[發(fā)明專利]表格數(shù)據(jù)提取方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011269426.9
• 申請日: 2020-11-13
• 公開（公告）號: CN112257400A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 朱龍軍
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F40/18
• 分類號: G06F40/18;G06F16/28
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 黃晶晶

1.一種表格數(shù)據(jù)提取方法，其特征在于，所述方法包括：

獲取第一方向邊框缺失表格；

獲取所述第一方向邊框缺失表格中的關(guān)鍵字；

通過預(yù)設(shè)語言模型，識別不同表格單元中所述關(guān)鍵字的主從關(guān)系，所述預(yù)設(shè)語言模型用于識別關(guān)鍵字屬于同一語句的概率，所述不同表格單元為表格中沿第二方向的表格單元，所述第一方向?yàn)楸砀窳蟹较颍龅诙较驗(yàn)楸砀裥蟹较?，或所述第一方向?yàn)楸砀裥蟹较?，所述第二方向?yàn)楸砀窳蟹较颍?/p>

根據(jù)所述主從關(guān)系補(bǔ)充所述第一方向邊框缺失表格中的第一方向邊框，得到補(bǔ)充后的表格；

識別并提取所述補(bǔ)充后的表格內(nèi)的表格數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過預(yù)設(shè)語言模型，識別不同表格單元中所述關(guān)鍵字的主從關(guān)系包括：

通過預(yù)設(shè)語言模型，獲取所述關(guān)鍵字中，不同表格單元中關(guān)鍵字間的語言模型概率；

根據(jù)所述語言模型概率與預(yù)設(shè)模型概率閾值，獲取不同表格單元中所述關(guān)鍵字的主從關(guān)系。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過預(yù)設(shè)語言模型，識別不同表格單元中所述關(guān)鍵字的主從關(guān)系之前，還包括：

獲取歷史數(shù)據(jù)中的帶邊框完整表格；

獲取所述帶邊框完整表格中的關(guān)鍵字；

根據(jù)所述帶邊框完整表格中的關(guān)鍵字生成模型訓(xùn)練數(shù)據(jù)；

基于所述模型訓(xùn)練數(shù)據(jù)對初始語言模型進(jìn)行訓(xùn)練，獲取預(yù)設(shè)語言模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述主從關(guān)系補(bǔ)充所述第一方向邊框缺失表格中的第一方向邊框包括：

當(dāng)不同表格單元的關(guān)鍵字間存在主從關(guān)系時(shí)，在主關(guān)鍵字區(qū)域不補(bǔ)充第一方向邊框，在從關(guān)鍵字之間的留白位置，以及從關(guān)鍵字的鍵值之間的留白位置補(bǔ)充第一方向邊框。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取所述第一方向邊框缺失表格中的關(guān)鍵字包括：

通過留白切分法對所述第一方向邊框缺失表格進(jìn)行切分；

提取切分后的第一方向邊框缺失表格內(nèi)的關(guān)鍵字。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述識別并提取所述補(bǔ)充后的表格內(nèi)的表格數(shù)據(jù)包括：

識別所述補(bǔ)充后的表格內(nèi)線段間的線段交點(diǎn)；

根據(jù)所述線段交點(diǎn)確定所述補(bǔ)充后的表格中的表格單元格；

聚合所述表格單元格，識別并提取所述補(bǔ)充后的表格內(nèi)的表格數(shù)據(jù)。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述根據(jù)所述線段交點(diǎn)確定所述補(bǔ)充后的表格中的表格單元格包括：

獲取所述線段交點(diǎn)間的共同邊；

根據(jù)所述線段交點(diǎn)間擁有共同邊所組成的最小矩形，確定所述補(bǔ)充后的表格中的表格單元格。

8.一種表格數(shù)據(jù)提取裝置，其特征在于，所述裝置包括：

表格獲取模塊，用于獲取第一方向邊框缺失表格；

關(guān)鍵字獲取模塊，用于獲取所述第一方向邊框缺失表格中的關(guān)鍵字；

主從關(guān)系識別模塊，用于通過預(yù)設(shè)語言模型，識別不同表格單元中所述關(guān)鍵字的主從關(guān)系，所述預(yù)設(shè)語言模型用于識別關(guān)鍵字屬于同一語句的概率，所述不同表格單元為表格中沿第二方向的表格單元，所述第一方向?yàn)楸砀窳蟹较?，所述第二方向?yàn)楸砀裥蟹较?，或所述第一方向?yàn)楸砀裥蟹较?，所述第二方向?yàn)楸砀窳蟹较颍?/p>

邊框補(bǔ)充模塊，用于根據(jù)所述主從關(guān)系補(bǔ)充所述第一方向邊框缺失表格中的第一方向邊框；

表格數(shù)據(jù)提取模塊，用于識別并提取所述補(bǔ)充后的表格內(nèi)的表格數(shù)據(jù)。

9.一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。

10.一種計(jì)算機(jī)可讀存儲介質(zhì)，存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。