[發明專利]表格信息提取方法、裝置、設備及介質

在審

• 申請號: 202210441727.8
• 申請日: 2022-04-25
• 公開（公告）號: CN114818710A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 劉東煜
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F40/30;G06F16/22;G06V30/416;G06V30/414;G06V30/412;G06V30/19;G06K9/62;G06N20/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 洪銘福

1.一種表格信息提取方法，其特征在于，包括：

獲取待處理的表格，其中，所述表格包括表頭標題以及所述表頭標題對應的內容記錄；

對所述表格進行識別處理，得到多個文本塊；

將各個所述文本塊輸入到預訓練的命名實體識別模型，以通過所述命名實體識別模型得到屬于所述內容記錄的目標文本塊對應的語義標簽，所述語義標簽用于表征所述目標文本塊對應的所述表頭標題；

根據各個所述目標文本塊對應的語義標簽，確定所述表格中對應于所述語義標簽的目標語義實體；

根據所述語義標簽以及所述語義標簽對應的所述目標語義實體，生成結構化數據。

2.根據權利要求1所述的表格信息提取方法，其特征在于，所述根據各個所述目標文本塊對應的語義標簽，確定所述表格中對應于所述語義標簽的目標語義實體，包括：

根據各個所述目標文本塊對應的語義標簽，確定所述語義標簽的出現頻次；

按照所述出現頻次從高到低，對所述語義標簽進行排序；

按照排序依次遍歷各個所述語義標簽，將當前遍歷的語義標簽作為當前標簽，執行以下處理：

基于所述當前標簽，對所述內容記錄中的各行文本進行數字替換，得到對應于各行文本的多個語義數字序列；

確定各個所述語義數字序列中的最大子串和、所述最大子串和對應的文本，并將所述最大子串和對應的文本作為所述當前標簽對應的初始語義實體；

根據各個所述當前標簽對應的初始語義實體，確定所述表格中對應于所述語義標簽的目標語義實體。

3.根據權利要求2所述的表格信息提取方法，其特征在于，所述根據各個所述當前標簽對應的初始語義實體，確定所述表格中對應于所述語義標簽的目標語義實體，包括：

獲取所述初始語義實體的位置信息；

根據所述位置信息，確定所述表格中屬于同列的初始語義實體；

對所述屬于同列的初始語義實體進行判斷，以確定屬于同個內容記錄的初始語義實體；

合并所述屬于同個內容記錄的初始語義實體，確定所述表格中對應于所述語義標簽的目標語義實體。

4.根據權利要求3所述的表格信息提取方法，其特征在于，所述對所述屬于同列的初始語義實體進行判斷，以確定屬于同個內容記錄的初始語義實體，包括：

獲取預設的字典數據集；

基于所述字典數據集，將所述屬于同列的初始語義實體輸入到預設的AC自動機中進行匹配，以通過所述AC自動機得到屬于同個內容記錄的初始語義實體。

5.根據權利要求3所述的表格信息提取方法，其特征在于，所述對所述屬于同列的初始語義實體進行判斷，以確定屬于同個內容記錄的初始語義實體，包括：

獲取預設的正則表達式；

利用所述正則表達式對所述屬于同列的初始語義實體進行匹配，得到屬于同個內容記錄的初始語義實體。

6.根據權利要求3所述的表格信息提取方法，其特征在于，所述對所述屬于同列的初始語義實體進行判斷，以確定屬于同個內容記錄的初始語義實體，包括：

獲取所述屬于同列的初始語義實體的字符特征矩陣；

將所述字符特征矩陣進行最大池化，得到所述初始語義實體的字符特征向量；

將所述字符特征向量輸入到Xgboost模型，以通過所述Xgboost模型得到屬于同個內容記錄的初始語義實體。

7.根據權利要求1所述的表格信息提取方法，其特征在于，所述命名實體識別模型為基于LayoutLM模型的二維命名實體識別模型；

在所述將各個所述文本塊輸入到預訓練的命名實體識別模型，以通過所述命名實體識別模型得到屬于所述內容記錄的目標文本塊對應的語義標簽之前，所述方法還包括：

獲取預設的表格訓練數據集；

利用所述表格訓練數據集對所述二維命名實體識別模型進行增廣預訓練，其中，所述增廣預訓練采用基于掩碼視覺語言模型的自監督預訓練方式。