[發(fā)明專利]文檔數(shù)字化中的語義規(guī)范化

有效

• 申請?zhí)枺?/td>: 201880069289.9
• 申請日: 2018-11-30
• 公開（公告）號: CN111263943B
• 公開（公告）日: 2023-10-10
• 發(fā)明（設(shè)計）人: K·諾思羅普;C·特里姆;T·希克凱;A·阿德尼蘭;K·諾思羅普
• 申請（專利權(quán)）人: 國際商業(yè)機器公司
• 主分類號: G06F40/30
• 分類號: G06F40/30
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 酆迅;姚杰

一種用于規(guī)范化文檔圖像中的鍵的方法，包括：基于候選鍵在語義上與鍵可互換，識別與文檔圖像中的對象相對應(yīng)的候選鍵為鍵本體數(shù)據(jù)中的鍵。文檔圖像的每個對象的上下文、位置和樣式在文檔元數(shù)據(jù)中表示。將候選鍵規(guī)范化為規(guī)范化形式。確定對應(yīng)于規(guī)范化形式的鍵類，并且評估指示該鍵類代表候選鍵的可能性的置信度分數(shù)。在驗證時用鍵類更新語義數(shù)據(jù)庫，以增強對未來文檔的處理。

技術(shù)領(lǐng)域

本公開涉及文檔數(shù)字化技術(shù)，并且更具體地涉及用于對文檔圖像中出現(xiàn)的鍵進行語義規(guī)范化的方法、計算機程序產(chǎn)品和系統(tǒng)。

背景技術(shù)

在傳統(tǒng)的文檔處理中，在準備時，逐頁掃描紙上墨文檔(ink-on-paper)作為相應(yīng)的可視圖像。掃描紙張的結(jié)果文檔文件通常是一系列頁面的可視圖像。頁面的每個視覺圖像具有表示單詞、短語、句子以及對應(yīng)于特定單詞的多種格式的值的對象。識別這種可視對象的數(shù)據(jù)內(nèi)容并將某些數(shù)據(jù)內(nèi)容關(guān)聯(lián)在一起以產(chǎn)生如數(shù)據(jù)字段名和關(guān)系數(shù)據(jù)庫的相應(yīng)值中的計算數(shù)據(jù)的一系列過程被稱為文檔數(shù)字化或數(shù)據(jù)提取。計算數(shù)據(jù)可以通過使用許多計算機程序應(yīng)用程序而被訪問和進一步處理。鑒于在傳統(tǒng)紙件表格和尚未計算的掃描文檔圖像中表示的信息量，從傳統(tǒng)文檔中自動和準確的數(shù)據(jù)提取可以顯著地有助于工業(yè)和社會生產(chǎn)力。

發(fā)明內(nèi)容

通過在一個方面提供一種用于規(guī)范化文檔圖像中的鍵的方法，解決了現(xiàn)有技術(shù)的一個或多個缺點，并且提供了附加的優(yōu)點，該方法包括：由計算機的一個或多個處理器獲得文檔圖像的文檔元數(shù)據(jù)，其中文檔元數(shù)據(jù)包括針對出現(xiàn)在文檔圖像中的每個對象的上下文、位置和樣式；基于候選鍵與鍵語義可互換，識別與文檔圖像中的對象相對應(yīng)的候選鍵為鍵本體數(shù)據(jù)中的鍵；將所述候選鍵規(guī)范化為規(guī)范化形式；確定與所述規(guī)范化形式相對應(yīng)的鍵類，其中，所述鍵類與所述鍵本體數(shù)據(jù)中的鍵相關(guān)聯(lián)；基于所述文檔元數(shù)據(jù)，評估所述鍵類的置信度分數(shù)，其中，所述置信度分數(shù)指示所述鍵類由所述候選鍵表示的可能性；以及基于根據(jù)預(yù)配置的驗證方式驗證所述鍵類，用所述鍵類更新語義數(shù)據(jù)庫，使得所述鍵類可以與出現(xiàn)在其他文檔圖像中的語義上可互換的文本有效地相關(guān)聯(lián)。

本發(fā)明的另一方面提供了一種用于規(guī)范化文檔圖像中的鍵的方法，包括：基于候選鍵在語義上可與鍵互換，通過計算機的一個或多個處理器，識別與文檔圖像中的對象相對應(yīng)的候選鍵為鍵本體數(shù)據(jù)中的鍵；將所述候選鍵規(guī)范化為規(guī)范化形式；從所述規(guī)范化形式導(dǎo)出所述候選鍵的一個或多個別名，其中所述一個或多個別名不與語義數(shù)據(jù)庫中的所述鍵相關(guān)聯(lián)；基于所述文檔圖像的文檔元數(shù)據(jù)，針對所述一個或多個別名中的每個評估相應(yīng)的置信度分數(shù)，其中，所述置信度分數(shù)指示每個別名由所述候選鍵表示的可能性；以及基于根據(jù)預(yù)先配置的驗證方式驗證所述一個或多個別名，利用所述一個或多個別名來更新所述語義數(shù)據(jù)庫，使得基于所述文本與所述候選鍵語義匹配，所述一個或多個別名可以與來自其他文檔圖像的文本有效地相關(guān)聯(lián)。

本發(fā)明的另一方面提供了一種計算機程序產(chǎn)品，其包括計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)可由一個或多個處理器讀取并且存儲由該一個或多個處理器執(zhí)行的指令，用于執(zhí)行一種用于規(guī)范化文檔圖像中的鍵的方法，該方法包括：獲得文檔圖像的文檔元數(shù)據(jù)，其中文檔元數(shù)據(jù)包括針對出現(xiàn)在文檔圖像中的每個對象的上下文、位置和樣式；基于候選鍵與鍵語義可互換，識別與文檔圖像中的對象相對應(yīng)的候選鍵為鍵本體數(shù)據(jù)中的鍵；將所述候選鍵規(guī)范化為規(guī)范化形式；確定與所述規(guī)范化形式相對應(yīng)的鍵類，其中，所述鍵類與所述鍵本體數(shù)據(jù)中的鍵相關(guān)聯(lián)；基于所述文檔元數(shù)據(jù)，評估所述鍵類的置信度分數(shù)，其中，所述置信度分數(shù)指示所述鍵類由所述候選鍵表示的可能性；以及基于根據(jù)預(yù)配置的驗證方式驗證所述鍵類，用所述鍵類更新語義數(shù)據(jù)庫，使得所述鍵類可以與出現(xiàn)在其他文檔圖像中的語義上可互換的文本有效地相關(guān)聯(lián)。