality of first text box sets includes:
  • each page of pictures corresponds to at least 15 text boxes arranged from top to bottom.
  • the existing sequence model cannot model so much data at one time (the input length of most sequence models is 512.
  • the input text length is greater than 512, the input text needs to be split), and the text box is divided into pre- Setting one or more text box sets with a number (for example, 10) of text boxes can avoid information overflow when inputting into the model, and ensure the accuracy of subsequent text structure category and title level recognition.
  • the determining module 130 is configured to input the plurality of first text box sets into the structure category recognition model, obtain the structure category information of each text box in the first text box set, and determine the to-be-to-be-category information according to the structure category information. Handle multiple first headings of the document.
  • the structure category recognition model is a trained LayoutLM model, which is used to identify the structure category of each text box in the first text box set (the structure category includes: centered title, hierarchical title, and text), according to the structure
  • the category can determine a plurality of titles (including centered titles and hierarchical titles) of the document to be processed, but cannot distinguish the hierarchical titles into several levels of hierarchical titles.
  • the LayoutLM model is a general document pre-training model that models document structure information and visual information.
  • the positional relationship of text in a document contains rich semantic information. For example, a centered title is usually located in the middle of the first line of a document; Semantic information is also reflected in the visual information presented, for example, the graded headings of an article are usually enlarged and bolded, and the names of special concepts are presented in italics.
  • the determination process of the structure category identification model includes:
  • the inputting the second text box set into the first LayoutLM model includes:
  • the sentence starter is represented by CLS
  • the connector is represented by SEP
  • the second text sequence is CLS,W11,W12,...,W1n 1 ,SEP,W21 ,W22,...,W2n 2 ,SEP,...,SEP,W101,W102,...,W10n 10 ,SEP.
  • Wij represents the j-th text in the ith text box in the second text box set
  • ni represents the total number of text in the ith text box in the second text box set.
  • the output of the same length will be obtained, and the structure category output by the SEP behind each text box is the structure category of the text box.
  • the calculation formula of the first loss value is:
  • q mn is the predicted structure category of the n-th text box in the m-th second text box set
  • p mn is the real structure category of the n-th text box in the m-th second text box set
  • loss(q mn ,p mn ) is the first loss value between the predicted structure category and the real structure category of the n-th text box in the m-th second text box set
  • c is the total value of the text boxes in the m-th second text box set
  • Quantity t is the total number of structural categories (in this embodiment, the total number of structural categories is 3, including: centered title, hierarchical title, and text).
  • the generating module 140 is configured to input the plurality of first titles into the title grade recognition model, obtain the grade information of each first title in the plurality of first titles, and generate the document to be processed according to the grade information Directory information.
  • the title level identification model is also a trained LayoutLM model, which is used to identify the hierarchical titles of several levels (for example, a first-level title, a second-level title, a third-level title).
  • the input samples of the title level recognition model and the text structure category recognition model are different, the training targets are different, and the model parameters obtained by training are also different.
  • more detailed catalog information can be created after identifying the centered title and the hierarchical titles at all levels, and the user can determine the overall layout of the document according to the catalog information, and quickly locate the part he is interested in.
  • the purpose of not combining the text structure category recognition model and the title level recognition model as one model to perform text structure category recognition and title level recognition is: for a document with a large amount of data, the text box obtained after OCR identification Due to the large number, the LayoutLM model cannot input all text boxes at one time, so the text boxes are grouped to obtain multiple text box sets.
  • a text box set is There may be only one text box corresponding to the graded title, or there may not be a text box corresponding to the graded title, and the identification of the grade of the graded title needs to pay attention to the context information, so it is impossible to determine the specific level of the graded title according to a set of text boxes.
  • a model to identify structural categories and heading grades would make heading grade recognition less accurate.
  • a plurality of first titles are obtained through the structure category identification model. Since the number of first titles is not too large, the title level identification model can be input at one time, and the context information is completely preserved, ensuring the high level of the title level identification model. accuracy.
  • the determination process of the title level identification model includes:
  • q uv is the predicted title level of the v-th second title of the u-th second picture sample
  • p uv is the real title level of the v-th second title of the u-th second picture sample
  • loss(q uv ,p uv ) is the second loss value between the predicted title level of the vth second title of the uth second picture sample and the real title level
  • h is the second title of the uth second picture sample.
  • the total number, g is the total number of title levels (in this embodiment, the total number of title levels is 8, including: first-level titles, second-level titles, ..., eighth-level titles).
  • FIG. 3 it is a schematic structural diagram of an electronic device implementing a method for generating a document directory according to an embodiment of the present application.
  • the electronic device 1 is a device that can automatically perform numerical calculation and/or information processing according to pre-set or stored instructions.
  • the electronic device 1 may be a computer, a single network server, a server group composed of multiple network servers, or a cloud composed of a large number of hosts or network servers based on cloud computing, where cloud computing is a type of distributed computing, A super virtual computer consisting of a collection of loosely coupled computers.
  • the electronic device 1 includes, but is not limited to, a memory 11, a processor 12, and a network interface 13 that can be communicatively connected to each other through a system bus, and the memory 11 stores a document catalog generation program 10, the document catalog The generation program 10 is executable by the processor 12 .
  • FIG. 3 only shows the electronic device 1 having the components 11-13 and the document directory generation program 10. Those skilled in the art can understand that the structure shown in FIG. 3 does not constitute a limitation on the electronic device 1, and may include more Fewer or more components are shown, or some components are combined, or a different arrangement of components.
  • the memory 11 includes a memory and at least one type of readable storage medium.
  • the memory provides a cache for the operation of the electronic device 1;
  • the readable storage medium can be, for example, flash memory, hard disk, multimedia card, card-type memory (for example, SD or DX memory, etc.), random access memory (RAM), static random access memory (SRAM) ), read only memory (ROM), electrically erasable programmable read only memory (EEPROM), programmable read only memory (PROM), magnetic memory, magnetic disk, optical disk, etc. non-volatile storage media.
  • the readable storage medium may be an internal storage unit of the electronic device 1, such as a hard disk of the electronic device 1; in other embodiments, the non-volatile storage medium may also be an external storage unit of the electronic device 1
  • a storage device such as a pluggable hard disk, a smart memory card (Smart Media Card, SMC), a secure digital (Secure Digital, SD) card, a flash memory card (Flash Card), etc. equipped on the electronic device 1.
  • the readable storage medium of the memory 11 is generally used to store the operating system and various application software installed in the electronic device 1 , for example, to store the code of the document directory generation program 10 in an embodiment of the present application.
  • the memory 11 can also be used to temporarily store various types of data that have been output or will be output.
  • the processor 12 may be a central processing unit (Central Processing Unit, CPU), a controller, a microcontroller, a microprocessor, or other data processing chips.
  • the processor 12 is generally used to control the overall operation of the electronic device 1, such as performing control and processing related to data interaction or communication with other devices.
  • the processor 12 is configured to run the program code or process data stored in the memory 11, for example, run the document directory generation program 10 and the like.
  • the network interface 13 may include a wireless network interface or a wired network interface, and the network interface 13 is used to establish a communication connection between the electronic device 1 and a client (not shown in the figure).
  • the electronic device 1 may further include a user interface, and the user interface may include a display (Display), an input unit such as a keyboard (Keyboard), and an optional user interface may also include a standard wired interface and a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light-emitting diode) touch device, and the like.
  • the display may also be appropriately called a display screen or a display unit, which is used for displaying information processed in the electronic device 1 and for displaying a visualized user interface.
  • the document directory generation program 10 stored in the memory 11 in the electronic device 1 is a combination of multiple instructions, and when running in the processor 12, can realize:
  • the plurality of first text box sets are input into the structure category recognition model, the structure category information of each text box in the first text box set is obtained, and the plurality of first text boxes of the document to be processed are determined according to the structure category information.
  • the above-mentioned document directory generation program 10 by the processor 12, reference may be made to the description of the relevant steps in the embodiment corresponding to FIG. 1, and details are not described herein. It should be emphasized that, in order to further ensure the privacy and security of the above-mentioned documents to be processed, the above-mentioned documents to be processed may also be stored in a node of a blockchain.
  • the modules/units integrated in the electronic device 1 may be stored in a computer-readable storage medium.
  • the computer-readable storage medium may be non-volatile or non-volatile.
  • the computer-readable storage medium may include: any entity or device capable of carrying the computer program code, a recording medium, a U disk, a removable hard disk, a magnetic disk, an optical disk, a computer memory, a read-only memory (ROM, Read-Only Memory) ).
  • the computer-readable storage medium stores a document catalog generation program 10, and the document catalog generation program 10 can be executed by one or more processors to realize the following steps:
  • the plurality of first text box sets are input into the structure category recognition model, the structure category information of each text box in the first text box set is obtained, and the plurality of first text boxes of the document to be processed are determined according to the structure category information.
  • modules described as separate components may or may not be physically separated, and components shown as modules may or may not be physical units, that is, may be located in one place, or may be distributed to multiple network units. Some or all of the modules may be selected according to actual needs to achieve the purpose of the solution in this embodiment.
  • each functional module in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically alone, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units can be implemented in the form of hardware, or can be implemented in the form of hardware plus software function modules.
  • the blockchain referred to in this application is a new application mode of computer technologies such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information to verify its Validity of information (anti-counterfeiting) and generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Character Input (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Character Discrimination (AREA)

Abstract

一种文档目录生成方法，涉及数据处理，该方法包括：将待处理文档转换为图片格式文档，对图片格式文档执行OCR识别得到多个第一文本框，对第一文本框执行分组处理得到多个第一文本框集合；将多个第一文本框集合输入结构类别识别模型，得到第一文本框集合中每个文本框的结构类别信息，根据结构类别信息确定待处理文档的多个第一标题；将多个第一标题输入标题等级识别模型，得到每个第一标题的等级信息，根据等级信息为待处理文档生成目录信息。还提供一种文档目录生成装置、电子设备及可读存储介质。可提高文档目录生成效率，保证目录信息提取的准确性、完整性。

Description

文档目录生成方法、装置、电子设备及可读存储介质
本申请要求于2020年9月3日提交中国专利局、申请号为CN202010919654.X、名称为“文档目录生成方法、装置、电子设备及可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据处理领域，尤其涉及一种文档目录生成方法、装置、电子设备及可读存储介质。
背景技术
随着信息技术的发展，各个领域每天产生数以万计的文件，且产生出的文件格式众多，例如：PDF格式文件、doc格式文件、纸质文件、图片格式文件，对于数据量较大的文件，我们希望能通过目录信息迅速定位到自己感兴趣的内容，然而，如何生成目录信息呢？
当前，通常分别读取段落信息以确定文件结构，再根据文件结构确定目录信息，发明人意识到这种方式目录信息生成效率低下，且当文件中有多级标题的情况下，现有方法无法准确、完整的将目录信息提取出来。因此，亟需一种文档目录生成方法，以提高文档目录生成效率，保证目录信息提取的准确性、完整性。
发明内容
本申请提供的文档目录生成方法，包括：
响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
本申请还提供一种文档目录生成装置，所述装置包括：
获取模块，用于响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
分组模块，用于将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
确定模块，用于将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
生成模块，用于将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
本申请还提供一种电子设备，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文档目录生成程序，所述文档目录生成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如下步骤：
响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待 处理文档；
将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
本申请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上存储有文档目录生成程序，所述文档目录生成程序可被一个或者多个处理器执行，以实现如下步骤：
响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
附图说明
图1为本申请一实施例提供的文档目录生成方法的流程示意图；
图2为本申请一实施例提供的文档目录生成装置的模块示意图；
图3为本申请一实施例提供的实现文档目录生成方法的电子设备的结构示意图；
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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，在本申请中涉及“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，也不在本申请要求的保护范围之内。
本申请提供一种文档目录生成方法。参照图1所示，为本申请一实施例提供的文档目录生成方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
本实施例中，文档目录生成方法包括：
S1、响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
S2、将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合。
本实施例中，所述待处理文档的格式包括PDF格式、doc格式、纸质格式，所述将所述待处理文档转换为图片格式文档包括：
A1、将PDF格式待处理文档中的每一页文档转换为一张图片，得到以页码命名的多 张图片，汇总所述多张图片得到图片格式文档；
A2、将doc格式(或docx格式)待处理文档转换为PDF格式文档，将PDF格式文档转换为以页码命名的多张图片，汇总所述多张图片得到图片格式文档；
A3、将纸质格式待处理文档按文档顺序拍摄为以页码命名的多张照片，汇总所述多张照片得到图片格式文档。
本实施例中，采用OCR识别技术对图片格式的待处理文档进行文字识别，可识别得到每张图片中包含的多个文本框、每个文本框中的文字信息及每个文本框在对应图片中的坐标。
所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
B1、为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
B2、基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
B3、将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
将OCR识别得到的文本框中位于同一页同一行的文本框合并后，每页图片至少对应从上往下排列的15个文本框，当待处理文档页数较多时，得到的文本框数量较多，现有的序列模型无法一次性建模这么多数据(大部分序列模型的输入长度为512，当输入文字长度大于512时，需要对输入文字进行拆分)，将文本框划分为包含预设数量(例如，10个)文本框的一个或多个文本框集合，可避免信息在输入模型时溢出，保证了后续文本结构类别及标题等级识别的准确性。
S3、将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题。
本实施例中，所述结构类别识别模型为训练好的LayoutLM模型，用于识别第一文本框集合中每个文本框的结构类别(结构类别包括：居中标题、分级标题、正文)，根据结构类别可确定所述待处理文档的多个标题(包括居中标题、分级标题)，但是不能区分分级标题为几级分级标题。
LayoutLM模型是一种通用文档预训练模型，对文档结构信息和视觉信息进行建模，文档中文字的位置关系蕴含着丰富的语义信息，例如，居中标题通常位于文档首行正中位置；文字格式所呈现的视觉信息也体现了语义信息，例如，文章的分级标题通常会放大加粗呈现，特殊概念名称会以斜体呈现。
本实施例中，所述结构类别识别模型的确定过程包括：
C1、对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框，对所述多个第二文本框执行分组处理得到多个第二文本框集合；
C2、将所述第二文本框集合输入第一LayoutLM模型，得到所述第二文本框集合中每个文本框的预测结构类别；
C3、基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别，通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数，得到结构类别识别模型。
所述将所述第二文本框集合输入第一LayoutLM模型包括：
D1、基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接，得到第一文本序列；
D2、在所述第一文本序列的开头增加句首符，在所述第一文本序列的结尾增加连接符，得到第二文本序列，将所述第二文本序列输入第一LayoutLM模型。
假设第二文本框集合中包括10个文本框，本实施例中句首符用CLS表示，连接符用SEP表示，则第二文本序列为 CLS,W11,W12,…,W1n 1,SEP,W21,W22,…,W2n 2,SEP,…,SEP,W101,W102,…,W10n 10,SEP。其中Wij表示第二文本框集合中第i个文本框的第j个文字，n i表示第二文本框集合中第i个文本框中文字的总数量。
当输入经过LayoutLM模型后，会得到相同长度的输出，每个文本框后面的SEP所输出的结构类别即为该文本框的结构类别。
所述第一损失值的计算公式为：
Figure PCTCN2021097070-appb-000001
其中，q mn为第m个第二文本框集合中第n个文本框的预测结构类别，p mn为第m个第二文本框集合中第n个文本框的真实结构类别，loss(q mn,p mn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值，c为第m个第二文本框集合中文本框的总数量，t为结构类别的总数量(本实施例中，结构类别的总数量为3，包括：居中标题、分级标题、正文)。
S4、将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
本实施例中，所述标题等级识别模型也为训练好的LayoutLM模型，用于识别分级标题为几级分级标题(例如，一级标题、二级标题、三级标题…)。本申请中标题等级识别模型与文本结构类别识别模型输入的样本不同，训练目标不同，训练得到的模型参数也不同。
本实施例在识别得到居中标题和各级分级标题后即可创建出较为详细的目录信息，用户根据目录信息可确定文档的整体布局，快速定位自己感兴趣的部分。
本实施例中，不将文本结构类别识别模型和标题等级识别模型结合在一起作为一个模型进行文本结构类别识别和标题等级识别的目的在于：对于大数据量的文档，OCR识别后得到的文本框数量较多，LayoutLM模型无法一次性将所有文本框输入，所以将文本框进行分组，得到多个文本框集合，然而因居中标题和分级标题在一个文档中的数量比较稀少，一个文本框集合中可能只有一个文本框对应分级标题，也可能没有一个文本框对应分级标题，而分级标题的等级的识别需要关注上下文信息，故而无法根据一个文本框集合来确定分级标题具体为几级分级标题，采用一个模型来识别结构类别和标题等级会使标题等级识别准确度不够高。本实施例通过结构类别识别模型得到多个第一标题，因第一标题的数量不会太多，可一次性输入标题等级识别模型，完整的保留了上下文信息，保证了标题等级识别模型的高准确性。
所述标题等级识别模型的确定过程包括：
E1、对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框，对所述多个第三文本框执行分组处理得到多个第三文本框集合；
E2、将所述第三文本框集合输入文本结构类别识别模型，得到所述第三文本框集合中每个文本框的预测结构类别，基于所述预测结构类别得到所述第二图片样本对应的多个第二标题；
E3、将所述多个第二标题输入第二LayoutLM模型，得到每个第二标题对应的预测标题等级，基于所述标题等级标注信息确定每个第二标题的真实标题等级，通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数，得到标题等级识别模型。
所述第二损失值的计算公式为：
Figure PCTCN2021097070-appb-000002
其中，q uv为第u个第二图片样本的第v个第二标题的预测标题等级，p uv为第u个第二图片样本的第v个第二标题的真实标题等级，loss(q uv,p uv)为第u个第二图片样本的第 v个第二标题的的预测标题等级和真实标题等级之间的第二损失值，h为第u个第二图片样本的第二标题的总数量，g为标题等级的总数量(本实施例中，标题等级的总数量为8，包括：一级标题、二级标题、…、八级标题)。
由上述实施例可知，本申请提出的文档目录生成方法，首先，将待处理文档转换为图片格式文档，对图片格式文档执行文字识别得到多个第一文本框，为每个第一文本框建立一个三元数组，基于三元数组对第一文本框进行分组得到多个第一文本框集合，本步骤实现了将不同格式的文档统一转换为第一文本框，并分组得到多个第一文本框集合，使得每个第一文本框集合的数据量适中，可避免后续在将数据输入模型时溢出，保证了信息完整性；接着，将第一文本框集合输入结构类别识别模型得到每个文本框的结构类别，基于结构类别确定待处理文档的多个第一标题，本步骤可完整获取待处理文档的每个第一标题；最后，将所述多个第一标题一次性输入标题等级识别模型，保留了上下文信息，提高了标题等级的识别准确率，再根据等级信息即可生成目录信息，使得目录信息生成效率较高。故而，本申请提高了文档目录生成效率，保证了目录信息提取的准确性、完整性。
如图2所示，为本申请一实施例提供的文档目录生成装置的模块示意图。
本申请所述文档目录生成装置100可以安装于电子设备中。根据实现的功能，所述文档目录生成装置100可以包括获取模块110、分组模块120、确定模块130及生成模块140。本申请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：
获取模块110，用于响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
分组模块120，用于将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合。
本实施例中，所述待处理文档的格式包括PDF格式、doc格式、纸质格式，所述将所述待处理文档转换为图片格式文档包括：
A1、将PDF格式待处理文档中的每一页文档转换为一张图片，得到以页码命名的多张图片，汇总所述多张图片得到图片格式文档；
A2、将doc格式(或docx格式)待处理文档转换为PDF格式文档，将PDF格式文档转换为以页码命名的多张图片，汇总所述多张图片得到图片格式文档；
A3、将纸质格式待处理文档按文档顺序拍摄为以页码命名的多张照片，汇总所述多张照片得到图片格式文档。
本实施例中，采用OCR识别技术对图片格式的待处理文档进行文字识别，可识别得到每张图片中包含的多个文本框、每个文本框中的文字信息及每个文本框在对应图片中的坐标。
所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
B1、为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
B2、基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
B3、将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
将OCR识别得到的文本框中位于同一页同一行的文本框合并后，每页图片至少对应从上往下排列的15个文本框，当待处理文档页数较多时，得到的文本框数量较多，现有的序列模型无法一次性建模这么多数据(大部分序列模型的输入长度为512，当输入文字长度大于512时，需要对输入文字进行拆分)，将文本框划分为包含预设数量(例如，10 个)文本框的一个或多个文本框集合，可避免信息在输入模型时溢出，保证了后续文本结构类别及标题等级识别的准确性。
确定模块130，用于将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题。
本实施例中，所述结构类别识别模型为训练好的LayoutLM模型，用于识别第一文本框集合中每个文本框的结构类别(结构类别包括：居中标题、分级标题、正文)，根据结构类别可确定所述待处理文档的多个标题(包括居中标题、分级标题)，但是不能区分分级标题为几级分级标题。
LayoutLM模型是一种通用文档预训练模型，对文档结构信息和视觉信息进行建模，文档中文字的位置关系蕴含着丰富的语义信息，例如，居中标题通常位于文档首行正中位置；文字格式所呈现的视觉信息也体现了语义信息，例如，文章的分级标题通常会放大加粗呈现，特殊概念名称会以斜体呈现。
本实施例中，所述结构类别识别模型的确定过程包括：
C1、对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框，对所述多个第二文本框执行分组处理得到多个第二文本框集合；
C2、将所述第二文本框集合输入第一LayoutLM模型，得到所述第二文本框集合中每个文本框的预测结构类别；
C3、基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别，通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数，得到结构类别识别模型。
所述将所述第二文本框集合输入第一LayoutLM模型包括：
D1、基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接，得到第一文本序列；
D2、在所述第一文本序列的开头增加句首符，在所述第一文本序列的结尾增加连接符，得到第二文本序列，将所述第二文本序列输入第一LayoutLM模型。
假设第二文本框集合中包括10个文本框，本实施例中句首符用CLS表示，连接符用SEP表示，则第二文本序列为CLS,W11,W12,…,W1n 1,SEP,W21,W22,…,W2n 2,SEP,…,SEP,W101,W102,…,W10n 10,SEP。其中Wij表示第二文本框集合中第i个文本框的第j个文字，n i表示第二文本框集合中第i个文本框中文字的总数量。
当输入经过LayoutLM模型后，会得到相同长度的输出，每个文本框后面的SEP所输出的结构类别即为该文本框的结构类别。
所述第一损失值的计算公式为：
Figure PCTCN2021097070-appb-000003
其中，q mn为第m个第二文本框集合中第n个文本框的预测结构类别，p mn为第m个第二文本框集合中第n个文本框的真实结构类别，loss(q mn,p mn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值，c为第m个第二文本框集合中文本框的总数量，t为结构类别的总数量(本实施例中，结构类别的总数量为3，包括：居中标题、分级标题、正文)。
生成模块140，用于将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
本实施例中，所述标题等级识别模型也为训练好的LayoutLM模型，用于识别分级标题为几级分级标题(例如，一级标题、二级标题、三级标题…)。本申请中标题等级识别 模型与文本结构类别识别模型输入的样本不同，训练目标不同，训练得到的模型参数也不同。
本实施例在识别得到居中标题和各级分级标题后即可创建出较为详细的目录信息，用户根据目录信息可确定文档的整体布局，快速定位自己感兴趣的部分。
本实施例中，不将文本结构类别识别模型和标题等级识别模型结合在一起作为一个模型进行文本结构类别识别和标题等级识别的目的在于：对于大数据量的文档，OCR识别后得到的文本框数量较多，LayoutLM模型无法一次性将所有文本框输入，所以将文本框进行分组，得到多个文本框集合，然而因居中标题和分级标题在一个文档中的数量比较稀少，一个文本框集合中可能只有一个文本框对应分级标题，也可能没有一个文本框对应分级标题，而分级标题的等级的识别需要关注上下文信息，故而无法根据一个文本框集合来确定分级标题具体为几级分级标题，采用一个模型来识别结构类别和标题等级会使标题等级识别准确度不够高。本实施例通过结构类别识别模型得到多个第一标题，因第一标题的数量不会太多，可一次性输入标题等级识别模型，完整的保留了上下文信息，保证了标题等级识别模型的高准确性。
所述标题等级识别模型的确定过程包括：
E1、对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框，对所述多个第三文本框执行分组处理得到多个第三文本框集合；
E2、将所述第三文本框集合输入文本结构类别识别模型，得到所述第三文本框集合中每个文本框的预测结构类别，基于所述预测结构类别得到所述第二图片样本对应的多个第二标题；
E3、将所述多个第二标题输入第二LayoutLM模型，得到每个第二标题对应的预测标题等级，基于所述标题等级标注信息确定每个第二标题的真实标题等级，通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数，得到标题等级识别模型。
所述第二损失值的计算公式为：
Figure PCTCN2021097070-appb-000004
其中，q uv为第u个第二图片样本的第v个第二标题的预测标题等级，p uv为第u个第二图片样本的第v个第二标题的真实标题等级，loss(q uv,p uv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值，h为第u个第二图片样本的第二标题的总数量，g为标题等级的总数量(本实施例中，标题等级的总数量为8，包括：一级标题、二级标题、…、八级标题)。
如图3所示，为本申请一实施例提供的实现文档目录生成方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有文档目录生成程序10，所述文档目录生成程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及文档目录生成程序10的电子设备1，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电子设备1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。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运 行提供缓存；可读存储介质可为如闪存、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、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1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(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本申请一实施例中的文档目录生成程序10的代码等。此外，存储器11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。
处理器12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12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行文档目录生成程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，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(Organic Light-Emitting Diode，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1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1中的所述存储器11存储的文档目录生成程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
具体地，所述处理器12对上述文档目录生成程序10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。需要强调的是，为进一步保证上述待处理文档的私密和安全性，上述待处理文档还可以存储于一区块链的节点中。
进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是非易失性的，也可以是非易失性的。所述计算机可读存储介质可以包括：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-Only Memory)。
所述计算机可读存储介质上存储有文档目录生成程序10，所述文档目录生成程序10可被一个或者多个处理器执行以实现如下步骤：
响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待 处理文档；
将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
在本申请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。
另外，在本申请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，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请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申请。
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，本申请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申请内。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。
本申请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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种文档目录生成方法，其中，所述方法包括：
    响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
    将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
    将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
    将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
  2. 如权利要求1所述的文档目录生成方法，其中，所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
    为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
    基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
    将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
  3. 如权利要求2所述的文档目录生成方法，其中，所述结构类别识别模型的确定过程包括：
    对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框，对所述多个第二文本框执行分组处理得到多个第二文本框集合；
    将所述第二文本框集合输入第一LayoutLM模型，得到所述第二文本框集合中每个文本框的预测结构类别；
    基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别，通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数，得到结构类别识别模型。
  4. 如权利要求3所述的文档目录生成方法，其中，所述将所述第二文本框集合输入第一LayoutLM模型包括：
    基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接，得到第一文本序列；
    在所述第一文本序列的开头增加句首符，在所述第一文本序列的结尾增加连接符，得到第二文本序列，将所述第二文本序列输入第一LayoutLM模型。
  5. 如权利要求4所述的文档目录生成方法，其中，所述标题等级识别模型的确定过程包括：
    对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框，对所述多个第三文本框执行分组处理得到多个第三文本框集合；
    将所述第三文本框集合输入文本结构类别识别模型，得到所述第三文本框集合中每个文本框的预测结构类别，基于所述预测结构类别得到所述第二图片样本对应的多个第二标题；
    将所述多个第二标题输入第二LayoutLM模型，得到每个第二标题对应的预测标题等级，基于所述标题等级标注信息确定每个第二标题的真实标题等级，通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数，得到标题等级识别模型。
  6. 如权利要求5所述的文档目录生成方法，其中，所述第一损失值的计算公式为：
    Figure PCTCN2021097070-appb-100001
    其中，q mn为第m个第二文本框集合中第n个文本框的预测结构类别，p mn为第m个第二文本框集合中第n个文本框的真实结构类别，loss(q mn,p mn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值，c为第m个第二文本框集合中文本框的总数量，t为结构类别的总数量；
    所述第二损失值的计算公式为：
    Figure PCTCN2021097070-appb-100002
    其中，q uv为第u个第二图片样本的第v个第二标题的预测标题等级，p uv为第u个第二图片样本的第v个第二标题的真实标题等级，loss(q uv,p uv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值，h为第u个第二图片样本的第二标题的总数量，g为标题等级的总数量。
  7. 一种文档目录生成装置，其中，所述装置包括：
    获取模块，用于响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
    分组模块，用于将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
    确定模块，用于将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
    生成模块，用于将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
  8. 如权利要求7所述的文档目录生成装置，其中，所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
    为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
    基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
    将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
  9. 一种电子设备，其中，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文档目录生成程序，所述文档目录生成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如下步骤：
    响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
    将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
    将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
    将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
  10. 如权利要求9所述的电子设备，其中，所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
    为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
    基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
    将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
  11. 如权利要求10所述的电子设备，其中，所述结构类别识别模型的确定过程包括：
    对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框，对所述多个第二文本框执行分组处理得到多个第二文本框集合；
    将所述第二文本框集合输入第一LayoutLM模型，得到所述第二文本框集合中每个文本框的预测结构类别；
    基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别，通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数，得到结构类别识别模型。
  12. 如权利要求11所述的电子设备，其中，所述将所述第二文本框集合输入第一LayoutLM模型包括：
    基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接，得到第一文本序列；
    在所述第一文本序列的开头增加句首符，在所述第一文本序列的结尾增加连接符，得到第二文本序列，将所述第二文本序列输入第一LayoutLM模型。
  13. 如权利要求12所述的电子设备，其中，所述标题等级识别模型的确定过程包括：
    对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框，对所述多个第三文本框执行分组处理得到多个第三文本框集合；
    将所述第三文本框集合输入文本结构类别识别模型，得到所述第三文本框集合中每个文本框的预测结构类别，基于所述预测结构类别得到所述第二图片样本对应的多个第二标题；
    将所述多个第二标题输入第二LayoutLM模型，得到每个第二标题对应的预测标题等级，基于所述标题等级标注信息确定每个第二标题的真实标题等级，通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数，得到标题等级识别模型。
  14. 如权利要求13所述的电子设备，其中，所述第一损失值的计算公式为：
    Figure PCTCN2021097070-appb-100003
    其中，q mn为第m个第二文本框集合中第n个文本框的预测结构类别，p mn为第m个第二文本框集合中第n个文本框的真实结构类别，loss(q mn,p mn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值，c为第m个第二文本框集合中文本框的总数量，t为结构类别的总数量；
    所述第二损失值的计算公式为：
    Figure PCTCN2021097070-appb-100004
    其中，q uv为第u个第二图片样本的第v个第二标题的预测标题等级，p uv为第u个第二图片样本的第v个第二标题的真实标题等级，loss(q uv,p uv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值，h为第u个第二图片样本的第二标题的总数量，g为标题等级的总数量。
  15. 一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有文档目录生成程序，所述文档目录生成程序可被一个或者多个处理器执行，以实现如下步骤：
    响应用户基于客户端发出的文档目录生成请求，解析所述请求，获取所述请求中的待处理文档；
    将所述待处理文档转换为图片格式文档，对所述图片格式文档执行OCR识别得到多个第一文本框，对所述多个第一文本框执行分组处理得到多个第一文本框集合；
    将所述多个第一文本框集合输入结构类别识别模型，得到所述第一文本框集合中每个文本框的结构类别信息，根据所述结构类别信息确定所述待处理文档的多个第一标题；
    将所述多个第一标题输入标题等级识别模型，得到所述多个第一标题中每个第一标题的等级信息，根据所述等级信息为所述待处理文档生成目录信息。
  16. 如权利要求15所述的计算机可读存储介质，其中，所述对所述多个第一文本框执行分组处理得到多个第一文本框集合包括：
    为所述多个第一文本框中的每个第一文本框建立一个三元数组，所述三元数组包括第一文本框所属图片的页码、第一文本框的左上角和右下角坐标、第一文本框中的文字信息；
    基于所述三元数组将位于同一页同一行的第一文本框合并，得到多个行文本框；
    将所述多个行文本框划分为包含预设数量文本框的多个第一文本框集合。
  17. 如权利要求16所述的计算机可读存储介质，其中，所述结构类别识别模型的确定过程包括：
    对携带结构类别标注信息的第一图片样本执行文字识别得到多个第二文本框，对所述多个第二文本框执行分组处理得到多个第二文本框集合；
    将所述第二文本框集合输入第一LayoutLM模型，得到所述第二文本框集合中每个文本框的预测结构类别；
    基于所述结构类别标注信息确定所述第二文本框集合中每个文本框的真实结构类别，通过最小化预测结构类别与真实结构类别之间的第一损失值确定所述第一LayoutLM模型的结构参数，得到结构类别识别模型。
  18. 如权利要求17所述的计算机可读存储介质，其中，所述将所述第二文本框集合输入第一LayoutLM模型包括：
    基于所述三元数组将所述第二文本框集合中的文本框按照位置顺序通过连接符进行连接，得到第一文本序列；
    在所述第一文本序列的开头增加句首符，在所述第一文本序列的结尾增加连接符，得到第二文本序列，将所述第二文本序列输入第一LayoutLM模型。
  19. 如权利要求18所述的计算机可读存储介质，其中，所述标题等级识别模型的确定过程包括：
    对携带标题等级标注信息的第二图片样本执行文字识别得到多个第三文本框，对所述多个第三文本框执行分组处理得到多个第三文本框集合；
    将所述第三文本框集合输入文本结构类别识别模型，得到所述第三文本框集合中每个文本框的预测结构类别，基于所述预测结构类别得到所述第二图片样本对应的多个第二标题；
    将所述多个第二标题输入第二LayoutLM模型，得到每个第二标题对应的预测标题等级，基于所述标题等级标注信息确定每个第二标题的真实标题等级，通过最小化预测标题等级与真实标题等级之间的第二损失值确定所述第二LayoutLM模型的结构参数，得到标题等级识别模型。
  20. 如权利要求19所述的计算机可读存储介质，其中，所述第一损失值的计算公式为：
    Figure PCTCN2021097070-appb-100005
    其中，q mn为第m个第二文本框集合中第n个文本框的预测结构类别，p mn为第m个第二文本框集合中第n个文本框的真实结构类别，loss(q mn,p mn)为第m个第二文本框集合中第n个文本框的预测结构类别和真实结构类别之间的第一损失值，c为第m个第二文本框集合中文本框的总数量，t为结构类别的总数量；
    所述第二损失值的计算公式为：
    Figure PCTCN2021097070-appb-100006
    其中，q uv为第u个第二图片样本的第v个第二标题的预测标题等级，p uv为第u个第二图片样本的第v个第二标题的真实标题等级，loss(q uv,p uv)为第u个第二图片样本的第v个第二标题的的预测标题等级和真实标题等级之间的第二损失值，h为第u个第二图片样本的第二标题的总数量，g为标题等级的总数量。
PCT/CN2021/097070 2020-09-03 2021-05-30 文档目录生成方法、装置、电子设备及可读存储介质 Ceased WO2022048211A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010919654.XA CN112016273B (zh) 2020-09-03 2020-09-03 文档目录生成方法、装置、电子设备及可读存储介质
CN202010919654.X 2020-09-03

Publications (1)

Publication Number Publication Date
WO2022048211A1 true WO2022048211A1 (zh) 2022-03-10

Family

ID=73516883

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/097070 Ceased WO2022048211A1 (zh) 2020-09-03 2021-05-30 文档目录生成方法、装置、电子设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN112016273B (zh)
WO (1) WO2022048211A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882147A (zh) * 2022-03-21 2022-08-09 中国图片社有限责任公司 一种图片元数据处理方法、系统、电子设备和介质
CN115223182A (zh) * 2022-07-14 2022-10-21 河南中原消费金融股份有限公司 一种文档版面识别方法及相关装置
CN116363667A (zh) * 2023-04-26 2023-06-30 公安部信息通信中心 一种聚合文件主题识别与归类系统
CN116740725A (zh) * 2023-06-12 2023-09-12 中国建设银行股份有限公司 数据提取方法、装置、设备、可读存储介质及产品
CN117133003A (zh) * 2023-08-18 2023-11-28 中国平安人寿保险股份有限公司 一种表单图像的表格行重建方法、装置、设备及介质
CN117493712A (zh) * 2023-12-29 2024-02-02 浙江华东工程数字技术有限公司 Pdf文档可导航目录提取方法、装置、电子设备及存储介质
CN119600632A (zh) * 2024-10-25 2025-03-11 暗物智能科技(广州)有限公司 一种试卷智能化切题方法、装置、计算机设备及可读存储介质
CN121031542A (zh) * 2025-10-29 2025-11-28 沐曦集成电路(上海)股份有限公司 一种芯片文档自动化生成系统

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016273B (zh) * 2020-09-03 2024-03-12 平安科技（深圳）有限公司 文档目录生成方法、装置、电子设备及可读存储介质
CN112699923A (zh) * 2020-12-21 2021-04-23 深圳壹账通智能科技有限公司 文档分类预测方法、装置、计算机设备及存储介质
CN112668581B (zh) * 2020-12-29 2025-01-10 北京声智科技有限公司 一种文书标题识别方法和装置
CN112836073A (zh) * 2021-02-02 2021-05-25 嘉应学院 一种历史文献数字化方法、系统、装置及存储介质
CN112860939B (zh) * 2021-02-19 2023-09-26 北京百度网讯科技有限公司 音视频数据处理方法、装置、设备和存储介质
CN113641746B (zh) * 2021-08-20 2024-02-20 科大讯飞股份有限公司 文档结构化方法、装置、电子设备和存储介质
CN113849552B (zh) * 2021-09-27 2024-05-31 中国平安财产保险股份有限公司 结构化数据转换方法、装置、电子设备及介质
CN113920510B (zh) * 2021-09-27 2025-07-18 招银云创信息技术有限公司 文档转换方法、装置、计算机设备和计算机可读存储介质
CN113887422B (zh) * 2021-09-30 2024-05-31 中国平安人寿保险股份有限公司 基于人工智能的表格图片内容提取方法、装置及设备
CN113920570B (zh) * 2021-11-06 2022-06-14 北京九州安华信息安全技术有限公司 基于几何建模的数据处理方法及装置
CN114118070A (zh) * 2021-11-26 2022-03-01 北京百度网讯科技有限公司 文档目录生成方法及装置、电子设备和介质
CN116579308B (zh) * 2023-07-06 2023-10-10 之江实验室 一种演示文稿生成方法及装置
CN117763206B (zh) * 2024-02-20 2024-06-11 暗物智能科技(广州)有限公司 知识树的生成方法、装置、电子设备及存储介质
CN118799908B (zh) * 2024-09-14 2025-01-07 之江实验室 一种文献目录自动识别方法及装置
CN119378539B (zh) * 2024-10-21 2025-10-14 北京百度网讯科技有限公司 文档处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171704A1 (en) * 2017-12-01 2019-06-06 International Business Machines Corporation Heuristic Domain Targeted Table Detection and Extraction Technique
CN110427884A (zh) * 2019-08-01 2019-11-08 达而观信息科技（上海）有限公司 文档篇章结构识别方法、装置、设备和存储介质
CN110852079A (zh) * 2019-10-11 2020-02-28 平安科技（深圳）有限公司 文档目录自动生成方法、装置及计算机可读存储介质
CN112016273A (zh) * 2020-09-03 2020-12-01 平安科技（深圳）有限公司 文档目录生成方法、装置、电子设备及可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9116890B2 (en) * 2004-04-01 2015-08-25 Google Inc. Triggering actions in response to optically or acoustically capturing keywords from a rendered document
CN110263317B (zh) * 2019-06-27 2023-06-02 昆仑数智科技有限责任公司 一种生成文档模板的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171704A1 (en) * 2017-12-01 2019-06-06 International Business Machines Corporation Heuristic Domain Targeted Table Detection and Extraction Technique
CN110427884A (zh) * 2019-08-01 2019-11-08 达而观信息科技（上海）有限公司 文档篇章结构识别方法、装置、设备和存储介质
CN110852079A (zh) * 2019-10-11 2020-02-28 平安科技（深圳）有限公司 文档目录自动生成方法、装置及计算机可读存储介质
CN112016273A (zh) * 2020-09-03 2020-12-01 平安科技（深圳）有限公司 文档目录生成方法、装置、电子设备及可读存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882147A (zh) * 2022-03-21 2022-08-09 中国图片社有限责任公司 一种图片元数据处理方法、系统、电子设备和介质
CN115223182A (zh) * 2022-07-14 2022-10-21 河南中原消费金融股份有限公司 一种文档版面识别方法及相关装置
CN116363667A (zh) * 2023-04-26 2023-06-30 公安部信息通信中心 一种聚合文件主题识别与归类系统
CN116363667B (zh) * 2023-04-26 2023-10-13 公安部信息通信中心 一种聚合文件主题识别与归类系统
CN116740725A (zh) * 2023-06-12 2023-09-12 中国建设银行股份有限公司 数据提取方法、装置、设备、可读存储介质及产品
CN117133003A (zh) * 2023-08-18 2023-11-28 中国平安人寿保险股份有限公司 一种表单图像的表格行重建方法、装置、设备及介质
CN117133003B (zh) * 2023-08-18 2025-09-26 中国平安人寿保险股份有限公司 一种表单图像的表格行重建方法、装置、设备及介质
CN117493712A (zh) * 2023-12-29 2024-02-02 浙江华东工程数字技术有限公司 Pdf文档可导航目录提取方法、装置、电子设备及存储介质
CN119600632A (zh) * 2024-10-25 2025-03-11 暗物智能科技(广州)有限公司 一种试卷智能化切题方法、装置、计算机设备及可读存储介质
CN121031542A (zh) * 2025-10-29 2025-11-28 沐曦集成电路(上海)股份有限公司 一种芯片文档自动化生成系统

Also Published As

Publication number Publication date
CN112016273B (zh) 2024-03-12
CN112016273A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
WO2022048211A1 (zh) 文档目录生成方法、装置、电子设备及可读存储介质
CN112001179B (zh) 命名实体识别方法、装置、电子设备及可读存储介质
WO2021042521A1 (zh) 一种合同自动生成方法、计算机设备及计算机非易失性存储介质
WO2022078308A1 (zh) 裁判文书摘要生成方法、装置、电子设备及可读存储介质
CN112329419A (zh) 文档编辑方法、装置、服务器、终端和存储介质
WO2022116435A1 (zh) 标题生成方法、装置、电子设备及存储介质
WO2022105115A1 (zh) 问答对匹配方法、装置、电子设备及存储介质
EP2923282B1 (en) Segmented graphical review system and method
US9483740B1 (en) Automated data classification
US20130290270A1 (en) Method and system of data extraction from a portable document format file
CN111460131A (zh) 公文摘要提取方法、装置、设备及计算机可读存储介质
CN112597135A (zh) 用户分类方法、装置、电子设备及可读存储介质
US20220350814A1 (en) Intelligent data extraction
US9516089B1 (en) Identifying and processing a number of features identified in a document to determine a type of the document
CN111444368B (zh) 构建用户画像的方法、装置、计算机设备及存储介质
US10936667B2 (en) Indication of search result
US11593417B2 (en) Assigning documents to entities of a database
CN113127574A (zh) 基于知识图谱的业务数据展示方法、系统、设备及介质
CN110851136A (zh) 数据获取方法、装置、电子设备及存储介质
CN111651552A (zh) 结构化信息确定方法、装置和电子设备
US20240153297A1 (en) Zero-shot form entity query framework
CN114168836A (zh) 网页数据分析及可视化方法、装置、电子设备及介质
CN113064984A (zh) 意图识别方法、装置、电子设备及可读存储介质
CN113139145A (zh) 页面生成方法、装置、电子设备及可读存储介质
CN113885984A (zh) 基于图像识别的操作指引生成方法、装置、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21863281

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21863281

Country of ref document: EP

Kind code of ref document: A1