[發明專利]基于領域知識模版的表格結構化提取方法

在審

• 申請號: 201810289621.4
• 申請日: 2018-04-03
• 公開（公告）號: CN110347982A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 王博遠;陳前力;淡強強;吳雪軍
• 申請（專利權）人: 鼎復數據科技（北京）有限公司
• 主分類號: G06F17/24
• 分類號: G06F17/24;G06F17/27
• 代理公司: 北京康思博達知識產權代理事務所(普通合伙) 11426
• 代理人: 范國鋒;劉冬梅

1.一種基于領域知識模版的表格結構化提取方法，其特征在于，該方法包括：

步驟1，編輯領域知識模板，在所述領域知識模版中設置有目標表格；

步驟2，識別文檔中各個待處理表格的種類，并分別調取用于處理各個待處理表格的領域知識模板；

步驟3，調整/轉換待處理表格的結構，使之與目標表格的結構相匹配；

步驟4，根據目標表格歸一化待處理表格中的數據。

2.根據權利要求1所述的基于領域知識模版的表格結構化提取方法，其特征在于，

步驟1中，編輯多個領域知識模板，所述多個領域知識模板分別用于處理多種類型的數據表格；

在各個領域知識模板中都分別記載有識別標志信息，用以在多種待處理表格中定位到該模版所針對/處理的特定待處理表格。

3.根據權利要求1所述的基于領域知識模版的表格結構化提取方法，其特征在于，

在所述步驟1的領域知識模板中，所述目標表格的結構可編輯，

目標表格中包括表頭、指標項和數據項；

優選地，所述指標項和數據項都具有層次結構。

4.根據權利要求1所述的基于領域知識模版的表格結構化提取方法，其特征在于，

領域知識模板中還存儲有可編輯的詞典，該詞典中記載有目標表格中各個表頭的同義詞和指標項的同義詞。

5.根據權利要求2所述的基于領域知識模版的表格結構化提取方法，其特征在于，

所述領域知識模板中的識別標志信息包括關鍵字/關鍵詞；

步驟2中，識別文檔中各個待處理表格的種類，包括：讀取待處理表格的目錄、標題、附注，從中找到代表該表格內容的關鍵字/關鍵詞，

通過待處理表格的關鍵字/關鍵詞與領域知識模板中識別標志信息之間的匹配程度，選擇用于處理待處理表格的領域知識模板。

6.根據權利要求1所述的基于領域知識模版的表格結構化提取方法，其特征在于，

在步驟2中，將由多個子表格合并而成的復合表格切分為多個子表格。

7.根據權利要求1所述的基于領域知識模版的表格結構化提取方法，其特征在于，

在步驟3中，調整/轉換待處理表格的結構，包括

子步驟1，對待處理表格中合并單元格、結構性單元格和內嵌表格做拉平、轉換或展開處理，進而將待處理表格調整為標準的n*m結構；

子步驟2，調整待處理表格中各個列的前后順序，使得待處理表格中各個列的前后順序與目標表格中各個列的前后順序一致；

子步驟3，調整待處理表格中各個行的上下順序，使得待處理表格中各個行的上下順序與目標表格中各個行的上下順序一致。

8.根據權利要求7所述的基于領域知識模版的表格結構化提取方法，其特征在于，

子步驟2中，通過比較表頭和指標項內容，來判斷待處理表格中的列和目標表格中的列是否一致。

9.根據權利要求7所述的基于領域知識模版的表格結構化提取方法，其特征在于，

子步驟3中，通過比較指標項及其同義詞，來判斷待處理表格中的行和目標表格中的行是否一致。

10.根據權利要求4所述的基于領域知識模版的表格結構化提取方法，其特征在于，

在步驟4中，根據目標表格歸一化待處理表格中的數據，包括，

子步驟a，根據目標表格和詞典，將待處理表格中指標項名稱改寫為標準名稱，

子步驟b，將待處理表格中的數值改為標準格式，并調整為統一標準單位。