[發(fā)明專利]文檔完整性檢測方法、系統(tǒng)和電子設備

在審

• 申請?zhí)枺?/td>: 202210160143.3
• 申請日: 2022-02-22
• 公開（公告）號: CN114550193A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設計）人: 曹軍;吳存鋒;陳翔;張城;樓新園
• 申請（專利權）人: 浙江星漢信息技術股份有限公司
• 主分類號: G06V30/416
• 分類號: G06V30/416;G06V30/418;G06F40/289;G06F40/216;G06F40/151
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張萌

1.一種文檔完整性檢測方法，其特征在于，包括：

獲取待檢測文檔；

基于參考特征對所述待檢測文檔的文檔結構進行完整性檢測，其中，所述參考特征為與所述待檢測文檔具有相同文檔類型的文檔特征；

確定所述待檢測文檔的文檔結構完整時，判斷所述待檢測文檔的文檔內容是否缺失；

如果缺失，則確定所述待檢測文檔為不完整文檔；

如果未缺失，則確定所述待檢測文檔為完整文檔。

2.根據(jù)權利要求1所述的文檔完整性檢測方法，其特征在于，獲取待檢測文檔，包括：

獲取初始文檔；所述初始文檔包括文本文檔或圖像文檔；

當所述初始文檔為文本文檔時，將所述文本文檔確定為待檢測文檔；

當所述初始文檔為圖像文檔時，對所述圖像文檔中的文字進行識別，并將所述圖像文檔對應的識別得到的文字確定為所述待檢測文檔。

3.根據(jù)權利要求1所述的文檔完整性檢測方法，其特征在于，基于參考特征對所述待檢測文檔的文檔結構進行完整性檢測，包括：

確定所述文檔類型對應的參考特征；所述參考特征包括文檔公共結構，所述文檔公共結構以第一結構圖的形式表征；

對所述待檢測文檔進行結構解析，確定所述待檢測文檔對應的第二結構圖；

將所述第二結構圖與所述第一結構圖進行對比，對所述待檢測文檔的文檔結構進行完整性檢測。

4.根據(jù)權利要求3所述的文檔完整性檢測方法，其特征在于，確定所述文檔類型對應的參考特征，包括：

確定所述文檔類型對應的文檔集合；其中，所述文檔集合中至少包括一個與所述文檔類型對應的參考文檔；

對所述文檔集合中的每個參考文檔進行段落劃分，得到每個參考文檔對應的段落特征集合，并基于所述段落特征集合中每個段落之間的關系構建所述參考文檔對應的文檔結構圖；

對所述文檔集合包含的全部參考文檔的文檔結構圖的文檔公共結構進行匹配，確定所述文檔類型對應的第一結構圖。

5.根據(jù)權利要求3所述的文檔完整性檢測方法，其特征在于，對所述待檢測文檔進行結構解析，確定所述待檢測文檔對應的第二結構圖，包括：

基于所述待檢測文檔的上下文對所述待檢測文檔進行段落劃分，并把劃分后得到的每個段落確定為節(jié)點，段落之間的關系確定為節(jié)點的連邊；

基于所述節(jié)點和連邊確定所述待檢測文檔對應的第二結構圖。

6.根據(jù)權利要求4所述的文檔完整性檢測方法，其特征在于，所述參考特征包括共有類別實體；判斷所述待檢測文檔的文檔內容是否缺失，包括：

確定所述文檔集合中的參考文檔的共有類別實體；所述共有類別實體用于表征所述文檔集合中每個參考文檔均包含的內容類別；

對所述待檢測文檔的類別實體進行提取，確定目標類別實體；

通過判斷所述共有類別實體是否為所述目標類別實體的子集，判斷所述待檢測文檔的文檔內容是否缺失。

7.根據(jù)權利要求6所述的文檔完整性檢測方法，其特征在于，確定所述文檔集合中的參考文檔的共有類別實體，包括：

對所述文檔集合中的參考文檔進行分詞處理，并對分詞處理后的文檔進行詞性標準化處理和去除停用詞處理，確定所述參考文檔所包含的目標詞語；

計算所述目標詞語在所述參考文檔的第一詞頻，以及所述目標詞語在所述文檔集合中的第二詞頻；

基于所述第一詞頻和所述第二詞頻確定目標詞頻，并將所述目標詞頻小于預設詞頻閾值的目標詞語確定為文檔集合中的參考文檔的共有類別實體。

8.根據(jù)權利要求1所述的文檔完整性檢測方法，其特征在于，對所述待檢測文檔的類別實體進行提取，確定目標類別實體，包括：

對所述待檢測文檔進行格式轉換，得到格式轉換后的所述待檢測文檔對應的類別標簽；

基于所述類別標簽確定文檔內容在待檢測文檔中的文檔位置；

通過預先匹配的提取規(guī)則對所述文檔位置的文檔內容進行提取，確定所述目標類別實體。