[發明專利]基于OCR技術的文本自動生成方法、裝置、設備及介質

在審

• 申請號: 202010727815.5
• 申請日: 2020-07-24
• 公開（公告）號: CN111782772A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 劉文濤;馮德亮;陳明忠
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/36;G06F40/289;G06F40/216;G06N3/04;G06K9/00;G06F21/62
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種基于OCR技術的文本自動生成方法，其特征在于，所述方法包括：

利用預構建的圖片文字識別方法對待識別圖片進行文字識別，得到文本信息；

對所述文本信息依次進行分詞和過濾，得到詞語集，基于圖排序算法從所述詞語集中提取關鍵詞；

將所述關鍵詞與預構建的關鍵詞字典進行匹配得到目標關鍵詞，根據所述目標關鍵詞在預構建的文本素材集數據庫中查詢，得到初始文本集；

根據所述初始文本集生成目標文本。

2.如權利要求1所述的基于OCR技術的文本自動生成方法，其特征在于，所述利用預構建的圖片文字識別方法對待識別圖片進行文字識別，得到文本信息，包括：

對待識別圖片進行圖像預處理，得到標準圖片；

利用預設的文字識別模型對所述標準圖片進行文字識別，得到所述文本信息。

3.如權利要求2所述的基于OCR技術的文本自動生成方法，其特征在于，所述利用預設的文字識別模型對所述標準圖片進行文字識別，得到所述文本信息，包括：

通過所述文字識別模型的卷積層對所述標準圖片執行卷積操作，從所述標準圖片中提取特征序列；

利用所述文字識別模型的循環層預測所述特征序列的標簽分布；

根據所述標簽分布，利用所述文字識別模型的轉錄層對所述特征序列進行序列化識別，得到所述文本信息。

4.如權利要求1所述的基于OCR技術的文本自動生成方法，其特征在于，所述對所述文本信息依次進行分詞和過濾，得到詞語集，包括：

利用前綴分詞詞典對所述文本信息進行切分，得到一種或者多種劃分方式下的原始詞語集；

根據所述原始詞語集，通過首尾相連構建有向無環圖；

采用動態規劃算法計算所述有向無環圖中的最大概率路徑，得到所述文本信息的分詞結果；

根據預設的停用詞表對所述分詞結果進行過濾，得到所述詞語集。

5.如權利要求1所述的基于OCR技術的文本自動生成方法，其特征在于，所述基于圖排序算法從所述詞語集中提取關鍵詞，包括：

根據所述詞語集構建有向有權圖，其中，所述有向有權圖中的一個節點表示所述詞語集中的一個分詞；

根據權重計算公式計算所述有向有權圖中每一個節點的權重；

選取所述有向有權圖中權重超過預設閾值的節點，作為所述詞語集的關鍵詞。

6.一種基于OCR技術的文本自動生成裝置，其特征在于，所述裝置包括：

文字識別模塊，用于利用預構建的圖片文字識別方法對待識別圖片進行文字識別，得到文本信息；

關鍵詞提取模塊，用于對所述文本信息依次進行分詞和過濾，得到詞語集，基于圖排序算法從所述詞語集中提取關鍵詞；

初始文本集獲取模塊，用于將所述關鍵詞與預構建的關鍵詞字典進行匹配得到目標關鍵詞，根據所述目標關鍵詞在預構建的文本素材集數據庫中查詢，得到初始文本集；

目標文本生成模塊，用于根據所述初始文本集生成目標文本。

7.如權利要求6所述的基于OCR技術的文本自動生成裝置，其特征在于，在對所述文本信息依次進行分詞和過濾，得到詞語集時，所述關鍵詞提取模塊執行下述操作：

利用前綴分詞詞典對所述文本信息進行切分，得到一種或者多種劃分方式下的原始詞語集；

根據所述原始詞語集，通過首尾相連構建有向無環圖；

采用動態規劃算法計算所述有向無環圖中的最大概率路徑，得到所述文本信息的分詞結果；

根據預設的停用詞表對所述分詞結果進行過濾，得到所述詞語集。

8.如權利要求6所述的基于OCR技術的文本自動生成裝置，其特征在于，在基于圖排序算法從所述詞語集中提取關鍵詞時，所述關鍵詞提取模塊執行下述操作：

根據所述詞語集構建有向有權圖，其中，所述有向有權圖中的一個節點表示所述詞語集中的一個分詞；

根據權重計算公式計算所述有向有權圖中每一個節點的權重；

選取所述有向有權圖中權重超過預設閾值的節點，作為所述詞語集的關鍵詞。