[發明專利]文檔完整性檢測方法、系統和電子設備

在審

• 申請號: 202210160143.3
• 申請日: 2022-02-22
• 公開（公告）號: CN114550193A
• 公開（公告）日: 2022-05-27
• 發明（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

本發明提供了一種文檔完整性檢測方法、系統和電子設備，涉及計算機技術領域，該方法包括獲取待檢測文檔；基于參考特征對待檢測文檔的文檔結構進行完整性檢測，并在待檢測文檔的文檔結構完整時，判斷待檢測文檔的文檔內容是否缺失；其中，參考特征為與待檢測文檔具有相同文檔類型的文檔特征；如果缺失，則確定待檢測文檔為不完整文檔；如果未缺失，則確定待檢測文檔為完整文檔。本發明能夠提升文檔完整性檢測的準確性。

技術領域

本發明涉及計算機技術領域，具體而言，涉及一種文檔完整性檢測方法、系統和電子設備。

背景技術

目前存儲的文檔格式眾多，大量打印文檔被數字化并作為圖像存儲在數據庫中，因此電子文檔不僅是文本文檔，也可能是紙質文檔的圖像。例如，對于以圖像格式存儲的文檔，為了從圖像文檔中獲取信息，需要首先對圖像文檔進行文字識別(諸如OCR識別)，然而，如果圖像文檔存在圖像質量差、識別精度低等問題，則會導致識別出的文檔中的內容缺失，因此，如何提升文檔完整性的準確檢測是目前亟待解決的問題。

發明內容

本發明的目的在于提供一種文檔完整性檢測方法、系統和電子設備，能夠提升文檔完整性檢測的準確性。

第一方面，本發明提供一種文檔完整性檢測方法，包括：獲取待檢測文檔；基于參考特征對待檢測文檔的文檔結構進行完整性檢測，并在待檢測文檔的文檔結構完整時，判斷待檢測文檔的文檔內容是否缺失；其中，參考特征為與待檢測文檔具有相同文檔類型的文檔特征；如果缺失，則確定待檢測文檔為不完整文檔；如果未缺失，則確定待檢測文檔為完整文檔。

在可選的實施方式中，獲取待檢測文檔，包括：獲取初始文檔；初始文檔包括文本文檔或圖像文檔；當初始文檔為文本文檔時，將文本文檔確定為待檢測文檔；當初始文檔為圖像文檔時，對圖像文檔中的文字進行識別，并將圖像文檔對應的識別得到的文字確定為待檢測文檔。

在可選的實施方式中，基于參考特征對待檢測文檔的文檔結構進行完整性檢測，包括：確定文檔類型對應的參考特征；參考特征包括文檔公共結構，文檔公共結構以第一結構圖的形式表征；對待檢測文檔進行結構解析，確定待檢測文檔對應的第二結構圖；將第二結構圖與第一結構圖進行對比，對待檢測文檔的文檔結構進行完整性檢測。

在可選的實施方式中，確定文檔類型對應的參考特征，包括：確定文檔類型對應的文檔集合；其中，文檔集合中至少包括一個與文檔類型對應的參考文檔；對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，并基于段落特征集合中每個段落之間的關系構建參考文檔對應的文檔結構圖；對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，確定文檔類型對應的第一結構圖。

在可選的實施方式中，對待檢測文檔進行結構解析，確定待檢測文檔對應的第二結構圖，包括：基于待檢測文檔的上下文對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點，段落之間的關系確定為節點的連邊；基于節點和連邊確定待檢測文檔對應的第二結構圖。

在可選的實施方式中，參考特征包括共有類別實體；判斷待檢測文檔的文檔內容是否缺失，包括：確定文檔集合中的參考文檔的共有類別實體；共有類別實體用于表征文檔集合中每個參考文檔均包含的內容類別；對待檢測文檔的類別實體進行提取，確定目標類別實體；通過判斷共有類別實體是否為目標類別實體的子集，判斷待檢測文檔的文檔內容是否缺失。

在可選的實施方式中，確定文檔集合中的參考文檔的共有類別實體，包括：對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，確定參考文檔所包含的目標詞語；計算目標詞語在參考文檔的第一詞頻，以及目標詞語在文檔集合中的第二詞頻；基于第一詞頻和第二詞頻確定目標詞頻，并將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。