[發明專利]文檔的處理方法及裝置

有效

• 申請號: 201910697312.5
• 申請日: 2019-07-30
• 公開（公告）號: CN110427488B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 袁燦;于政
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 江舟

1.一種文檔的處理方法，其特征在于，包括：

獲取文檔中的多個文本塊，其中，每個文本塊對應于一種顏色標簽；

通過分類器確定多個文件塊中每個文本塊的所屬標簽，以及通過預設的語言模型對所述多個文件塊中兩兩相鄰的文本塊進行分析，得到所述兩兩相鄰的文本塊的連續概率，其中，所述語言模型為使用多組數據通過機器學習訓練出的，所述多組數據中的每組數據均包括：兩兩相鄰的文本塊和兩兩相鄰的文本塊的連續概率；

在確定指定的兩兩相鄰的文本塊的連續概率的大于預設閾值，且所述指定的兩兩相鄰的文本塊屬于同一標簽的情況下，將所述指定的兩兩相鄰的文本塊進行合并;

通過預設的語言模型對所述多個文件塊中兩兩相鄰的文本塊進行分析，得到所述兩兩相鄰的文本塊的連續概率，包括：將所述兩兩相鄰的文本塊轉化為語音信息；將所述語音信息輸入到所述語言模型中，通過所述語言模型對所述語音信息的分析確定所述兩兩相鄰的文本塊的連續概率。

2.根據權利要求1所述的方法，其特征在于，獲取所述文檔中的所述多個文本塊包括：

將所述文檔轉化為圖片；

對所述圖片按照預設規則劃分不同的區域，其中，所述不同的區域分別對應于所述多個文本塊。

3.根據權利要求2所述的方法，其特征在于，對所述圖片按照預設規則劃分不同的區域之后，所述方法還包括：

分別對所述不同的區域標注標簽，其中，對所述不同的區域標注的標簽為所述每個文本塊的所屬標簽。

4.一種文檔的處理裝置，其特征在于，包括：

獲取單元，用于獲取文檔中的多個文本塊，其中，每個文本塊對應于一種顏色標簽；

確定單元，用于通過分類器確定多個文件塊中每個文本塊的所屬標簽，以及通過預設的語言模型對所述多個文件塊中兩兩相鄰的文本塊進行分析，得到所述兩兩相鄰的文本塊的連續概率，其中，所述語言模型為使用多組數據通過機器學習訓練出的，所述多組數據中的每組數據均包括：兩兩相鄰的文本塊和兩兩相鄰的文本塊的連續概率；

合并單元，用于在確定指定的兩兩相鄰的文本塊的連續概率的大于預設閾值，且所述指定的兩兩相鄰的文本塊屬于同一標簽的情況下，將所述指定的兩兩相鄰的文本塊進行合并；

所述確定單元，還用于將所述兩兩相鄰的文本塊轉化為語音信息；將所述語音信息輸入到所述語言模型中，通過所述語言模型對所述語音信息的分析確定所述兩兩相鄰的文本塊的連續概率。

5.根據權利要求4所述的裝置，其特征在于，所述獲取單元包括：

第一轉化模塊，用于將所述文檔轉化為圖片；

劃分模塊，用于對所述圖片按照預設規則劃分不同的區域，其中，所述不同的區域分別對應于所述多個文本塊。

6.根據權利要求5所述的裝置，其特征在于，所述裝置還包括：

標注單元，用于對所述圖片按照預設規則劃分不同的區域之后，分別對所述不同的區域標注標簽，其中，對所述不同的區域標注的標簽為所述每個文本塊的所屬標簽。

7.一種存儲介質，其特征在于，所述存儲介質包括存儲的程序，其中，在所述程序運行時控制所述存儲介質所在設備執行權利要求1至3中任一項所述的方法。

8.一種處理器，其特征在于，所述處理器用于運行程序，其中，所述程序運行時執行權利要求1至3中任一項所述的方法。