[發明專利]一種文本對象識別方法、裝置、電子設備及存儲介質

在審

• 申請號: 202111596384.4
• 申請日: 2021-12-24
• 公開（公告）號: CN114495143A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 黃昉;史亞冰;蔣燁;柴春光;朱勇
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V30/414
• 分類號: G06V30/414;G06V30/416;G06F40/14;G06F40/205;G06F40/247;G06F40/295;G06N3/04;G06N3/08
• 代理公司: 北京易光知識產權代理有限公司 11596
• 代理人: 徐升升

1.一種文本對象識別方法，包括：

對文檔數據進行文檔結構解析，得到文檔樹；

根據所述文檔樹，得到文本對象在所述文檔數據中的章節范圍；

從所述文檔數據中的章節范圍，識別出所述文本對象。

2.根據權利要求1所述的方法，其中，所述對文檔數據進行文檔結構解析，得到文檔樹，包括以下方式中的至少之一：

根據所述文檔數據中的不同標簽語義進行所述文檔結構解析，得到所述文檔樹；或者，

將所述文檔數據根據段落關系進行所述文檔結構解析，得到所述文檔樹；

其中，所述文檔樹包括：所述文檔數據中完整的章節邏輯及相應的文檔結構信息。

3.根據權利要求2所述的方法，其中，所述根據所述文檔數據中的不同標簽語義進行所述文檔結構解析，得到所述文檔樹，包括：

根據所述文檔數據中的不同標簽語義，對所述文檔數據進行文檔結構的拆分和/或轉換處理，得到所述文檔樹。

4.根據權利要求2所述的方法，其中，所述將所述文檔數據根據段落關系進行所述文檔結構解析，得到所述文檔樹，包括：

將所述文檔數據轉換成包括多個段落的文檔結構；

對所述多個段落進行分類比對，得到段落關系；

根據所述段落關系，得到所述文檔樹。

5.根據權利要求1-4中任一項所述的方法，還包括：

根據對所述文檔數據中文檔章節內容的識別，得到所述文本對象所在的第一位置區間；

所述文本對象所在的第一位置區間，在所述文檔數據中的章節范圍之內。

6.根據權利要求5所述的方法，其中，所述根據對所述文檔數據中文檔章節內容的識別，得到所述文本對象所在的第一位置區間，包括以下方式中的至少之一：

結合所述文檔樹及關鍵詞進行所述文檔章節內容的識別，得到所述文本對象所在的第一位置區間；或者，

結合所述文檔樹及文檔格式進行所述文檔章節內容的識別，得到所述文本對象所在的第一位置區間。

7.根據權利要求6所述的方法，其中，所述結合所述文檔樹及關鍵詞進行所述文檔章節內容的識別，得到所述文本對象所在的第一位置區間，包括：

結合所述文檔樹及關鍵詞進行所述文檔章節內容的識別，得到與所述關鍵詞匹配的第一章節內容，將所述第一章節內容確定為所述文本對象所在的第一位置區間。

8.根據權利要求6所述的方法，其中，所述結合所述文檔樹及文檔格式進行所述文檔章節內容的識別，得到所述文本對象所在的第一位置區間，包括：

結合所述文檔樹及文檔格式進行所述文檔章節內容的識別，得到與所述文檔格式匹配的第二章節內容，將所述第二章節內容確定為所述文本對象所在的第一位置區間；

其中，所述文檔格式包括：加粗標識、前置標識、顏色標識、關鍵詞類型標識中的至少一種格式。

9.根據權利要求1-8中任一項所述的方法，其中，所述從所述文檔數據中的章節范圍，識別出所述文本對象，包括以下方式中的至少之一：

根據文檔樣式的特征打分結果，將所述文本對象從所述文檔數據中的章節范圍識別出來；或者，

根據識別模型，將所述文本對象從所述文檔數據中的章節范圍識別出來；或者，

根據所述文本對象的位置分布相似度，將所述文本對象從所述文檔數據中的章節范圍識別出來。

10.一種文本對象識別裝置，包括：

解析單元，用于對文檔數據進行文檔結構解析，得到文檔樹；

章節范圍確定單元，用于根據所述文檔樹，得到文本對象在所述文檔數據中的章節范圍；

文本識別單元，用于從所述文檔數據中的章節范圍，識別出所述文本對象。