一种表单评估方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能和信息处理的技术领域，具体而言，涉及一种表单评估方法、装置、电子设备及存储介质。

背景技术

目前，评估表单复杂度的方式大都是通过人工评估的，例如：在产品经理完成表单的设计之后，让大量的用户来评估表单的填写复杂度，并统计出表单的每个表单元素的复杂度；或者，让资深设计师从布局设计、样式选择或美观可读等方面来对表单的设计复杂度进行评估。因此，通过人工评估表单复杂度的效率较低。

发明内容

本申请实施例的目的在于提供一种表单评估方法、装置、电子设备及存储介质，用于改善评估表单复杂度的效率较低的问题。

本申请实施例提供了一种表单评估方法，包括：从待处理表单中解析出表单元素和表单元素对应的脚本代码；对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取，获得特征集合；使用深度学习模型对特征集合进行评估，获得评估分数，评估分数表征待处理表单的填写复杂度。在上述方案的实现过程中，通过从对待处理表单、表单元素和表单元素对应的脚本代码中提取出特征集合，并使用深度学习模型对该特征集合进行评估，获得表征待处理表单的填写复杂度的评估分数，从而改善了通过人工评估表单复杂度的情况，有效地提高了评估表单复杂度的效率。

可选地，在本申请实施例中，对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取，获得特征集合，包括：从待处理表单中提取出元素控件数量特征、表单模板特征和/或联动控件数量特征；从表单元素中提取出元素控件类型特征和/或元素布局类型特征；从表单元素对应的脚本代码中提取出内容验证特征和/或内容提示特征；将元素控件数量特征、表单模板特征、联动控件数量特征、元素控件类型特征、元素布局类型特征、内容验证特征和/或内容提示特征确定为特征集合。在上述方案实现过程中，通过提取出全局的表单特征、局部的元素特征以及延伸的脚本特征，从而全面评估了表单的全部特征，有效地提高了评估表单复杂度的准确率。

可选地，在本申请实施例中，在获得评估分数之后，还包括：判断评估分数是否大于预设阈值；若是，则根据特征集合生成改进建议，并根据表单元素、改进建议和评估分数生成评估报告，否则，向目标设备发送待处理表单，以使目标设备返回待处理表单对应的表单数据。在上述方案的实现过程中，通过在评估分数大于预设阈值的情况下，根据特征集合生成改进建议，并根据表单元素、改进建议和评估分数生成评估报告，从而可以根据评估报告中的改进建议来优化待处理表单，有效地提高了待处理表单的优化效率。

可选地，在本申请实施例中，在向目标设备发送待处理表单之后，还包括：使用神经网络模型对待处理表单对应的表单数据进行校验，获得校验结果。在上述方案的实现过程中，通过使用神经网络模型对非结构化的表单数据和结构化的表单数据进行数据验证，由于神经网络模型能够校验非结构化的表单数据，因此该神经网络模型能够适应复杂多变的业务需求和业务逻辑的变化，从而提高了校验表单数据的效率和鲁棒性。

可选地，在本申请实施例中，在获得校验结果之后，还包括：若校验结果是不通过，则向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查。在上述方案的实现过程中，通过在校验结果是不通过的情况下，向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查，从而改善了表单校验不通过导致无法收集表单数据的情况，提供了表单数据的收集效率。

可选地，在本申请实施例中，在向目标设备发送待处理表单之后，还包括：接收目标设备发送的待处理表单对应的表单数据；将待处理表单对应的表单数据转换为目标设备的数据表格。在上述方案的实现过程中，通过接收目标设备发送的待处理表单对应的表单数据；将待处理表单对应的表单数据转换为目标设备的数据表格，从而有效地提高了表单数据转换为目标设备的数据表格的效率。

可选地，在本申请实施例中，深度学习模型，包括：VGG网络模型、ResNet网络模型、WideResNet模型或者Inception网络模型。

本申请实施例还提供了一种表单评估装置，包括：表单元素解析模块，用于从待处理表单中解析出表单元素和表单元素对应的脚本代码；特征集合获得模块，用于对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取，获得特征集合；评估分数获得模块，用于使用深度学习模型对特征集合进行评估，获得评估分数，评估分数表征待处理表单的填写复杂度。

可选地，在本申请实施例中，特征集合获得模块，包括：表单特征提取子模块，用于从待处理表单中提取出元素控件数量特征、表单模板特征和/或联动控件数量特征；元素特征提取子模块，用于从表单元素中提取出元素控件类型特征和/或元素布局类型特征；脚本特征提取子模块，用于从表单元素对应的脚本代码中提取出内容验证特征和/或内容提示特征；特征集合确定子模块，用于将元素控件数量特征、表单模板特征、联动控件数量特征、元素控件类型特征、元素布局类型特征、内容验证特征和/或内容提示特征确定为特征集合。

可选地，在本申请实施例中，表单评估装置，还包括：评估分数判断模块，用于判断评估分数是否大于预设阈值；改进建议生成模块，用于若评估分数大于预设阈值，则根据特征集合生成改进建议，并根据表单元素、改进建议和评估分数生成评估报告，否则，向目标设备发送待处理表单，以使目标设备返回待处理表单对应的表单数据。

可选地，在本申请实施例中，表单评估装置，还包括：表单数据校验模块，用于对待处理表单对应的表单数据进行校验，获得校验结果。

可选地，在本申请实施例中，表单评估装置，还包括：表单数据发送模块，用于若校验结果是不通过，则向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查。

可选地，在本申请实施例中，表单评估装置，还包括：表单数据接收模块，用于接收目标设备发送的待处理表单对应的表单数据；表单数据转换模块，用于将待处理表单对应的表单数据转换为目标设备的数据表格。

可选地，在本申请实施例中，深度学习模型，包括：VGG网络模型、ResNet网络模型、WideResNet模型或者Inception网络模型。

本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。

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上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请实施例中的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出的本申请实施例提供的表单评估方法的流程示意图；

图2示出的本申请实施例提供的待处理表单的提示校验示意图；

图3示出的本申请实施例提供的表单评估装置的结构示意图；

图4示出的本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请实施例中的附图仅起到说明和描述的目的，并不用于限定本申请实施例的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请实施例中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请实施例内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请实施例的一部分，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围，而是仅仅表示本申请实施例的选定实施例。

可以理解的是，本申请实施例中的“第一”“第二”用于区别类似的对象。本领域技术人员可以理解“第一”“第二”等字样并不对数量和执行次序进行限定，并且“第一”“第二”等字样也并不限定一定不同。在本申请实施例的描述中，术语“和/或”仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)。

在介绍本申请实施例提供的表单评估方法之前，先介绍本申请实施例中所涉及的一些概念：

神经网络模型(Neural Network Model)，是指使用预设的训练数据对未经训练的神经网络进行训练后获得的神经网络模型，这里的预设的训练数据可以根据具体实际情况进行设置，例如：在图像识别的任务中，预设的训练数据是指用于识别的样本图像以及该样本图像对应的图像标签。

光学字符识别(Optical Character Recognition，OCR)是指利用相机、扫描仪等光学输入电子设备对票据、订单号、文本文件或其它载体上的字符进行拍摄或扫描，然后对拍摄或扫描后的图像文件进行数字化处理，得到文字信息的过程。

表单(Form)是一个包含表单元素的区域，一个表单中可以包括多个表单元素。此处的表单元素是允许用户在表单中输入内容，比如：文本域(textarea)、下拉列表(select)、单选框(radio-buttons)、复选框(checkbox)等等。

需要说明的是，本申请实施例提供的表单评估方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。

下面介绍该表单评估方法适用的应用场景，这里的应用场景包括但不限于：在向用户发送的表单收集数据的过程中，发出去的表单越容易填写，就能够收集到更多的表单数据，也就说是，表单的填写复杂度与用户填写表单的意愿相关。在向用户发送设计出的表单之前，可以使用该表单评估方法对待处理表单进行评估，以便于根据该表单的评估分数来决定是否对该表单进行优化，或者是否向用户发送表单。

请参见图1示出的本申请实施例提供的表单评估方法的流程示意图；该表单评估方法的主要思路是，通过从对待处理表单、表单元素和表单元素对应的脚本代码中提取出特征集合，并使用深度学习模型对该特征集合进行评估，获得表征待处理表单的填写复杂度的评估分数。上述表单评估方法的实施方式可以包括：

步骤S110：从待处理表单中解析出表单元素和表单元素对应的脚本代码。

待处理表单，是指用于处理的表单(Form)，从待处理表单中解析出表单元素例如：文本域(textarea)、下拉列表菜单(select)、单选框(radio-buttons)、复选框(checkbox)等等。

请参见图2示出的本申请实施例提供的待处理表单的提示校验示意图；可以理解的是，从待处理表单中解析出表单元素对应的脚本代码例如：上述的待处理表单可以是用于注册的表单，那么从待处理表单中解析出表单元素例如：假设待处理表单包括用户名的输入框和密码的输入框，从待处理表单中解析出表单元素对应的脚本代码可以是用户名的重复校验代码和密码的强度验证代码。

步骤S120：对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取，获得特征集合。

脚本代码是指使用脚本语言编写的程序代码，脚本语言是为了缩短传统电脑语言编译链接的过程而创建的编程语言，上述的脚本程序例如：JavaScript等等。

步骤S130：使用深度学习模型对特征集合进行评估，获得评估分数，评估分数表征待处理表单的填写复杂度。

在上述方案的实现过程中，通过从对待处理表单、表单元素和表单元素对应的脚本代码中提取出特征集合，并使用深度学习模型对该特征集合进行评估，获得表征待处理表单的填写复杂度的评估分数，从而改善了通过人工评估表单复杂度的情况，有效地提高了评估表单复杂度的效率。

作为上述步骤S110的一种可选实施方式，可以理解的是，在表单的设计过程中，上述的待处理表单可以是由至少一个表单元素(多个表单元素例如用户名的输入框和密码的输入框等)，以及每个表单元素对应的脚本代码(例如用户名的重复校验代码和密码的强度验证代码等)构成的。因此，可以从待处理表单中解析出至少一个表单元素(多个表单元素例如用户名的输入框和密码的输入框等)和每个表单元素对应的脚本代码(例如用户名的重复校验代码和密码的强度验证代码等)。

作为上述步骤S120的一种可选实施方式，对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取的实施方式可以包括：

步骤S121：从待处理表单中提取出元素控件数量特征、表单模板特征和/或联动控件数量特征。

上述步骤S121的实施方式例如：可以先提取出待处理表单的全局特征，具体地，电子设备可以从待处理表单中提取出元素控件数量特征、表单布局特征、表单版本特征、表单模板特征和/或联动控件数量特征等等全局的表单特征。

步骤S122：从表单元素中提取出元素控件类型特征和/或元素布局类型特征。

上述步骤S122的实施方式例如：可以从待处理表单的表单元素中提取出局部的元素特征，具体地，电子设备可以从待处理表单的表单元素中提取出元素选项数量(例如下拉列表菜单的选项数量)、元素选项内容(例如下拉列表菜单的选项内容)、元素控件类型特征和/或元素布局类型特征等等局部的元素特征。

步骤S123：从表单元素对应的脚本代码中提取出内容验证特征和/或内容提示特征。

上述步骤S123的实施方式例如：可以从待处理表单的表单元素中提取出延伸的脚本特征，具体地，假设待处理表单包括用户名的输入框和密码的输入框，从待处理表单中解析出表单元素对应的脚本代码可以是用户名的重复校验代码和密码的强度验证代码，那么可以从用户名的重复校验代码和密码的强度验证代码中提取出内容验证特征和/或内容提示特征(例如强度验证代码中的“您的密码强度较弱”、“您的密码强度中等”和“您的密码强度非常好”等内容提示中提取出的文本特征)。

步骤S124：将元素控件数量特征、表单模板特征、联动控件数量特征、元素控件类型特征、元素布局类型特征、内容验证特征和/或内容提示特征确定为特征集合。

上述步骤S124的实施方式例如：将元素控件数量特征、表单布局特征、表单版本特征、表单模板特征、联动控件数量特征、元素选项数量(例如下拉列表菜单的选项数量)、元素选项内容(例如下拉列表菜单的选项内容)、元素控件类型特征、元素布局类型特征、内容验证特征和/或内容提示特征(例如强度验证代码中的“您的密码强度较弱”、“您的密码强度中等”和“您的密码强度非常好”等内容提示中提取出的文本特征)确定为特征集合。

在上述方案实现过程中，通过提取出全局的表单特征(例如元素控件数量特征、表单布局特征、表单版本特征、表单模板特征和/或联动控件数量特征等等)、局部的元素特征(例如元素选项数量、元素选项内容、元素控件类型特征和/或元素布局类型特征等)以及延伸的脚本特征(例如内容验证特征和/或内容提示特征)，从而全面评估了表单的全部特征，有效地提高了评估表单复杂度的准确率。

作为上述步骤S130的一种可选实施方式，可以理解的是，上述的深度学习模型可以是事先使用大量的历史表单数据训练获得的，具体是使用该历史表单数据的特征集合作为样本数据，历史表单数据对应的评估分数作为样本标签，对深度神经网络模型进行训练获得的，从而上述的深度学习模型能够从大量的历史表单数据中学习到特征集合与评估分数之间的深层关系和规律。因此，可以使用LeNet网络模型、AlexNet网络模型、VGG网络模型、GoogLeNet网络模型、ResNet网络模型、WideResNet模型或者Inception网络模型等深度学习模型从文字可读性、交互便利性、布局逻辑性和/或样式一致性等方面对特征集合进行全方位评估，从而获得各个方面的评估分数。上述的文字可读性例如：考虑表单数据中的样式内容，文字大小、字体、行距、字距、颜色对比等因素，上述的交互便利性例如：关注按钮的大小、位置、反馈机制等。在上述方案的执行过程中，通过使用深度学习模型从文字可读性、交互便利性、布局逻辑性和/或样式一致性等方面对特征集合进行全方位评估，从而减少了人工评估带来的主观因素带来的影响，有效地提高了评估表单复杂度的效率。

作为上述表单评估方法的一种可选实施方式，在获得评估分数之后，还可以根据评估分数生成改进建议，该实施方式可以包括：

步骤S140：判断评估分数是否大于预设阈值。

上述步骤S140的实施方式例如：使用预设编程语言编译或者解释的可执行程序判断评估分数是否大于预设阈值，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。

步骤S150：若评估分数大于预设阈值，则根据特征集合生成改进建议，并根据表单元素、改进建议和评估分数生成评估报告。

上述步骤S150的实施方式例如：若评估分数大于预设阈值，则在建议数据库中查找该特征集合中的每个特征对应的建议内容，获得多个建议内容，并将多个建议内容按照预设格式进行拼接，从而生成最终的改进建议。具体例如：如果特征集合中包括“布局逻辑性”特征，且该“布局逻辑性”特征的评估分数小于单项阈值，则建议数据库中查找该“布局逻辑性”特征对应的建议内容，该“布局逻辑性”特征对应的建议内容可以是“优化布局”，“考虑用户扫描路径”等。

步骤S160：若评估分数小于或者等于预设阈值，则向目标设备发送待处理表单，以使目标设备返回待处理表单对应的表单数据。

上述步骤S160的实施方式例如：上述的目标设备可以是智能水表、智能电表或智能气表等等智能设备，也可以是机械设备(例如无法自动通信的电表)。若评估分数小于或者等于预设阈值，则电子设备通过传输控制协议(Transmission Control Protocol，TCP)或者用户数据报协议(User Datagram Protocol，UDP)向机械设备、智能水表、智能电表或智能气表等等目标设备发送待处理表单，以使目标设备返回待处理表单对应的表单数据。

作为上述步骤S160的一种可选实施方式，在向目标设备发送待处理表单之后，还可以对表单数据进行校验。

第一种实施方式，使用神经网络模型对表单数据进行校验，该实施方式可以包括：

步骤S161：使用神经网络模型对待处理表单对应的表单数据进行校验，获得校验结果。

上述步骤S161的实施方式例如：由于循环神经网络(Recurrent Neural Network，RNN)等等神经网络模型能够校验非结构化的表单数据，其中，可以使用的循环神经网络(RNN)包括：长短期记忆(Long Short-Term Memory，LSTM)网络和双向长短记忆(Bidirectional Long Short-Term Memory，Bi-LSTM)网络等等。具体地，例如：在简历的表单数据校验过程中，可以使用人脸识别模型等神经网络模型来校验待处理表单对应的表单数据中的图像是否包括人脸头像，又例如：在保险合同的表单数据校验过程中，可以使用语音识别模型等神经网络模型来校验待处理表单对应的表单数据中的语音是否保护投保人读出的预设内容，以确保投保人知晓保险条款与投保范围等内容。因此，可以使用神经网络模型对待处理表单对应的表单数据进行有效性、完整性和一致性等校验，获得校验结果。

在上述的实现过程中，使用神经网络模型对非结构化的表单数据和结构化的表单数据进行数据验证，由于神经网络模型能够校验非结构化的表单数据，因此该神经网络模型能够适应复杂多变的业务需求和业务逻辑的变化，从而提高了校验表单数据的效率和鲁棒性。

第二种实施方式，使用机器学习算法对表单数据进行校验，该实施方式可以包括：

步骤S162：使用机器学习算法对待处理表单对应的表单数据进行校验，获得校验结果。

上述步骤S162的实施方式例如：使用决策树(Decision Tree)、回归树(Regression Decision Tree，RDT)、梯度提升决策树(Gradient Boosting DecisionTree，GBDT)、随机森林(Random Forest)、支持向量机(Support Vector Machine，SVM)等机器学习算法构建规则引擎，并使用该规则引擎来对待处理表单对应的表单数据进行有效性、完整性和一致性等校验，获得校验结果。

作为上述步骤S160的一种可选实施方式，在获得校验结果之后，还可以让校验结果不通过的表单数据进行人工复查，该实施方式可以包括：

步骤S163：若校验结果是不通过，则向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查。

上述步骤S163的实施方式例如：若校验结果是不通过，则电子设备通过超文本传输协议(Hyper Text Transfer Protocol，HTTP)或者超文本传输安全协议(Hyper TextTransfer Protocol Secure，HTTPS)向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查。

作为一种可选实施方式，在向目标设备发送待处理表单之后，还可以将接收到的表单数据转换为数据表格，该实施方式可以包括：

步骤S170：电子设备接收目标设备发送的待处理表单对应的表单数据。

上述步骤S170的实施方式例如：上述的目标设备可以是智能水表、智能电表或智能气表等等智能设备，电子设备对应的用户可以直接一键操作，从而实时地通过应用程序接口(Application Programming Interface，API)与这些智能设备相互通信，因此，该电子设备可以通过应用程序接口(Application Programming Interface，API)接收该目标设备(例如上述的智能设备)发送的待处理表单对应的表单数据。可以理解的是，若该目标设备已经存储了待处理表单对应的表单数据，因此，电子设备对应的用户才可以一键操作通过API从目标设备获取到待处理表单对应的表单数据。

可选地，若上述的目标设备不是智能设备，而是无法提供接口信息的机械设备(例如无法自动通信的电表)，那么可以上述的电子设备可以使用光学字符识别(OpticalCharacter Recognition，OCR)自动识别出该机械设备上显示的数字数据，并将该数字数据自动填写到待处理表单中，从而获得待处理表单对应的表单数据。

步骤S180：电子设备将待处理表单对应的表单数据转换为目标设备的数据表格。

上述步骤S180的实施方式例如：电子设备可以使用预设编程语言编译或者解释的可执行程序，将待处理表单对应的表单数据转换为目标设备的数据表格(例如Excel)，其中，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。

作为一种可选实施方式，深度学习模型，包括：VGG网络模型、ResNet网络模型、WideResNet模型或者Inception网络模型。

请参见图3示出的本申请实施例提供的表单评估装置的结构示意图；本申请实施例提供了一种表单评估装置200，包括：

表单元素解析模块210，用于从待处理表单中解析出表单元素和表单元素对应的脚本代码。

特征集合获得模块220，用于对待处理表单、表单元素和表单元素对应的脚本代码进行特征提取，获得特征集合。

评估分数获得模块230，用于使用深度学习模型对特征集合进行评估，获得评估分数，评估分数表征待处理表单的填写复杂度。

可选地，在本申请实施例中，特征集合获得模块，包括：

表单特征提取子模块，用于从待处理表单中提取出元素控件数量特征、表单模板特征和/或联动控件数量特征。

元素特征提取子模块，用于从表单元素中提取出元素控件类型特征和/或元素布局类型特征。

脚本特征提取子模块，用于从表单元素对应的脚本代码中提取出内容验证特征和/或内容提示特征。

特征集合确定子模块，用于将元素控件数量特征、表单模板特征、联动控件数量特征、元素控件类型特征、元素布局类型特征、内容验证特征和/或内容提示特征确定为特征集合。

可选地，在本申请实施例中，表单评估装置，还包括：

评估分数判断模块，用于判断评估分数是否大于预设阈值。

改进建议生成模块，用于若评估分数大于预设阈值，则根据特征集合生成改进建议，并根据表单元素、改进建议和评估分数生成评估报告，否则，向目标设备发送待处理表单，以使目标设备返回待处理表单对应的表单数据。

可选地，在本申请实施例中，表单评估装置，还包括：

表单数据校验模块，用于对待处理表单对应的表单数据进行校验，获得校验结果。

可选地，在本申请实施例中，表单评估装置，还包括：

表单数据发送模块，用于若校验结果是不通过，则向管理设备发送待处理表单对应的表单数据，以使管理设备对待处理表单对应的表单数据进行复查。

可选地，在本申请实施例中，表单评估装置，还包括：

表单数据接收模块，用于接收目标设备发送的待处理表单对应的表单数据。

表单数据转换模块，用于将待处理表单对应的表单数据转换为目标设备的数据表格。

可选地，在本申请实施例中，深度学习模型，包括：VGG网络模型、ResNet网络模型、WideResNet模型或者Inception网络模型。

应理解的是，该装置与上述的表单评估方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。

请参见图4示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300，包括：处理器310和存储器320，存储器320存储有处理器310可执行的机器可读指令，机器可读指令被处理器310执行时执行如上的方法。

本申请实施例还提供了一种计算机可读存储介质330，该计算机可读存储介质330上存储有计算机程序，该计算机程序被处理器310运行时执行如上的方法。其中，计算机可读存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Read-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。

另外，在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”“一些实施例”“示例”“具体示例”“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。