WO2023137906A1 - 文档标题生成方法、装置、设备及存储介质 - Google Patents

文档标题生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2023137906A1
WO2023137906A1 PCT/CN2022/090434 CN2022090434W WO2023137906A1 WO 2023137906 A1 WO2023137906 A1 WO 2023137906A1 CN 2022090434 W CN2022090434 W CN 2022090434W WO 2023137906 A1 WO2023137906 A1 WO 2023137906A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
vector
text
feature
sub
Prior art date
Application number
PCT/CN2022/090434
Other languages
English (en)
French (fr)
Inventor
唐小初
张祎頔
舒畅
陈又新
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2023137906A1 publication Critical patent/WO2023137906A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Definitions

  • the present application relates to the technical field of artificial intelligence, and in particular to a document title generation method, device, electronic equipment and computer-readable storage medium.
  • Visually Rich Document (Visually Rich Document) has become a very common and important file form in people's daily work and life because it contains a large amount of text, layout, and format information.
  • processing such documents such as adding corresponding titles to documents, requires a lot of manpower and time costs.
  • the existing document title generation method usually compares the document to be processed with the existing document with title, and generates a corresponding title for the document to be processed according to the comparison. This method does not take into account the influence of other information in the document except the text content, so the accuracy of generating the title is not high enough.
  • a document title generation method provided by the application including:
  • the original document information includes original text information, original image information and original location information
  • the text feature vector, the image feature and the multidimensional position vector are weighted and added to obtain a final input vector, and the final input vector is input into a transformer encoder model for fusion encoding to obtain a final output feature;
  • a preset decoder module is used to perform feature decoding on the final output feature to obtain a document block including a title.
  • the present application also provides a device for generating a document title, the device comprising:
  • the block division module is used to obtain original document information, the original document information includes original text information, original image information and original position information, and performs block division on the original document information to obtain multiple text sub-information, multiple image sub-information and multiple position sub-information;
  • a feature encoding module configured to input a plurality of the text sub-information into a pre-trained text encoding model for text encoding to obtain a text feature vector, use a preset feature extraction model to extract image features in a plurality of the image sub-information, perform position encoding on a plurality of the position sub-information, and obtain a multidimensional position vector;
  • Fusion coding module for carrying out weighted addition to described text feature vector, described image feature and described multi-dimensional position vector, obtain final input vector, and input described final input vector into transformer encoder model and carry out fusion coding, obtain final output feature;
  • a feature decoding module configured to use a preset decoder module to perform feature decoding on the final output feature to obtain a document block containing a title.
  • the present application also provides an electronic device, the electronic device comprising:
  • the memory stores a computer program executable by the at least one processor, the computer program is executed by the at least one processor, so that the at least one processor can execute the document title generation method as follows:
  • the original document information includes original text information, original image information and original location information
  • the text feature vector, the image feature and the multidimensional position vector are weighted and added to obtain a final input vector, and the final input vector is input into a transformer encoder model for fusion encoding to obtain a final output feature;
  • a preset decoder module is used to perform feature decoding on the final output feature to obtain a document block including a title.
  • the present application also provides a computer-readable storage medium, wherein at least one computer program is stored in the computer-readable storage medium, and the at least one computer program is executed by a processor in an electronic device to realize a method for generating a document title as follows:
  • the original document information includes original text information, original image information and original location information
  • the text feature vector, the image feature and the multidimensional position vector are weighted and added to obtain a final input vector, and the final input vector is input into a transformer encoder model for fusion encoding to obtain a final output feature;
  • a preset decoder module is used to perform feature decoding on the final output feature to obtain a document block including a title.
  • FIG. 1 is a schematic flowchart of a method for generating a document title provided by an embodiment of the present application
  • FIG. 2 is a functional module diagram of a document title generation device provided by an embodiment of the present application.
  • Fig. 3 is a schematic structural diagram of an electronic device implementing the method for generating a document title provided by an embodiment of the present application.
  • An embodiment of the present application provides a method for generating a document title.
  • the subject of execution of the method for generating a document title includes, but is not limited to, at least one of electronic devices such as a server and a terminal that can be configured to execute the method provided by the embodiment of the present application.
  • the method for generating a document title can be executed by software or hardware installed on a terminal device or a server device, and the software can be a block chain platform.
  • the server includes but is not limited to: a single server, a server cluster, a cloud server or a cloud server cluster, etc.
  • the server can be an independent server, or a cloud server that provides basic cloud computing services such as cloud service, cloud database, cloud computing, cloud function, cloud storage, network service, cloud communication, middleware service, domain name service, security service, content delivery network (ContentDelivery Network, CDN), and big data and artificial intelligence platform.
  • cloud server that provides basic cloud computing services such as cloud service, cloud database, cloud computing, cloud function, cloud storage, network service, cloud communication, middleware service, domain name service, security service, content delivery network (ContentDelivery Network, CDN), and big data and artificial intelligence platform.
  • the document title generation method includes:
  • the original document information refers to a visually rich text document (Visually Rich Document), wherein the visually rich text document refers to text data whose semantic structure is not only determined by text content, but also related to visual elements such as typesetting, table structure, and font.
  • visually Rich Document refers to text data whose semantic structure is not only determined by text content, but also related to visual elements such as typesetting, table structure, and font.
  • the original document information includes original text information, original image information and original position information
  • the original text information refers to the text content in the original document information
  • the original image information refers to the image content related to layout or typesetting in the original document information
  • the original position information refers to the position content of different regions in the original document information.
  • the block division of the original document information is to divide the original document information into multiple blocks.
  • the standard of block division is to refer to the different content contained in the original document information. Therefore, after the block division, multiple text sub-information, multiple image sub-information and multiple location sub-information will be obtained.
  • the text sub-information refers to blocks containing document text content
  • the image sub-information refers to blocks containing document image content
  • the position sub-information refers to data information containing position ranges of different blocks.
  • the text encoding model is a SimCSE model, wherein the SimCSE model trains a model through a method of contrastive learning, and can be used for supervised and unsupervised learning.
  • the method before inputting a plurality of text sub-information into a pre-trained text coding model for text coding, the method further includes:
  • Obtain a training data set input any one of the training data in the training data set into a preset text encoding model to perform different overfitting, and obtain the first sentence vector and the second sentence vector;
  • the training data set contains a plurality of text information data
  • the training data set is used to train a preset text coding model, so that the obtained trained text coding model has more accurate text coding ability.
  • different dropout masks are used to overfit the training data to obtain the first sentence vector and the second sentence vector. It is necessary to calculate the vector similarity between the first sentence vector and the second sentence vector, and calculate the target value corresponding to the training data according to the vector similarity, and adjust the parameters of the text encoding model according to the target value, and the target value can be used as a reference value for model parameter adjustment.
  • the calculating the vector similarity between the first sentence vector and the second sentence vector includes:
  • sim(h 1 , h 2 ) is the vector similarity between the first sentence vector and the second sentence vector
  • h 1 is the first sentence vector
  • h 2 is the second sentence vector
  • h 1 T is the transposed vector of the first sentence vector
  • is the modulus of the first sentence vector
  • is the modulus of the second sentence vector.
  • the preset objective function formula is:
  • l is the target value
  • ⁇ is the temperature coefficient
  • h j is the negative sample
  • sim(h 1 , h 2 ) is the vector similarity between the first sentence vector and the second sentence vector.
  • the text coding model adjusts the parameters of the text coding model according to the target value, that is, judge the size between the target value and a preset target threshold, and when the target value is greater than or equal to the target threshold, output the text coding model as a trained text coding model;
  • the text encoding model after adjusting the model parameters is output as a trained text encoding model.
  • the feature extraction model is a ResNet-50 model.
  • the ResNet-50 model includes two modules, and the two modules are respectively a convolution module (Conv Block) and a feature module (identity Block).
  • the extraction of multiple image features in the image sub-information using a preset feature extraction model includes:
  • the convolution module may perform multiple convolution processing and pooling processing on the image sub-information.
  • multiple convolution processing refers to performing at least one convolution operation on the image sub-information by using a convolution kernel, so that the data after multiple convolution processing is more abundant, and further performs pooling processing, and the pooling processing is used to convert the data after multiple convolution processing into data of the same dimension.
  • the feature module is a residual network, which can improve the accuracy of feature extraction.
  • the extraction of multiple image features in the image sub-information using a preset feature extraction model includes:
  • the feature extraction model is also a ResNet-50 model.
  • performing position encoding on a plurality of position sub-information to obtain a multi-dimensional position vector includes:
  • the relevant data of the preset dimension is encoded through the embedding layer to obtain a multi-dimensional position vector.
  • the relevant data of the location sub-information may be xmin, ymin, xmax, ymax, height, and width of the bounding box of each block.
  • the relevant data is encoded through an embedding layer, wherein the embedding layer belongs to the embedding layer in the neural network and is composed of a plurality of neurons.
  • the weighted addition of the text feature vector, the image feature and the multi-dimensional position vector includes:
  • the text feature vector, the image feature and the multi-dimensional position vector are weighted and added according to a preset weighted addition formula to obtain a final input vector.
  • the preset weighted addition formula is:
  • F is the final input vector
  • w 1 is the text feature vector
  • w 2 is the image feature
  • w 3 is the multi-dimensional position vector
  • ⁇ , ⁇ and ⁇ are preset different weights.
  • the transformer encoder model includes six layers of transformer encoder layers, and the final input vector is input into the first transformer encoder layer in the transformer encoder model to obtain the first output feature, and the first output feature is used as the input of the second transformer encoder layer in the transformer encoder model, and by analogy, the output of the previous transformer encoder layer is used as the input of the next transformer encoder layer , realize fusion coding, and obtain the final output features.
  • the feature decoding of the final output feature by using the preset decoder module to obtain the document block containing the title includes:
  • the second decoder in the decoder module is used to classify the document blocks conforming to the preset categories by titles to obtain document blocks including titles.
  • the decryptor model is constructed by two decoders, and the two decoders are respectively a first decoder and a second decoder, wherein the first decoder and the second decoder may be transformer decoders.
  • the transformer decoder breaks through the limitation that the RNN model cannot be calculated in parallel. Compared with the CNN model, the number of operations required for the transformer decoder to calculate the association between two positions does not increase with the distance, so the transformer decoder has more advantages.
  • the final output features are input into the first decoder to perform first feature decoding to obtain the original document information including annotation categories, wherein, in this solution, the annotation categories may be title, text, header and footer, etc.
  • the document blocks of the preset category are documents containing titles
  • the second decoder in the decoder module is used to classify the document blocks conforming to the preset categories to obtain the document blocks containing titles.
  • the title classification refers to dividing the titles in the document into first-level titles, second-level titles and third-level titles.
  • a plurality of text subinformation, a plurality of image subinformation, and a plurality of position subinformation are obtained by dividing the original document information into blocks.
  • the block division can provide a plurality of subinformation for subsequent processing, respectively encode a plurality of text subinformation, a plurality of image subinformation, and a plurality of position subinformation to obtain text feature vectors, image features, and multidimensional position vectors, and perform weighted addition of the encoded subinformation and input them into a transformer encoder model for fusion encoding and decoding in a decoder module to obtain a document block containing a title.
  • the decoder module includes at least one decoder, which can improve the accuracy of decoding. Therefore, the document title generation method proposed in this application can solve the problem that the accuracy of document title generation is not high enough.
  • FIG. 2 it is a functional block diagram of a device for generating document titles provided by an embodiment of the present application.
  • the document title generating apparatus 100 described in this application can be installed in an electronic device.
  • the document title generation device 100 may include a block division module 101, a feature encoding module 102, a fusion encoding module 103 and a feature decoding module 104.
  • the module described in this application can also be called a unit, which refers to a series of computer program segments that can be executed by the processor of the electronic device and can complete fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • the block division module 101 is configured to obtain original document information, the original document information includes original text information, original image information and original position information, and performs block division on the original document information to obtain multiple text sub-information, multiple image sub-information and multiple position sub-information;
  • the feature encoding module 102 is configured to input a plurality of text sub-information into a pre-trained text encoding model for text encoding to obtain a text feature vector, use a preset feature extraction model to extract image features in a plurality of the image sub-information, and perform position encoding on a plurality of the position sub-information to obtain a multidimensional position vector;
  • the fusion coding module 103 is used to carry out weighted addition to the text feature vector, the image feature and the multidimensional position vector to obtain a final input vector, and input the final input vector into the transformer encoder model for fusion coding to obtain the final output feature;
  • the feature decoding module 104 is configured to use a preset decoder module to perform feature decoding on the final output feature to obtain a document block including a title.
  • each module of the document title generation device 100 is as follows:
  • Step 1 Obtain original document information, which includes original text information, original image information, and original location information.
  • the original document information refers to a visually rich text document (Visually Rich Document), wherein the visually rich text document refers to text data whose semantic structure is not only determined by text content, but also related to visual elements such as typesetting, table structure, and font.
  • visually Rich Document refers to text data whose semantic structure is not only determined by text content, but also related to visual elements such as typesetting, table structure, and font.
  • the original document information includes original text information, original image information and original position information
  • the original text information refers to the text content in the original document information
  • the original image information refers to the image content related to layout or typesetting in the original document information
  • the original position information refers to the position content of different regions in the original document information.
  • Step 2 Divide the original document information into blocks to obtain a plurality of text sub-information, a plurality of image sub-information and a plurality of position sub-information.
  • the block division of the original document information is to divide the original document information into multiple blocks.
  • the standard of block division is to refer to the different content contained in the original document information. Therefore, after the block division, multiple text sub-information, multiple image sub-information and multiple location sub-information will be obtained.
  • the text sub-information refers to blocks containing document text content
  • the image sub-information refers to blocks containing document image content
  • the position sub-information refers to data information containing position ranges of different blocks.
  • Step 3 Input multiple pieces of the text sub-information into the pre-trained text coding model for text coding to obtain text feature vectors.
  • the text encoding model is a SimCSE model, wherein the SimCSE model trains a model through a method of contrastive learning, and can be used for supervised and unsupervised learning.
  • Obtain a training data set input any one of the training data in the training data set into a preset text encoding model to perform different overfitting, and obtain the first sentence vector and the second sentence vector;
  • the training data set contains a plurality of text information data
  • the training data set is used to train the preset text coding model, so that the obtained trained text coding model has more accurate text coding ability.
  • different dropout masks are used to overfit the training data to obtain the first sentence vector and the second sentence vector. It is necessary to calculate the vector similarity between the first sentence vector and the second sentence vector, and calculate the target value corresponding to the training data according to the vector similarity, and adjust the parameters of the text encoding model according to the target value, and the target value can be used as a reference value for model parameter adjustment.
  • the calculating the vector similarity between the first sentence vector and the second sentence vector includes:
  • sim(h 1 , h 2 ) is the vector similarity between the first sentence vector and the second sentence vector
  • h 1 is the first sentence vector
  • h 2 is the second sentence vector
  • h 1 T is the transposed vector of the first sentence vector
  • is the modulus of the first sentence vector
  • is the modulus of the second sentence vector.
  • the preset objective function formula is:
  • l is the target value
  • ⁇ is the temperature coefficient
  • h j is the negative sample
  • sim(h 1 , h 2 ) is the vector similarity between the first sentence vector and the second sentence vector.
  • the text coding model adjusts the parameters of the text coding model according to the target value, that is, judge the size between the target value and a preset target threshold, and when the target value is greater than or equal to the target threshold, output the text coding model as a trained text coding model;
  • the text encoding model after adjusting the model parameters is output as a trained text encoding model.
  • Step 4 Using a preset feature extraction model to extract image features in a plurality of image sub-information.
  • the feature extraction model is a ResNet-50 model.
  • the ResNet-50 model includes two modules, and the two modules are respectively a convolution module (Conv Block) and a feature module (identity Block).
  • the extraction of multiple image features in the image sub-information using a preset feature extraction model includes:
  • the convolution module may perform multiple convolution processing and pooling processing on the image sub-information.
  • multiple convolution processing refers to performing at least one convolution operation on the image sub-information by using a convolution kernel, so that the data after multiple convolution processing is more abundant, and further performs pooling processing, and the pooling processing is used to convert the data after multiple convolution processing into data of the same dimension.
  • the feature module is a residual network, which can improve the accuracy of feature extraction.
  • the extraction of multiple image features in the image sub-information using a preset feature extraction model includes:
  • the feature extraction model is also a ResNet-50 model.
  • Step 5 Perform position encoding on a plurality of the position sub-information to obtain a multi-dimensional position vector.
  • performing position encoding on a plurality of position sub-information to obtain a multi-dimensional position vector includes:
  • the relevant data of the preset dimension is encoded through the embedding layer to obtain a multi-dimensional position vector.
  • the relevant data of the location sub-information may be xmin, ymin, xmax, ymax, height, and width of the bounding box of each block.
  • the relevant data is encoded through an embedding layer, wherein the embedding layer belongs to the embedding layer in the neural network and is composed of a plurality of neurons.
  • Step 6 Perform weighted addition of the text feature vector, the image feature and the multi-dimensional position vector to obtain a final input vector, and input the final input vector into a transformer encoder model for fusion encoding to obtain a final output feature.
  • the weighted addition of the text feature vector, the image feature and the multi-dimensional position vector includes:
  • the text feature vector, the image feature and the multi-dimensional position vector are weighted and added according to a preset weighted addition formula to obtain a final input vector.
  • the preset weighted addition formula is:
  • F is the final input vector
  • w 1 is the text feature vector
  • w 2 is the image feature
  • w 3 is the multi-dimensional position vector
  • ⁇ , ⁇ and ⁇ are preset different weights.
  • the transformer encoder model includes six layers of transformer encoder layers, and the final input vector is input into the first transformer encoder layer in the transformer encoder model to obtain the first output feature, and the first output feature is used as the input of the second transformer encoder layer in the transformer encoder model, and by analogy, the output of the previous transformer encoder layer is used as the input of the next transformer encoder layer , realize fusion coding, and obtain the final output features.
  • Step 7 Using a preset decoder module to perform feature decoding on the final output feature to obtain a document block including a title.
  • the feature decoding of the final output feature by using the preset decoder module to obtain the document block containing the title includes:
  • the second decoder in the decoder module is used to classify the document blocks conforming to the preset categories by titles to obtain document blocks including titles.
  • the decryptor model is constructed by two decoders, and the two decoders are respectively a first decoder and a second decoder, wherein the first decoder and the second decoder may be transformer decoders.
  • the transformer decoder breaks through the limitation that the RNN model cannot be calculated in parallel. Compared with the CNN model, the number of operations required for the transformer decoder to calculate the association between two positions does not increase with the distance, so the transformer decoder has more advantages.
  • the final output features are input into the first decoder to perform first feature decoding to obtain the original document information including annotation categories, wherein, in this solution, the annotation categories may be title, text, header and footer, etc.
  • the document blocks of the preset category are documents containing titles
  • the second decoder in the decoder module is used to classify the document blocks conforming to the preset categories to obtain the document blocks containing titles.
  • the title classification refers to dividing the titles in the document into first-level titles, second-level titles and third-level titles.
  • a plurality of text subinformation, a plurality of image subinformation, and a plurality of position subinformation are obtained by dividing the original document information into blocks.
  • the block division can provide a plurality of subinformation for subsequent processing, respectively encode a plurality of text subinformation, a plurality of image subinformation, and a plurality of position subinformation to obtain text feature vectors, image features, and multidimensional position vectors, and perform weighted addition of the encoded subinformation and input them into the transformer encoder model for fusion encoding and decoding in the decoder module to obtain the document block containing the title.
  • the decoder module includes at least one decoder, which can improve the accuracy of decoding. Therefore, the device for generating document titles proposed in this application can solve the problem that the accuracy of document title generation is not high enough.
  • FIG. 3 it is a schematic structural diagram of an electronic device implementing a method for generating a document title provided by an embodiment of the present application.
  • the electronic device 1 may include a processor 10, a memory 11, a communication bus 12, and a communication interface 13, and may also include a computer program stored in the memory 11 and operable on the processor 10, such as a document title generating program.
  • the processor 10 may be composed of integrated circuits in some embodiments, for example, may be composed of a single packaged integrated circuit, or may be composed of multiple integrated circuits with the same function or different functions packaged, including one or more central processing units (Central Processing unit, CPU), microprocessors, digital processing chips, graphics processors and combinations of various control chips, etc.
  • the processor 10 is the control core (Control Unit) of the electronic device, and uses various interfaces and lines to connect the various components of the entire electronic device, by running or executing programs or modules stored in the memory 11 (for example, executing a document title generation program, etc.), and calling data stored in the memory 11, to perform various functions of the electronic device and process data.
  • Control Unit Control Unit
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes a flash memory, a mobile hard disk, a multimedia card, a card-type memory (for example: SD or DX memory, etc.), a magnetic memory, a magnetic disk, an optical disk, etc., and the computer-readable storage medium can be non-volatile or volatile.
  • the storage 11 may be an internal storage unit of the electronic device in some embodiments, such as a mobile hard disk of the electronic device.
  • the memory 11 can also be an external storage device of the electronic device in other embodiments, such as a plug-in mobile hard disk, a smart memory card (Smart Media Card, SMC), a secure digital (Secure Digital, SD) card, a flash memory card (Flash Card) etc.
  • the memory 11 may also include both an internal storage unit of the electronic device and an external storage device.
  • the memory 11 can not only be used to store application software and various data installed in the electronic device, such as the code of the document title generation program, but also can be used to temporarily store outputted or to-be-outputted data.
  • the communication bus 12 may be a peripheral component interconnect (PCI for short) bus or an extended industry standard architecture (EISA for short) bus or the like.
  • PCI peripheral component interconnect
  • EISA extended industry standard architecture
  • the bus can be divided into address bus, data bus, control bus and so on.
  • the bus is configured to realize connection and communication between the memory 11 and at least one processor 10 and the like.
  • the communication interface 13 is used for communication between the electronic device and other devices, including a network interface and a user interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which are generally used to establish a communication connection between the electronic device and other electronic devices.
  • the user interface may be a display (Display) or an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or 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 properly referred to as a display screen or a display unit, and is used for displaying information processed in the electronic device and for displaying a visualized user interface.
  • FIG. 3 only shows an electronic device with components. Those skilled in the art can understand that the structure shown in FIG. 3 does not constitute a limitation to the electronic device 1, and may include fewer or more components than those shown in the figure, or combine some components, or arrange different components.
  • the electronic device may also include a power supply (such as a battery) for supplying power to each component.
  • the power supply may be logically connected to the at least one processor 10 through a power management device, so as to realize functions such as charge management, discharge management, and power consumption management through the power management device.
  • the power supply may also include one or more DC or AC power supplies, recharging devices, power failure detection circuits, power converters or inverters, power status indicators and other arbitrary components.
  • the electronic device may also include various sensors, a Bluetooth module, a Wi-Fi module, etc., which will not be repeated here.
  • the document title generation program stored in the memory 11 in the electronic device 1 is a combination of multiple instructions. When running in the processor 10, it can realize:
  • the original document information includes original text information, original image information and original location information
  • the text feature vector, the image feature and the multidimensional position vector are weighted and added to obtain a final input vector, and the final input vector is input into a transformer encoder model for fusion encoding to obtain a final output feature;
  • a preset decoder module is used to perform feature decoding on the final output feature to obtain a document block including a title.
  • the integrated modules/units of the electronic device 1 are realized in the form of software function units and sold or used as independent products, they can be stored in a computer-readable storage medium.
  • the computer-readable storage medium may be volatile or non-volatile.
  • the computer-readable medium may include: any entity or device capable of carrying the computer program code, a recording medium, a USB flash drive, a removable hard disk, a magnetic disk, an optical disk, a computer memory, and a read-only memory (ROM, Read-Only Memory).
  • the present application also provides a computer-readable storage medium, the readable storage medium stores a computer program, and when the computer program is executed by a processor of an electronic device, it can realize:
  • the original document information includes original text information, original image information and original location information
  • the text feature vector, the image feature and the multidimensional position vector are weighted and added to obtain a final input vector, and the final input vector is input into a transformer encoder model for fusion encoding to obtain a final output feature;
  • a preset decoder module is used to perform feature decoding on the final output feature to obtain a document block including a title.
  • the modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical units, that is, they may be located in one place, or may also be distributed to multiple network units. Part or all of the modules can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional module in each embodiment of the present application may be integrated into one processing unit, each unit may exist separately physically, 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 in the form of hardware plus software function modules.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with each other using cryptographic methods. Each data block contains a batch of network transaction information, which is used to verify the validity of the information (anti-counterfeiting) and generate the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.
  • AI artificial intelligence
  • digital computers or machines controlled by digital computers to simulate, extend and expand human intelligence, perceive the environment, acquire knowledge and use knowledge to obtain the best results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术，揭露一种文档标题生成方法，包括：对原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；将多个文本子信息输入至文本编码模型中进行文本编码，得到文本特征向量；对文本特征向量、多个图像子信息中的图像特征和位置编码后的多维位置向量进行加权相加，得到最终输入向量，将最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；利用解码器模块对最终输出特征进行特征解码，得到包含标题的文档区块。此外，本申请还涉及区块链技术，图像特征可存储于区块链的节点。本申请还提出一种文档标题生成装置、电子设备以及存储介质。本申请可以提高文档标题生成的准确度。

Description

文档标题生成方法、装置、设备及存储介质
本申请要求于2022年01月21日提交中国专利局、申请号为202210072397.X，发明名称为“文档标题生成方法、装置、设备及存储介质”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
本申请涉及人工智能技术领域，尤其涉及一种文档标题生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着数字化进程的加快，文档、图像等载体的结构化分析和内容提取成为关乎企业数字化转型成败的关键一环，自动、精准、快速的信息处理对于生产力的提升至关重要。视觉富文本文档(Visually Rich Document)因其包含大量的文本、布局、格式信息而成为人们日常工作生活中十分常用且重要的文件形式，然而处理这类文档，例如给文档添加对应的标题却需要耗费大量的人力与时间成本。
发明人意识到现有的文档标题生成方法通常是将待处理文档与现有的已有标题的文档进行比对，根据比对情况为待处理文档生成对应标题，这种方法没有考虑到文档中的除去文本内容的其他信息的影响，因此生成标题的准确度不够高。
发明内容
申请提供的一种文档标题生成方法，包括：
获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
对多个所述位置子信息进行位置编码，得到多维位置向量；
对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
本申请还提供一种文档标题生成装置，所述装置包括：
区块划分模块，用于获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息，对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
特征编码模块，用于将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量，利用预设的特征提取模型提取多个所述图像子信息中的图像特征，对多个所述位置子信息进行位置编码，得到多维位置向量；
融合编码模块，用于对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
特征解码模块，用于利用预设的解码器模块对所述最终输出特征进行特征解码，得到 包含标题的文档区块。
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下所述的文档标题生成方法：
获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
对多个所述位置子信息进行位置编码，得到多维位置向量；
对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
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-如下所述的文档标题生成方法：
获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
对多个所述位置子信息进行位置编码，得到多维位置向量；
对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
附图说明
图1为本申请一实施例提供的文档标题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标题生成装置的功能模块图；
图3为本申请一实施例提供的实现所述文档标题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
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种文档标题生成方法。所述文档标题生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述文档标题生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集 群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本申请一实施例提供的文档标题生成方法的流程示意图。在本实施例中，所述文档标题生成方法包括：
S1、获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息。
本申请实施例中，所述原始文档信息是指视觉富文本文档(Visually Rich Document)，其中，所述视觉富文本文档是指语义结构不仅由文本内容决定，也与排版、表格结构、字体等视觉元素有关的文本数据。
详细地，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息，所述原始文本信息是指所述原始文档信息中的文本内容，所述原始图像信息是指所述原始文档信息中布局或者排版相关的图像内容，所述原始位置信息是指所述原始文档信息中的不同区域的位置内容。
S2、对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息。
本申请实施例中，所述对所述原始文档信息进行区块划分即将所述原始文档信息划分为多个block，区块划分的标准是参考所述原始文档信息中所包含的不同内容，因此区块划分后会得到多个文本子信息、多个图像子信息和多个位置子信息。其中，所述文本子信息是指包含为文档文本内容的区块，所述图像子信息是指包含文档图像内容的区块，所述位置子信息是指包含不同区块的位置范围的数据信息。
S3、将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量。
本申请实施例中，所述文本编码模型为SimCSE模型，其中，所述SimCSE模型通过对比学习的方法训练模型，可以用于有监督和无监督学习。
具体地，所述将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码之前，所述方法还包括：
获取训练数据集，将所述训练数据集中的任意一个训练数据输入至预设的文本编码模型中进行不同的过拟合，得到第一句向量和第二句向量；
计算所述第一句向量和所述第二句向量之间的向量相似度；
根据所述向量相似度和预设的目标函数公式计算所述训练数据对应的目标值；
根据所述目标值对所述文本编码模型进行参数调整，输出训练好的文本编码模型。
详细地，所述训练数据集中包含多个文本信息数据，利用所述训练数据集用于对预设的文本编码模型进行训练处理，使得得到的训练好的文本编码模型具有更加准确的文本编码能力。所述文本编码模型中利用不同的dropoutmask对所述训练数据进行过拟合，得到第一句向量和第二句向量。需要计算第一句向量和第二句向量之间的向量相似度，并根据所述向量相似度计算所述训练数据对应的目标值，根据所述目标值对所述文本编码模型进行参数调整，所述目标值可以作为是否进行模型参数调整的参考值。
进一步地，所述计算所述第一句向量和所述第二句向量之间的向量相似度，包括：
利用如下公式计算所述第一句向量和所述第二句向量之间的向量相似度：
Figure PCTCN2022090434-appb-000001
其中，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度，h 1为所述 第一句向量，h 2为所述第二句向量，h 1 T为所述第一句向量的转置向量，||h 1||为所述第一句向量的模，||h 2||为所述第二句向量的模。
具体地，所述预设的目标函数公式为：
Figure PCTCN2022090434-appb-000002
其中，l为目标值，τ为温度系数，h j为负样本，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度。
详细地，根据所述目标值对所述文本编码模型进行参数调整，即判断所述目标值与预设的目标阈值之间的大小，当所述目标值大于或者等于所述目标阈值时，将所述文本编码模型输出为训练好的文本编码模型，当所述目标值小于所述目标阈值时，调整所述文本编码模型的模型参数，并将所述训练数据输入至调整模型参数后的文本编码模型中，得到新的句向量，并根据新的句向量计算对应的目标值，直至所述目标值大于或者等于所述目标阈值时，将调整了模型参数后的文本编码模型输出为训练好的文本编码模型。
S4、利用预设的特征提取模型提取多个所述图像子信息中的图像特征。
本申请实施例中，所述特征提取模型为ResNet-50模型。其中，所述ResNet-50模型包含两个模块，两个模块分别为卷积模块(Conv Block)和特征模块(identity Block)。
具体地，所述利用预设的特征提取模型提取多个所述图像子信息中的图像特征，包括：
将所述图像子信息输入至所述特征提取模型中的卷积模块中，得到卷积数据；
利用所述特征提取模型中的特征模块对所述卷积数据进行特征处理，得到图像特征。
详细地，所述卷积模块可以对所述图像子信息进行多重卷积处理以及池化处理。其中，多重卷积处理是指利用卷积核对所述图像子信息进行至少一次的卷积操作，使得多重卷积处理后的数据更加丰富，并进一步进行池化处理，所述池化处理用于将多重卷积处理后的数据转换为相同维度的数据。所述特征模块为残差网络，可以提高特征提取的准确度。
在本申请另一实施例中，所述利用预设的特征提取模型提取多个所述图像子信息中的图像特征，包括：
将所述原始文档信息中的原始图像信息输入至所述特征提取模型中，得到全局图像特征；
获取多个所述图像子信息中的中心坐标，并根据预设的缩放比例对所述中心坐标进行缩放，得到最终坐标；
利用所述最终坐标对所述全局图像特征进行特征截取，得到多个所述图像子信息中的图像特征。
其中，所述特征提取模型也为ResNet-50模型。
S5、对多个所述位置子信息进行位置编码，得到多维位置向量。
本申请实施例中，所述对多个所述位置子信息进行位置编码，得到多维位置向量，包括：
获取多个所述位置子信息的相关数据，并将所述相关数据映射到预设维度；
通过embedding层对预设的维度的相关数据进行编码，得到多维位置向量。
详细地，所述位置子信息的相关数据可以为每个block的边界框的xmin、ymin、xmax、ymax、height、width。将所述相关数据映射到预设维度后通过embedding层对预设的维度的相关数据进行编码，其中，所述embedding层属于神经网络中的嵌入层，由多个神经元组成。
S6、对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得 到最终输出特征。
本申请实施例中，所述对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，包括：
根据预设的加权相加公式对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量。
具体地，所述预设的加权相加公式为：
F＝α*w 1+β*w 2+γ*w 3
其中，F为所述最终输入向量，w 1为所述文本特征向量，w 2为所述图像特征，w 3为所述多维位置向量，α、β和γ分别为预设的不同权重。
进一步地，所述transformer encoder模型中包含六层transformer encoder层，将所述最终输入向量输入至所述transformer encoder模型中的第一个transformer encoder层中，得到第一输出特征，并将所述第一输出特征作为所述transformer encoder模型中的第二个transformer encoder层的输入，并以此类推，将上一个transformer encoder层的输出作为下一个transformer encoder层的输入，实现融合编码，得到最终输出特征。
S7、利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
本申请实施例中，所述利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块，包括：
利用所述解码器模块中的第一解码器对所述最终输出特征进行第一特征解码，得到包含标注类别的所述原始文档信息；
选取所述包含标注类别的所述原始文档信息中符合预设类别的文档区块；
利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块。
详细地，所述解密器模型由两个解码器构建所得，两个解码器分别为第一解码器和第二解码器，其中，所述第一解码器和所述第二解码器可以为transformer解码器。所述transformer解码器突破了RNN模型不能并行计算的限制，相比CNN模型而言所述transformer解码器计算两个位置之间的关联所需的操作次数不随距离增长，因此transformer解码器更具优势。
具体地，将所述最终输出特征输入至所述第一解码器中进行第一特征解码，得到包含标注类别的所述原始文档信息，其中，在本方案中，所述标注类别可以为标题、正文、页眉和页脚等。所述预设类别的文档区块为包含标题的文档，利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块，所述标题分类是指将文档中的标题划分为一级标题、二级标题和三级标题。
本申请实施例通过对原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息，所述区块划分可以为后续的处理提供多个子信息，分别对多个文本子信息、多个图像子信息和多个位置子信息进行编码，得到文本特征向量、图像特征和多维位置向量，并对编码后的子信息进行加权相加及输入至transformer encoder模型中进行融合编码和解码器模块中进行解码，得到包含标题的文档区块。由于涉及到文本、图像和位置等三个不同的子信息，并对其进行编码和加权融合，因此最后解码得到的包含标题的文档区块会更加精准。同时，所述解码器模块中包含至少一个解码器，可以提高解码的准确度。因此本申请提出的文档标题生成方法可以实现解决文档标题生成的准确度不够高的问题。
如图2所示，是本申请一实施例提供的文档标题生成装置的功能模块图。
本申请所述文档标题生成装置100可以安装于电子设备中。根据实现的功能，所述文 档标题生成装置100可以包括区块划分模块101、特征编码模块102、融合编码模块103及特征解码模块104。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：
所述区块划分模块101，用于获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息，对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
所述特征编码模块102，用于将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量，利用预设的特征提取模型提取多个所述图像子信息中的图像特征，对多个所述位置子信息进行位置编码，得到多维位置向量；
所述融合编码模块103，用于对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
所述特征解码模块104，用于利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
详细地，所述文档标题生成装置100各模块的具体实施方式如下：
步骤一、获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息。
本申请实施例中，所述原始文档信息是指视觉富文本文档(Visually Rich Document)，其中，所述视觉富文本文档是指语义结构不仅由文本内容决定，也与排版、表格结构、字体等视觉元素有关的文本数据。
详细地，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息，所述原始文本信息是指所述原始文档信息中的文本内容，所述原始图像信息是指所述原始文档信息中布局或者排版相关的图像内容，所述原始位置信息是指所述原始文档信息中的不同区域的位置内容。
步骤二、对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息。
本申请实施例中，所述对所述原始文档信息进行区块划分即将所述原始文档信息划分为多个block，区块划分的标准是参考所述原始文档信息中所包含的不同内容，因此区块划分后会得到多个文本子信息、多个图像子信息和多个位置子信息。其中，所述文本子信息是指包含为文档文本内容的区块，所述图像子信息是指包含文档图像内容的区块，所述位置子信息是指包含不同区块的位置范围的数据信息。
步骤三、将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量。
本申请实施例中，所述文本编码模型为SimCSE模型，其中，所述SimCSE模型通过对比学习的方法训练模型，可以用于有监督和无监督学习。
具体地，所述将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码之前，还执行：
获取训练数据集，将所述训练数据集中的任意一个训练数据输入至预设的文本编码模型中进行不同的过拟合，得到第一句向量和第二句向量；
计算所述第一句向量和所述第二句向量之间的向量相似度；
根据所述向量相似度和预设的目标函数公式计算所述训练数据对应的目标值；
根据所述目标值对所述文本编码模型进行参数调整，输出训练好的文本编码模型。
详细地，所述训练数据集中包含多个文本信息数据，利用所述训练数据集用于对预设的文本编码模型进行训练处理，使得得到的训练好的文本编码模型具有更加准确的文本编 码能力。所述文本编码模型中利用不同的dropoutmask对所述训练数据进行过拟合，得到第一句向量和第二句向量。需要计算第一句向量和第二句向量之间的向量相似度，并根据所述向量相似度计算所述训练数据对应的目标值，根据所述目标值对所述文本编码模型进行参数调整，所述目标值可以作为是否进行模型参数调整的参考值。
进一步地，所述计算所述第一句向量和所述第二句向量之间的向量相似度，包括：
利用如下公式计算所述第一句向量和所述第二句向量之间的向量相似度：
Figure PCTCN2022090434-appb-000003
其中，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度，h 1为所述第一句向量，h 2为所述第二句向量，h 1 T为所述第一句向量的转置向量，||h 1||为所述第一句向量的模，||h 2||为所述第二句向量的模。
具体地，所述预设的目标函数公式为：
Figure PCTCN2022090434-appb-000004
其中，l为目标值，τ为温度系数，h j为负样本，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度。
详细地，根据所述目标值对所述文本编码模型进行参数调整，即判断所述目标值与预设的目标阈值之间的大小，当所述目标值大于或者等于所述目标阈值时，将所述文本编码模型输出为训练好的文本编码模型，当所述目标值小于所述目标阈值时，调整所述文本编码模型的模型参数，并将所述训练数据输入至调整模型参数后的文本编码模型中，得到新的句向量，并根据新的句向量计算对应的目标值，直至所述目标值大于或者等于所述目标阈值时，将调整了模型参数后的文本编码模型输出为训练好的文本编码模型。
步骤四、利用预设的特征提取模型提取多个所述图像子信息中的图像特征。
本申请实施例中，所述特征提取模型为ResNet-50模型。其中，所述ResNet-50模型包含两个模块，两个模块分别为卷积模块(Conv Block)和特征模块(identity Block)。
具体地，所述利用预设的特征提取模型提取多个所述图像子信息中的图像特征，包括：
将所述图像子信息输入至所述特征提取模型中的卷积模块中，得到卷积数据；
利用所述特征提取模型中的特征模块对所述卷积数据进行特征处理，得到图像特征。
详细地，所述卷积模块可以对所述图像子信息进行多重卷积处理以及池化处理。其中，多重卷积处理是指利用卷积核对所述图像子信息进行至少一次的卷积操作，使得多重卷积处理后的数据更加丰富，并进一步进行池化处理，所述池化处理用于将多重卷积处理后的数据转换为相同维度的数据。所述特征模块为残差网络，可以提高特征提取的准确度。
在本申请另一实施例中，所述利用预设的特征提取模型提取多个所述图像子信息中的图像特征，包括：
将所述原始文档信息中的原始图像信息输入至所述特征提取模型中，得到全局图像特征；
获取多个所述图像子信息中的中心坐标，并根据预设的缩放比例对所述中心坐标进行缩放，得到最终坐标；
利用所述最终坐标对所述全局图像特征进行特征截取，得到多个所述图像子信息中的图像特征。
其中，所述特征提取模型也为ResNet-50模型。
步骤五、对多个所述位置子信息进行位置编码，得到多维位置向量。
本申请实施例中，所述对多个所述位置子信息进行位置编码，得到多维位置向量，包括：
获取多个所述位置子信息的相关数据，并将所述相关数据映射到预设维度；
通过embedding层对预设的维度的相关数据进行编码，得到多维位置向量。
详细地，所述位置子信息的相关数据可以为每个block的边界框的xmin、ymin、xmax、ymax、height、width。将所述相关数据映射到预设维度后通过embedding层对预设的维度的相关数据进行编码，其中，所述embedding层属于神经网络中的嵌入层，由多个神经元组成。
步骤六、对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征。
本申请实施例中，所述对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，包括：
根据预设的加权相加公式对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量。
具体地，所述预设的加权相加公式为：
F＝α*w 1+β*w 2+γ*w 3
其中，F为所述最终输入向量，w 1为所述文本特征向量，w 2为所述图像特征，w 3为所述多维位置向量，α、β和γ分别为预设的不同权重。
进一步地，所述transformer encoder模型中包含六层transformer encoder层，将所述最终输入向量输入至所述transformer encoder模型中的第一个transformer encoder层中，得到第一输出特征，并将所述第一输出特征作为所述transformer encoder模型中的第二个transformer encoder层的输入，并以此类推，将上一个transformer encoder层的输出作为下一个transformer encoder层的输入，实现融合编码，得到最终输出特征。
步骤七、利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
本申请实施例中，所述利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块，包括：
利用所述解码器模块中的第一解码器对所述最终输出特征进行第一特征解码，得到包含标注类别的所述原始文档信息；
选取所述包含标注类别的所述原始文档信息中符合预设类别的文档区块；
利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块。
详细地，所述解密器模型由两个解码器构建所得，两个解码器分别为第一解码器和第二解码器，其中，所述第一解码器和所述第二解码器可以为transformer解码器。所述transformer解码器突破了RNN模型不能并行计算的限制，相比CNN模型而言所述transformer解码器计算两个位置之间的关联所需的操作次数不随距离增长，因此transformer解码器更具优势。
具体地，将所述最终输出特征输入至所述第一解码器中进行第一特征解码，得到包含标注类别的所述原始文档信息，其中，在本方案中，所述标注类别可以为标题、正文、页眉和页脚等。所述预设类别的文档区块为包含标题的文档，利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块，所述标题分类是指将文档中的标题划分为一级标题、二级标题和三级标题。
本申请实施例通过对原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息，所述区块划分可以为后续的处理提供多个子信息，分别对多个文 本子信息、多个图像子信息和多个位置子信息进行编码，得到文本特征向量、图像特征和多维位置向量，并对编码后的子信息进行加权相加及输入至transformer encoder模型中进行融合编码和解码器模块中进行解码，得到包含标题的文档区块。由于涉及到文本、图像和位置等三个不同的子信息，并对其进行编码和加权融合，因此最后解码得到的包含标题的文档区块会更加精准。同时，所述解码器模块中包含至少一个解码器，可以提高解码的准确度。因此本申请提出的文档标题生成装置可以实现解决文档标题生成的准确度不够高的问题。
如图3所示，是本申请一实施例提供的实现文档标题生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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，如文档标题生成程序。
其中，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(Central Processing unit，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(Control Unit)，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(例如执行文档标题生成程序等)，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，所述计算机可读存储介质可以是非易失性的，也可以是易失性的。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(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)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，例如文档标题生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口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。所述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(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中处理的信息以及用于显示可视化的用户界面。
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。
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、电源故障检测电路、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。
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存储的文档标题生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
对多个所述位置子信息进行位置编码，得到多维位置向量；
对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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易失性的，也可以是非易失性的。例如，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-Only Memory)。
本申请还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：
获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
对多个所述位置子信息进行位置编码，得到多维位置向量；
对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
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。
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。
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。第一、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 (19)

  1. 一种文档标题生成方法，其中，所述方法包括：
    获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
    对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
    将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
    利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
    对多个所述位置子信息进行位置编码，得到多维位置向量；
    对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
    利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
  2. 如权利要求1所述的文档标题生成方法，其中，所述利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块，包括：
    利用所述解码器模块中的第一解码器对所述最终输出特征进行第一特征解码，得到包含标注类别的所述原始文档信息；
    选取所述包含标注类别的所述原始文档信息中符合预设类别的文档区块；
    利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块。
  3. 如权利要求1所述的文档标题生成方法，其中，所述对多个所述位置子信息进行位置编码，得到多维位置向量，包括：
    获取多个所述位置子信息的相关数据，并将所述相关数据映射到预设维度；
    通过embedding层对预设的维度的相关数据进行编码，得到多维位置向量。
  4. 如权利要求1所述的文档标题生成方法，其中，所述将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码之前，所述方法还包括：
    获取训练数据集，将所述训练数据集中的任意一个训练数据输入至预设的文本编码模型中进行不同的过拟合，得到第一句向量和第二句向量；
    计算所述第一句向量和所述第二句向量之间的向量相似度；
    根据所述向量相似度和预设的目标函数公式计算所述训练数据对应的目标值；
    根据所述目标值对所述文本编码模型进行参数调整，输出训练好的文本编码模型。
  5. 如权利要求4所述的文档标题生成方法，其中，所述预设的目标函数公式为：
    Figure PCTCN2022090434-appb-100001
    其中，l为目标值，τ为温度系数，h j为负样本，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度。
  6. 如权利要求4所述的文档标题生成方法，其中，所述计算所述第一句向量和所述第二句向量之间的向量相似度，包括：
    利用如下公式计算所述第一句向量和所述第二句向量之间的向量相似度：
    Figure PCTCN2022090434-appb-100002
    其中，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度，h 1为所述第一句向量，h 2为所述第二句向量，h 1 T为所述第一句向量的转置向量，||h 1||为所述第一句向量的模，||h 2||为所述第二句向量的模。
  7. 如权利要求1至6中任一项所述的文档标题生成方法，其中，所述利用预设的特征提取模型提取多个所述图像子信息中的图像特征，包括：
    将所述图像子信息输入至所述特征提取模型中的卷积模块中，得到卷积数据；
    利用所述特征提取模型中的特征模块对所述卷积数据进行特征处理，得到图像特征。
  8. 一种文档标题生成装置，其中，所述装置包括：
    区块划分模块，用于获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息，对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
    特征编码模块，用于将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量，利用预设的特征提取模型提取多个所述图像子信息中的图像特征，对多个所述位置子信息进行位置编码，得到多维位置向量；
    融合编码模块，用于对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
    特征解码模块，用于利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
  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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下所述的文档标题生成方法：
    获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
    对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
    将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
    利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
    对多个所述位置子信息进行位置编码，得到多维位置向量；
    对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
    利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
  10. 如权利要求9所述的电子设备，其中，所述利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块，包括：
    利用所述解码器模块中的第一解码器对所述最终输出特征进行第一特征解码，得到包含标注类别的所述原始文档信息；
    选取所述包含标注类别的所述原始文档信息中符合预设类别的文档区块；
    利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类，得到包含标题的文档区块。
  11. 如权利要求9所述的电子设备，其中，所述对多个所述位置子信息进行位置编码， 得到多维位置向量，包括：
    获取多个所述位置子信息的相关数据，并将所述相关数据映射到预设维度；
    通过embedding层对预设的维度的相关数据进行编码，得到多维位置向量。
  12. 如权利要求9所述的电子设备，其中，所述将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码之前，所述方法还包括：
    获取训练数据集，将所述训练数据集中的任意一个训练数据输入至预设的文本编码模型中进行不同的过拟合，得到第一句向量和第二句向量；
    计算所述第一句向量和所述第二句向量之间的向量相似度；
    根据所述向量相似度和预设的目标函数公式计算所述训练数据对应的目标值；
    根据所述目标值对所述文本编码模型进行参数调整，输出训练好的文本编码模型。
  13. 如权利要求12所述的电子设备，其中，所述预设的目标函数公式为：
    Figure PCTCN2022090434-appb-100003
    其中，l为目标值，τ为温度系数，h j为负样本，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度。
  14. 如权利要求12所述的文档标题生成方法，其中，所述计算所述第一句向量和所述第二句向量之间的向量相似度，包括：
    利用如下公式计算所述第一句向量和所述第二句向量之间的向量相似度：
    Figure PCTCN2022090434-appb-100004
    其中，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度，h 1为所述第一句向量，h 2为所述第二句向量，h 1 T为所述第一句向量的转置向量，||h 1||为所述第一句向量的模，||h 2||为所述第二句向量的模。15、一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时实现如下所述的文档标题生成方法：
    获取原始文档信息，所述原始文档信息中包含原始文本信息、原始图像信息和原始位置信息；
    对所述原始文档信息进行区块划分，得到多个文本子信息、多个图像子信息和多个位置子信息；
    将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码，得到文本特征向量；
    利用预设的特征提取模型提取多个所述图像子信息中的图像特征；
    对多个所述位置子信息进行位置编码，得到多维位置向量；
    对所述文本特征向量、所述图像特征和所述多维位置向量进行加权相加，得到最终输入向量，并将所述最终输入向量输入至transformer encoder模型中进行融合编码，得到最终输出特征；
    利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块。
  15. 如权利要求15所述的计算机可读存储介质，其中，所述利用预设的解码器模块对所述最终输出特征进行特征解码，得到包含标题的文档区块，包括：
    利用所述解码器模块中的第一解码器对所述最终输出特征进行第一特征解码，得到包含标注类别的所述原始文档信息；
    选取所述包含标注类别的所述原始文档信息中符合预设类别的文档区块；
    利用所述解码器模块中的第二解码器对所述符合预设类别的文档区块进行标题分类， 得到包含标题的文档区块。
  16. 如权利要求15所述的计算机可读存储介质，其中，所述对多个所述位置子信息进行位置编码，得到多维位置向量，包括：
    获取多个所述位置子信息的相关数据，并将所述相关数据映射到预设维度；
    通过embedding层对预设的维度的相关数据进行编码，得到多维位置向量。
  17. 如权利要求15所述的计算机可读存储介质，其中，所述将多个所述文本子信息输入至预训练好的文本编码模型中进行文本编码之前，所述方法还包括：
    获取训练数据集，将所述训练数据集中的任意一个训练数据输入至预设的文本编码模型中进行不同的过拟合，得到第一句向量和第二句向量；
    计算所述第一句向量和所述第二句向量之间的向量相似度；
    根据所述向量相似度和预设的目标函数公式计算所述训练数据对应的目标值；
    根据所述目标值对所述文本编码模型进行参数调整，输出训练好的文本编码模型。
  18. 如权利要求18所述的计算机可读存储介质，其中，所述预设的目标函数公式为：
    Figure PCTCN2022090434-appb-100005
    其中，l为目标值，τ为温度系数，h j为负样本，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度。
  19. 如权利要求18所述的计算机可读存储介质，其中，所述计算所述第一句向量和所述第二句向量之间的向量相似度，包括：
    利用如下公式计算所述第一句向量和所述第二句向量之间的向量相似度：
    Figure PCTCN2022090434-appb-100006
    其中，sim(h 1,h 2)为所述第一句向量和所述第二句向量之间的向量相似度，h 1为所述第一句向量，h 2为所述第二句向量，h 1 T为所述第一句向量的转置向量，||h 1||为所述第一句向量的模，||h 2||为所述第二句向量的模。
PCT/CN2022/090434 2022-01-21 2022-04-29 文档标题生成方法、装置、设备及存储介质 WO2023137906A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210072397.XA CN114399775A (zh) 2022-01-21 2022-01-21 文档标题生成方法、装置、设备及存储介质
CN202210072397.X 2022-01-21

Publications (1)

Publication Number Publication Date
WO2023137906A1 true WO2023137906A1 (zh) 2023-07-27

Family

ID=81233667

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/090434 WO2023137906A1 (zh) 2022-01-21 2022-04-29 文档标题生成方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN114399775A (zh)
WO (1) WO2023137906A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399775A (zh) * 2022-01-21 2022-04-26 平安科技（深圳）有限公司 文档标题生成方法、装置、设备及存储介质
CN115270778B (zh) * 2022-08-25 2023-10-17 北京达佳互联信息技术有限公司 标题简化方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667800A (zh) * 2020-12-21 2021-04-16 深圳壹账通智能科技有限公司 关键词生成方法、装置、电子设备及计算机存储介质
CN113434684A (zh) * 2021-07-01 2021-09-24 北京中科研究院 自监督学习的谣言检测方法、系统、设备及存储介质
CN113742483A (zh) * 2021-08-27 2021-12-03 北京百度网讯科技有限公司 文档分类的方法、装置、电子设备和存储介质
CN113869017A (zh) * 2021-09-30 2021-12-31 平安科技（深圳）有限公司 基于人工智能的表格图像重构方法、装置、设备及介质
CN113888475A (zh) * 2021-09-10 2022-01-04 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法、相关装置和设备
CN114399775A (zh) * 2022-01-21 2022-04-26 平安科技（深圳）有限公司 文档标题生成方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667800A (zh) * 2020-12-21 2021-04-16 深圳壹账通智能科技有限公司 关键词生成方法、装置、电子设备及计算机存储介质
CN113434684A (zh) * 2021-07-01 2021-09-24 北京中科研究院 自监督学习的谣言检测方法、系统、设备及存储介质
CN113742483A (zh) * 2021-08-27 2021-12-03 北京百度网讯科技有限公司 文档分类的方法、装置、电子设备和存储介质
CN113888475A (zh) * 2021-09-10 2022-01-04 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法、相关装置和设备
CN113869017A (zh) * 2021-09-30 2021-12-31 平安科技（深圳）有限公司 基于人工智能的表格图像重构方法、装置、设备及介质
CN114399775A (zh) * 2022-01-21 2022-04-26 平安科技（深圳）有限公司 文档标题生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114399775A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN113822494B (zh) 风险预测方法、装置、设备及存储介质
WO2023137906A1 (zh) 文档标题生成方法、装置、设备及存储介质
CN112597312A (zh) 文本分类方法、装置、电子设备及可读存储介质
WO2021218336A1 (zh) 用户信息判别方法、装置、设备及计算机可读存储介质
WO2021208696A1 (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
WO2021208703A1 (zh) 问题解析方法、装置、电子设备及存储介质
WO2023159755A1 (zh) 虚假新闻检测方法、装置、设备及存储介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN112559687A (zh) 问题识别及查询方法、装置、电子设备及存储介质
CN113051356A (zh) 开放关系抽取方法、装置、电子设备及存储介质
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
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
WO2023178978A1 (zh) 基于人工智能的处方审核方法、装置、设备及介质
WO2023173555A1 (zh) 模型的训练方法、文本分类方法和装置、设备、介质
WO2022227192A1 (zh) 图像分类方法、装置、电子设备及介质
CN113157739B (zh) 跨模态检索方法、装置、电子设备及存储介质
CN113204698B (zh) 新闻主题词生成方法、装置、设备及介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
WO2023178979A1 (zh) 问题标注方法、装置、电子设备及存储介质
CN116340516A (zh) 实体关系的聚类提取方法、装置、设备及存储介质
WO2022142019A1 (zh) 基于智能机器人的问题分发方法、装置、电子设备及存储介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质
WO2022141838A1 (zh) 模型置信度分析方法、装置、电子设备及计算机存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN115099680A (zh) 风险管理方法、装置、设备及存储介质

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: 22921337

Country of ref document: EP

Kind code of ref document: A1