[發明專利]一種基于神經網絡的表格處理方法以及相關裝置

在審

• 申請號: 202011261679.1
• 申請日: 2020-11-12
• 公開（公告）號: CN112232048A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 朱龍軍
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F40/18
• 分類號: G06F40/18;G06F16/28;G06N3/04
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 陳松浩

本申請公開了一種基于神經網絡的表格處理方法以及相關裝置，應用于人工智能的自然語言處理技術。通過獲取目標表格中不同頁面中的單元格；并提取單元格中的內容，以得到目標內容；并將目標內容輸入目標網絡模型，以得到分類標簽；若分類標簽指示單元格的內容屬于同一內容單元格，則對單元格進行合并處理，以對目標表格進行更新。從而實現對于表格內容中存在跨頁面單元格的識別過程，由于通過目標網絡模型對可能存在跨頁面的單元格內容進行內容特征的提取并進行分類，進而對同一內容單元格的內容進行合并，提高了表格識別的準確性以及效率。

技術領域

本申請涉及計算機技術領域，尤其涉及一種基于神經網絡的表格處理方法以及相關裝置。

背景技術

隨著人工智能的發展，通過人工智能進行表格識別的過程逐漸成為一種常用的應用。其中，由于表格一般采用便攜式文檔格式(Portable Document Format，PDF)進行存儲，而在識別過程中，由于PDF的排版限制，表格中的表格經常會被截斷，如果截斷，則邏輯上屬于同一個單元格的內容會分散在不同的單元格中，造成信息丟失或錯亂。

一般，對表格進行處理的過程根據人為規定的特征，猜測前后是否屬于同一表格，一般特征有如表格列數是否相同、前表最后一行與后表第一行的純文字、純數字單元格是否對應等。

但是，在海量表格數據的處理過程中，單純的根據人工經驗指定規則，每條規則準確率不高，且多個規則之間會互相沖突，影響表格識別的準確性以及效率。

發明內容

有鑒于此，本申請提供一種基于神經網絡的表格處理方法，可以有效提高表格識別的準確性以及效率。

本申請第一方面提供一種基于神經網絡的表格處理方法，可以應用于終端設備中包含基于神經網絡的表格處理功能的系統或程序中，具體包括：

獲取目標表格，所述目標表格分布于第一頁面和第二頁面，所述第一頁面和所述第二頁面基于頁面分隔標識劃分；

根據所述頁面分隔標識確定所述第一頁面中的第一單元格以及所述第二頁面中的第二單元格；

提取所述第一單元格中的第一內容和所述第二單元格中的第二內容，以得到目標內容；

將所述目標內容輸入目標網絡模型，以得到分類標簽，所述目標網絡模型用于提取所述目標內容的內容特征，所述內容特征用于指示所述第一內容和所述第二內容的關聯關系；

若所述分類標簽指示所述第一內容和所述第二內容的關聯關系為屬于同一內容單元格，則對所述第一單元格和所述第二單元格進行合并處理，以對所述目標表格進行更新。

可選的，在本申請一些可能的實現方式中，所述根據所述頁面分隔標識確定所述第一頁面中的第一單元格以及所述第二頁面中的第二單元格，包括：

基于所述第一頁面和所述第二頁面確定表格比對參數；

若所述表格比對參數滿足預設條件，則根據所述頁面分隔標識確定所述第一頁面中的所述第一單元格以及所述第二頁面中的所述第二單元格，所述預設條件基于所述表格比對參數指示的單元格大小設定。

可選的，在本申請一些可能的實現方式中，所述方法還包括：

獲取訓練表格數據；

確定所述訓練表格數據中的訓練單元格；

基于所述訓練單元格中的內容確定正樣本；

基于所述訓練單元格與相鄰單元格進行組合，以確定負樣本；

根據所述正樣本和所述負樣本對所述目標網絡模型進行訓練。

可選的，在本申請一些可能的實現方式中，所述根據所述正樣本和所述負樣本對所述目標網絡模型進行訓練，包括：