表格信息抽取方法、装置、设备及存储介质
文献发布时间:2023-06-19 19:30:30
技术领域
本申请涉及人工智能技术领域,尤其是一种表格信息抽取方法、装置、设备及存储介质。
背景技术
随着图像识别技术的快速发展,文档自动化信息抽取正越来越多地应用于现实生产生活中。对图片中表格的表格信息进行信息抽取时,图片中表格的清晰程度直接影响表格信息抽取的准确性。
为提高图片信息抽取的准确性,现有技术提出基于最小二乘法的图片斜率恢复算法对图片进行矫正,但只有整张图片发生旋转时方可将图片进行矫正,当图片存在扭曲或者是往表格的行方向倾斜向上或向下时,无法起到矫正作用。
发明内容
本申请的目的是提供一种表格信息抽取方法、装置、设备及存储介质,旨在提高对图片表格信息进行信息抽取时的准确性。
第一方面,提供一种表格信息抽取方法,包括:
识别待识别图片中的待处理表格,得到多个文本片段;
对所述文本片段进行字符级别分类处理,得到多个字符标签,所述字符标签包含所述文本片段中对应的文本实体的字符内容,所述文本实体为所述文本片段中的字符级别信息;
基于所述字符标签构造第一邻接矩阵和标签特征矩阵,所述第一邻接矩阵表征各所述字符标签的行列邻接关系,所述标签特征矩阵表征各所述字符标签的特征信息;
使用预训练的图卷积网络对所述第一邻接矩阵和所述标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵;
基于所述第二邻接矩阵中各个节点的邻接关系确定各所述文本实体在所述待处理表格中的行位置关系,基于确定的行位置关系矫正各所述文本实体在所述待处理表格中的位置。
在一些实施例中,所述识别待识别图片中的待处理表格,得到多个文本片段,包括:
对所述待识别图片中的文本朝向进行矫正处理;
对所述待处理表格的文本进行分割,得到多个初始文本块;
将所述初始文本块送入预训练的OCR识别模型进行字符识别,得到所述文本片段。
在一些实施例中,所述对所述文本片段进行字符级别分类处理,得到多个字符标签,包括:
获取各所述文本片段中所述文本实体的字符特征矩阵;
将所述字符特征矩阵进行最大池化,得到字符特征向量;
对所述字符特征向量进行标注处理,得到字符级别标签;
使用预训练的分类模型对所述字符级别标签进行分类处理,将分类后的字符级别标签进行转换处理,得到字符标签。
在一些实施例中,所述基于所述字符标签构造第一邻接矩阵和标签特征矩阵,包括:
依据所述字符标签所对应的字符类别,将近邻距离内若干个字符类别相同的所述字符标签进行关联,得到第一邻接关系图;
将所述第一邻接关系图进行矩阵表示,得到第一邻接矩阵;
获取所述字符标签的若干个标签特征向量;
以各所述标签特征向量为矩阵元素,构造所述标签特征矩阵。
在一些实施例中,所述使用预训练的图卷积网络对所述第一邻接矩阵和所述标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵,包括:
计算标签聚合信息,所述标签聚合信息表征所述字符标签与所述字符标签的邻居标签的位置特征聚合运算结果,所述字符标签的邻居标签为在所述第一邻接矩阵与当前的字符标签邻接的其他的字符标签;
使用所述标签聚合信息更新所述字符标签,得到新的字符标签;
依据所述新的字符标签的特征类别,将近邻距离内若干个特征类别相同的所述新的字符标签进行连接,得到第二邻接关系图;
将所述第二邻接关系图进行矩阵表示,得到第二邻接矩阵。
在一些实施例中,所述计算标签聚合信息,包括:
将所述第一邻接矩阵与单位矩阵相加,得到新的第一邻接矩阵;
将所述新的第一邻接矩阵中的字符标签与字符标签的邻居标签的特征进行加权求和,得到求和运算结果;
对所述求和运算结果进行归一化处理,得到所述标签聚合信息。
在一些实施例中,所述基于所述第二邻接矩阵中各个节点的邻接关系,确定各所述文本实体在所述待处理表格中的行位置关系,基于确定的行位置关系矫正各所述文本实体在所述待处理表格中的位置,包括:
依据所述第二邻接矩阵中各个节点的邻接关系,将所述第二邻接矩阵中的各个节点进行排列,将所述第二邻接矩阵中的节点转换为对应的所述文本实体,从而构造识别后的表格。
第二方面,提供一种表格信息抽取装置,所述装置包括:
识别模块,用于识别待识别图片中的待处理表格,得到多个文本片段;
分类模块,用于对所述文本片段进行字符级别分类处理,得到多个字符标签,所述字符标签包含所述文本片段中对应的文本实体的字符内容,所述文本实体为所述文本片段中的字符级别信息;
特征构造模块,用于基于所述字符标签构造第一邻接矩阵和标签特征矩阵,所述第一邻接矩阵表征各所述字符标签的行列邻接关系,所述标签特征矩阵包含各所述字符标签的位置特征信息;
特征抽取模块,用于使用预训练的图卷积网络对所述第一邻接矩阵和所述标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵;
确定模块,用于基于所述第二邻接矩阵中各个节点的邻接关系确定各所述文本实体在所述待处理表格中的行位置关系,基于确定的行位置关系矫正各所述文本实体在所述待处理表格中的位置。
第三方面,提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的表格信息抽取方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的表格信息抽取方法。
本申请的有益效果:通过对识别待识别图片中的表格文本内容进行进一步的字符级别识别和分类,从而获得多个字符级别的字符标签,提高表格文本内容的识别精度,使用字符标签构造第一邻接矩阵和标签特征矩阵,第一邻接矩阵表征各字符标签的行列邻接关系,标签特征矩阵表征各字符标签的特征信息,再通过预训练的图卷积网络对第一邻接矩阵和标签特征矩阵进行位置特征抽取处理,识别出各字符标签之间的行位置关系,并以此作为位置特征抽取处理结果,将位置特征抽取处理结果表征的各字符标签之间的行位置关系转换为第二邻接矩阵中各个节点的邻接关系,从而确定各文本实体在待处理表格中的行位置关系,得到表格文本内容的识别结果,在图片存在扭曲或者是往表格的行方向倾斜向上或向下时也可以识别图片中的表格文本内容的行位置关系,提高对图片表格信息进行信息抽取时的准确性。
附图说明
图1是本申请实施例提供的表格信息抽取方法的流程图;
图2是图1中的步骤S101的流程图;
图3是图1中的步骤S102的流程图;
图4是图3中的步骤S103的流程图;
图5是图3中的步骤S104的流程图;
图6是本申请实施例提供的表格信息抽取装置的结构示意图;
图7是本申请实施例提供的电子设备的硬件结构示意图;
图8是本申请一实施例提供的文本片段的识别结果示意图;
图9是本申请一实施例提供的l ayout lm模型的结构示意图;
图10是本申请一实施例提供的第一邻接关系图的结构示意图;
图11是本申请一实施例提供的第一邻接矩阵的结构示意图;
图12是本申请一实施例提供的第二邻接关系图的结构示意图;
图13是本申请一实施例提供的第二邻接矩阵的结构示意图。
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。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(art i f i c i a l i nte l l i gence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(natura l l anguage process i ng,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(I nformat i on Extract i on):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
相关技术中,表格信息提取方案其主要应用技术分为基于图像技术和基于自然语言处理技术。在基于图像技术解决表格信息提取方案中,通过识别可见的、不可见的表格线来确定表格单元,再通过行列对应关系解析单元格之间的关系。然而在一些特定领域内,表格的排版不够不规整,单元格之间粘贴紧密,从而导致解析准确率较低。此时,使用NLP技术,从文本语义的角度上解析表格能够达到更好的信息提取效果。然而,使用NLP技术解决表格信息提取方案中,需要预先对图片进行矫正,但当图片存在扭曲或者是往表格的行方向倾斜向上或向下时,则无法起到矫正作用,图片信息抽取的准确性降低。
基于此,本申请实施例提供了一种表格信息抽取方法、装置、设备及存储介质,旨在提高对图片表格信息进行信息抽取时的准确性。
本申请实施例提供的推荐方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的推荐方法。
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(Art i f i c i a l I nte l l i gence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的表格信息抽取方法,涉及人工智能技术领域。本申请实施例提供的表格信息抽取方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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、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;软件可以是实现表格信息抽取方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的表格信息抽取方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,识别待识别图片中的待处理表格,得到多个文本片段;
步骤S102,对所述文本片段进行字符级别分类处理,得到多个字符标签,所述字符标签包含所述文本片段中对应的文本实体的字符内容,所述文本实体为所述文本片段中的字符级别信息;
步骤S103,基于所述字符标签构造第一邻接矩阵和标签特征矩阵,所述第一邻接矩阵表征各所述字符标签的行列邻接关系,所述标签特征矩阵表征各所述字符标签的特征信息;
步骤S104,使用预训练的图卷积网络对所述第一邻接矩阵和所述标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵;
步骤S105,基于所述第二邻接矩阵中各个节点的邻接关系,确定各所述文本实体在所述待处理表格中的行位置关系,基于确定的行位置关系矫正各所述文本实体在所述待处理表格中的位置。
在一些实施例的步骤S101中,识别待识别图片中的待处理表格,可以是使用光学字符识别(Opt i ca l Character Recogn it i on,OCR)对图片中的待处理表格进行识别。
其中,文本片段(bound i ngbox)包含至少一个文本实体,文本片段包括有文本实体在表格中的坐标信息以及字符文本等信息。通常来说,文本片段只包含一个文本实体,然而对于一些比较靠近的文本实体,可能会被同一个文本片段覆盖在内,例如,数值类的文本实体和单位类的文本实体,文本片段级别的识别方法很难将两者进行区分,使数值类的文本实体和单位类的文本实体同时处于同一文本片段的覆盖范围内。
在一些实施例的步骤S102中,对所述文本片段进行字符级别分类处理,得到多个字符标签,可以是通过预训练的分类模型对文本片段进行字符级别分类处理。具体地,将各个文本片段输入到预训练的分类模型,分类模型进行序列标注任务,微调(f i ne-tun ing)标注文本片段中的文本实体,对文本片段中的文本实体进行多标签分类,得到包括目标文本实体对应的字符标签。其中,目标文本块对应文本片段中的其中一个文本实体,字符标签表征文本实体的类别和字符内容。
可以理解的是,通过对文本片段中的多个文本实体进行字符级别分类处理,得到各个具有内容记录的文本实体对应的字符标签。
在一些实施例的步骤S103中,基于字符标签构造第一邻接矩阵,可以是在对文本片段进行字符级别分类处理并得到字符标签时,通过字符标签所对应的文本实体在表格中的坐标信息对各个字符标签进行排列,以使得到的各个字符标签的坐标信息与目标文本块对于文本实体在表格中的坐标信息相匹配,预先设定字符标签在行方向和列方向上的邻接范围,以各个字符标签作为矩阵的节点,将处于当前字符标签的邻接范围内的其他字符标签连接起来,构成第一邻接矩阵,使得到的第一邻接矩阵表征各字符标签的行列邻接关系。
在一些实施例的步骤S103中,基于字符标签构造标签特征矩阵,可以是在字符标签按照所对应的文本实体在表格中的坐标信息进行排列后,根据各个字符标签的坐标信息生成若干个位置特征,以及根据字符标签所对应的文本实体的字符文本生成文本种类特征,将上述的各个特征以矩阵的形式组合,构成标签特征矩阵,使得标签特征矩阵表征各字符标签的特征信息。
在一些实施例的步骤S104中,使用预训练的图卷积网络对所述第一邻接矩阵和所述标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵,可以是通过聚合周围节点的特征来更新自身节点。具体地,对于第一邻接矩阵中的每个节点,根据每个节点之间的邻接关系确定当前节点的邻居节点,将当前节点的特征及其邻居节点的特征进行聚合,聚合运算得到的结果作为当前节点的特征,对当前节点的特征进行更新,如此重复,迭代地对各个节点的特征进行更新,当迭代次数达到设定阈值或者是特征抽取符合预设预期之后,停止迭代并输出特征抽取结果,输出的特征抽取结果包含最新的节点邻接关系,进而基于位置特征抽取处理结果构造第二邻接矩阵,重新确定各个节点之间的邻接关系。可以理解的是,第一邻接矩阵和第二邻接矩阵中的节点指的是字符标签。
在一些实施例的步骤S105中,位置特征抽取处理结果消除了多余的节点邻接关系,第二邻接矩阵的节点邻接关系可以是包含各个节点的行位置关系和列位置关系,也就是文本实体在待处理表格中的行位置关系和列位置关系,第二邻接矩阵的节点邻接关系也可以是仅包含各个节点的行位置关系,通过各个节点初始的列位置坐标信息确定各个节点的列位置关系,得到的文本实体在待处理表格中的行位置关系不受图片存在扭曲或者是往表格的行方向倾斜向上或向下时影响。
本申请实施例所示意的步骤S101至步骤S105,通过对识别待识别图片中的表格文本内容进行进一步的字符级别识别和分类,从而获得多个字符级别的字符标签,提高表格文本内容的识别精度,使用字符标签构造第一邻接矩阵和标签特征矩阵,第一邻接矩阵表征各字符标签的行列邻接关系,标签特征矩阵表征各字符标签的特征信息,再通过预训练的图卷积网络对第一邻接矩阵和标签特征矩阵进行位置特征抽取处理,识别出各字符标签之间的行位置关系,并以此作为位置特征抽取处理结果,将位置特征抽取处理结果表征的各字符标签之间的行位置关系转换为第二邻接矩阵中各个节点的邻接关系,从而确定各文本实体在待处理表格中的行位置关系,得到表格文本内容的识别结果,在图片存在扭曲或者是往表格的行方向倾斜向上或向下时也可以识别图片中的表格文本内容的行位置关系,提高对图片表格信息进行信息抽取时的准确性。
请参阅图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S203。
步骤S201,对所述待识别图片中的文本朝向进行矫正处理;
步骤S202,对所述待处理表格的文本进行分割,得到多个初始文本块;
步骤S203,将所述初始文本块送入预训练的OCR识别模型进行字符识别,得到所述文本片段。
在一些实施例的步骤S201中,对所述待识别图片中的文本朝向进行矫正处理,具体是获取待识别图片之后首先识别待识别图片中的文本朝向并进行文本朝向角度矫正,由于待识别图片往往都不是很完美的,很可能带有倾斜角度,对待识别图片进行矫正处理,基于最小二乘法的倾斜校正算法对待识别图片进行倾斜校正。
在一些实施例中,基于最小二乘法的倾斜校正算法对待识别图片进行倾斜校正,可以是逐行从左到右扫描对待识别图片进行扫描,扫描得到的文本进行粗排序,基于最小二乘法的倾斜校正算法,拟合粗排序结果中各行的直线,计算各行的斜率及对应的法线斜率,得到行直线斜率和法线斜率,对于各行中的单个元素,确定斜率为行直线斜率且经过当前元素的直线以及该直线与纵轴的交点,交点落入该行的预设范围时则确定为属于该行的元素,对于各列中的单个元素,确定斜率为法线斜率且经过当前元素的直线以及该直线与横轴的交点,交点落入该列的预设范围时则确定为属于该列的元素。
在一些实施例的步骤S202中,对所述待处理表格的文本进行分割,得到多个初始文本块,可以是对待处理表格版面进行分析,对待处理表格的每一行进行分割,把每一行的文字切割下来,然后对每一行文本进行列分割,切割出每个字符,从而得到多个初始文本块。
在一些实施例的步骤S203中,可以理解的是,文本片段包含识别得到的文本内容以及文本内容的坐标信息。示例性地,如图8所示,每一个文本片段,前8个元素为初始文本块的坐标信息,第9个元素为初始文本块的识别置信度,第10个元素为初始文本块的识别文本。
本申请实施例所示意的步骤S201至步骤S203,通过OCR识别模型预先对待识别图片进行预处理,对待处理表格中的文本内容进行识别,将文本分割出来并进行整合,初次确定各个文本内容的坐标信息。
请参阅图3,在一些实施例中,步骤S102可以包括但不限于包括步骤S301至步骤S304。
步骤S301,获取各所述文本片段中所述文本实体的字符特征矩阵;
步骤S302,将所述字符特征矩阵进行最大池化,得到字符特征向量;
步骤S303,对所述字符特征向量进行标注处理,得到字符级别标签;
步骤S304,使用预训练的分类模型对所述字符级别标签进行分类处理,将分类后的字符级别标签进行转换处理,得到字符标签。
在一些实施例的步骤S301中,获取各所述文本片段中所述文本实体的字符特征矩阵,具体是通过如图9所示的LayoutLm模型获取各文本片段中文本实体的字符特征矩阵,利用预训练的LayoutLm模型,将LayoutLm模型中五层Embedd i ng输入层以及LayouLmEmbedd i ng层作为语义段落的特征提取器,输出512维的字符特征向量。取出属于同列的文本实体的一维字符特征矩阵,例如属于同列且上下相邻的两个文本实体的一维字符特征矩阵:
如图4所示,LayoutLM模型结构在现有的预训练模型上添加了2-DPos it ionEmbedd i ng和Image Embedd i ng两种新的Embedd i ng层:
2-D Pos it ion Embedd i ng,根据OCR技术获得的文本片段,我们能获取文本在文档中的具体位置。将对应坐标转化为虚拟坐标之后,我们计算该坐标对应在x、y、w、h四个Embedd i ng子层的表示,最终的2-D Pos it ion Embedd i ng为四个子层的Embedd i ng之和。
Image Embedd i ng,在Image Embedd i ng部分,我们将每个文本相应的文本块当作更快的R-CNN中的候选框(Proposa l),从而提取对应的局部特征。特殊地,由于[CLS]符号用于表示整个输入文本的语义,我们同样使用整张文档图像作为该位置的ImageEmbedding,从而保持模态对齐。
在一些实施例的步骤S302中,将所述字符特征矩阵进行最大池化,得到字符特征向量,具体是分别将两个文本实体的一维字符特征矩阵
在一些实施例的步骤S303中,对所述字符特征向量进行标注处理,得到字符级别标签,具体是识别文本实体的字级别标签,通过预设的转换规则将文本实体的字级别标签转换为字符级别标签。示例性地,数值“2.27”的字级别标签被识别为“B_val,I_val,I_val,I_val”,通过预设的转换规则转换为字符级别标签“5.78”,类别是“val”。
在一些实施例的步骤S304中,分类模型为基于Xgboost模型的为分类模型。使用预训练的分类模型对所述字符级别标签进行分类处理,将分类后的字符级别标签进行转换处理,得到字符标签,具体是将字符级别标签输入到Xgboost模型通过Xgboost模型基于标题关键字命中频次进行二分类任务,得到字符标签。示例性地,二分类任务的规则方案可设置两种标签,两种标签分别对应两种正则表达式,根据待处理表格的标题的关键字命中频次,命中当前标题的关键字则赋上与当前标题对应的标签,都没命中当前标题的关键字则记为其他标签。
可以理解的是,上述实施例中还可以选用其他机器学习模型,本申请实施例在此不作限制。
本申请实施例所示意的步骤S301至步骤S304,通过LayoutLm模型获取文本实体的字符特征矩阵并转换为字符特征向量,对字符特征向量进行标注处理,再通过Xgboost模型对标注得到的字符级别标签进行分类,提高对待处理表格中不同类别的文本实体进行识别。
请参阅图4,在一些实施例中,步骤S103可以包括但不限于包括步骤S401至步骤S404。
步骤S401,依据所述字符标签所对应的字符类别,将近邻距离内若干个字符类别相同的所述字符标签进行关联,得到第一邻接关系图;
步骤S402,将所述第一邻接关系图进行矩阵表示,得到第一邻接矩阵;
步骤S403,获取所述字符标签的若干个标签特征向量;
步骤S404,以各所述标签特征向量为矩阵元素,构造所述标签特征矩阵。
在一些实施例的步骤S401中,依据所述字符标签所对应的字符类别,将近邻距离内若干个字符类别相同的所述字符标签进行关联,可以是基于k-近邻(KNN,k-NearestNe ighbor)算法来确定字符标签的近邻距离以及近邻距离内字符类别相同的若干个字符标签。具体地,k-近邻算法的输入为字符标签的字符特征向量,对应于特征空间的点,输出为字符标签的类别,可以取多类,k-邻算法假设给定一个训练数据集,其中的字符标签的类别已预先设定,根据其k个最近邻的训练实例的类别,通过多数表决等方式进行预测,确定各个字符标签之间的邻接关系,将存在邻接关系的字符标签连接起来,得到第一邻接关系图。示例性地,分类时,对于当前待分类的字符标签,在训练样本集中找出距离当前待分类的字符标签最近的k个其他字符标签,并保存至集合N中,统计集合N中每一类字符标签的个数,将当前待分类的字符标签与集合N相同类别的其他字符标签分别两两连接,得到如图10所示的第一邻接关系图。
在一些实施例的步骤S402中,将所述第一邻接关系图进行矩阵表示,得到第一邻接矩阵,具体是通过矩阵方式表示第一邻接关系图中各个字符标签之间的邻接关系。示例性地,如图11所示,第一邻接关系图进行矩阵表示得到的第一邻接矩阵,“1”表示两个字符标签具有邻接关系(相邻),“0”表示两个字符标签不具有邻接关系(不相邻),例如,字符标签p1分别与字符标签p1、字符标签p2、字符标签p5和字符标签p6相连,则第一行中的字符标签p1与第一列中的字符标签p1、字符标签p2、字符标签p5和字符标签p6分别对应的矩阵元素为1,第一行中的字符标签p1与第一列中的其他字符标签分别对应的矩阵元素为0。
在一些实施例的步骤S403中,获取所述字符标签的若干个标签特征向量,可以是获取各字符标签之间的相对位置特征以及字符标签所对应的文本实体的文本类型。示例性地,根据l ayout lm模型生成的字符标签,生成pos it i on embedd i ng、text embedd ing和l abe l等多个特征,其中,pos it i on embedd i ng表示字符标签的位置信息,包括位于经过标准化的字符标签的左上角的字符标签的坐标信息以及位于经过标准化的字符标签的右下角的字符标签的坐标信息,text embedd i ng表示经过循环神经网络(Recurrent Neura l Network,RNN)提取的文本特征信息,Labe l是l ayout lm模型或者xgboost模型输出关于字符标签的分类标注信息。
在一些实施例的步骤S404中,以各所述标签特征向量为矩阵元素,构造所述标签特征矩阵,将获取得到的相对位置特征和文本实体的文本类型等特征以行矩阵的形式组合,构成标签特征矩阵,使得标签特征矩阵表征各字符标签的特征信息。示例性地,根据layout lm模型生成的字符标签,生成pos it i on embedd i ng、text embedd i ng和labe l三个特征,将这三个特征以行矩阵的形式组合,得到标签特征矩阵
h=[pos it i on embedd i ng,text embedd i ng,l abe l]。
本申请实施例所示意的步骤S401至步骤S404,基于字符标签的类别构造第一邻接矩阵以及基于字符标签的位置特征构造标签特征矩阵,可以初步确定各个字符标签之间的邻居关系以及相对位置,为特征抽取步骤的精度提供依据。
请参阅图5,在一些实施例中,步骤S104可以包括但不限于包括步骤S501至步骤S504。
步骤S501,计算标签聚合信息,所述标签聚合信息表征所述字符标签与所述字符标签的邻居标签的位置特征聚合运算结果,所述字符标签的邻居标签为在所述第一邻接矩阵与当前的字符标签邻接的其他的字符标签;
步骤S502,使用所述标签聚合信息更新所述字符标签,得到新的字符标签;
步骤S503,依据所述新的字符标签的特征类别,将近邻距离内若干个特征类别相同的所述新的字符标签进行连接,得到第二邻接关系图;
步骤S504,将所述第二邻接关系图进行矩阵表示,得到第二邻接矩阵。
在一些实施例的步骤S501中,计算标签聚合信息,包括:
将所述第一邻接矩阵与单位矩阵相加,得到新的第一邻接矩阵;
将所述新的第一邻接矩阵中的字符标签与字符标签的邻居标签的特征进行加权求和,得到求和运算结果;
对所述求和运算结果进行归一化处理,得到所述标签聚合信息。
具体地,标签聚合信息的计算函数为:
其中,H
对
使用上面的标签聚合信息的计算函数即可把字符标签自身的信息也考虑进去,但是这个公式仍然存在问题:新的第一邻接矩阵
会把字符标签所有邻居标签的向量都相加,这样经过多层卷积后某些字符标签的特征向量的值会很大。因为新的第一邻接矩阵/>
归一化处理后标签聚合信息的计算函数为:
其中,H
在一些实施例的步骤S502中,使用所述标签聚合信息更新所述字符标签,得到新的字符标签,其中,标签聚合信息当前字符标签的特征及其邻居标签的特征聚合在一起,标签聚合信息替换当前字符标签原来的特征,从而对当前节点的特征进行更新,如此重复,迭代地对各个字符标签的特征进行更新,当迭代次数达到设定阈值或者是特征抽取符合预设预期之后,停止迭代并输出新的字符标签,更新各个新的字符标签之间的邻接关系。
在一些实施例的步骤S503中,依据所述新的字符标签的特征类别,将近邻距离内若干个特征类别相同的所述新的字符标签进行连接,得到第二邻接关系图,可以是基于k-近邻(KNN,k-NearestNe i ghbor)算法来确定字符标签的近邻距离以及近邻距离内字符类别相同的若干个字符标签。具体地,k-近邻算法的输入为新的字符标签的字符特征向量,对应于特征空间的点,输出为新的字符标签的类别,新的字符标签的类别与第一邻接关系图的字符标签的类别相同,根据其k个最近邻的训练实例的类别,通过多数表决等方式进行预测,确定各个新的字符标签之间的邻接关系,将存在邻接关系的新的字符标签连接起来,得到第二邻接关系图。示例性地,分类时,对于当前待分类的新的字符标签,在训练样本集中找出距离当前待分类的新的字符标签最近的k个其他新的字符标签,并保存至集合N中,统计集合N中每一类新的字符标签的个数,将当前待分类的新的字符标签与集合N相同类别的其他新的字符标签分别两两连接,得到如图12所示的第二邻接关系图。
在一些实施例的步骤S504中,将所述第二邻接关系图进行矩阵表示,得到第二邻接矩阵,具体是通过矩阵方式表示第二邻接关系图中各个字符标签之间的邻接关系。示例性地,如图13所示,第二邻接关系图进行矩阵表示得到的第二邻接矩阵,“1”表示两个字符标签具有邻接关系(相邻),“0”表示两个字符标签不具有邻接关系(不相邻),例如,经过位置特征抽取处理更新各个字符标签之间的邻接关系后,字符标签p1分别与字符标签p1、字符标签p2相连,则第一行中的字符标签p1与第一列中的字符标签p1、字符标签p2对应的矩阵元素为1,第一行中的字符标签p1与第一列中的其他字符标签分别对应的矩阵元素为0。
本申请实施例所示意的步骤S501至步骤S504,通过迭代地聚合当前字符标签及其邻居标签的特征来更新当前字符标签的特征,依据第一邻接矩阵的字符标签的类别信息和字符标签的特征信息,更新各个字符标签之间的行位置关系,在图片存在扭曲或者是往表格的行方向倾斜向上或向下时也可以识别图片中的表格文本内容的行位置关系。
在一些实施例中,步骤S105,包括:
依据所述第二邻接矩阵中各个节点的邻接关系,将所述第二邻接矩阵中的各个节点进行排列,将所述第二邻接矩阵中的节点转换为对应的所述文本实体,从而构造识别后的表格。
可以理解的是,第二邻接矩阵中的节点指的是经过位置特征抽取处理后更新邻接关系的字符标签。构造识别后的表格,可以是识别字符标签所对应的文本实体,将字符标签转换为对应的文本实体,将文本实体按照对应字符标签的邻接关系进行排列,使各个文本实体按照第二邻接关系图中的行位置关系进行排列,在相应的位置上形成表格边框,使排列后的文本实体分别位于一个独立的表格框内,从而构造识别后的表格。
请参阅图6,本申请实施例还提供一种表格信息抽取装置,可以实现上述表格信息抽取方法,该装置包括:
识别模块610,用于识别待识别图片中的待处理表格,得到多个文本片段;
分类模块620,用于对文本片段进行字符级别分类处理,得到多个字符标签,字符标签包含文本片段中对应的文本实体的字符内容,文本实体为所述文本片段中的字符级别信息;
特征构造模块630,用于基于字符标签构造第一邻接矩阵和标签特征矩阵,第一邻接矩阵表征各字符标签的行列邻接关系,标签特征矩阵包含各字符标签的位置特征信息;
特征抽取模块640,用于使用预训练的图卷积网络对第一邻接矩阵和标签特征矩阵进行位置特征抽取处理,基于位置特征抽取处理结果构造第二邻接矩阵;
确定模块650,用于基于第二邻接矩阵中各个节点的邻接关系确定各文本实体在待处理表格中的行位置关系,基于确定的行位置关系矫正各所述文本实体在所述待处理表格中的位置。
该表格信息抽取装置的具体实施方式与上述表格信息抽取方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述表格信息抽取方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图7,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器701,可以采用通用的CPU(Centra l Process i ngUn it,中央处理器)、微处理器、应用专用集成电路(App l i cat i onSpec i f i c I ntegratedCi rcu it,ASI C)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器702,可以采用只读存储器(ReadOn l yMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器702可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器702中,并由处理器701来调用执行本申请实施例的表格信息抽取方法;
输入/输出接口703,用于实现信息输入及输出;
通信接口704,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WI F I、蓝牙等)实现通信;
总线705,在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息;
其中,处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述表格信息抽取方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的表格信息抽取方法、装置、电子设备及存储介质,其通过对识别待识别图片中的表格文本内容进行进一步的字符级别识别和分类,从而获得多个字符级别的字符标签,提高表格文本内容的识别精度,使用字符标签构造第一邻接矩阵和标签特征矩阵,第一邻接矩阵表征各字符标签的行列邻接关系,标签特征矩阵表征各字符标签的特征信息,再通过预训练的图卷积网络对第一邻接矩阵和标签特征矩阵进行位置特征抽取处理,识别出各字符标签之间的行位置关系,并以此作为位置特征抽取处理结果,将位置特征抽取处理结果表征的各字符标签之间的行位置关系转换为第二邻接矩阵中各个节点的邻接关系,从而确定各文本实体在待处理表格中的行位置关系,得到表格文本内容的识别结果,在图片存在扭曲或者是往表格的行方向倾斜向上或向下时也可以识别图片中的表格文本内容的行位置关系,提高对图片表格信息进行信息抽取时的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元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单元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,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-On l y Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
- 数据抽取方法、装置、存储介质及电子设备
- 数据抽取方法、装置、计算机设备及存储介质
- 数据抽取方法、装置、计算设备及计算机存储介质
- 表格处理方法、装置、电子设备及可读存储介质
- 对电子表格进行筛选的方法、装置、电子设备及存储介质
- 表格信息抽取方法、装置、存储介质及电子设备
- 表格信息抽取方法、装置、存储介质及电子设备