[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

本申請涉及信息處理技術領域，提供了一種表格信息提取方法、裝置、設備及介質，所述方法包括：獲取待處理的表格，對表格進行識別處理，得到多個文本塊，并將各個文本塊輸入到預訓練的命名實體識別模型，以通過命名實體識別模型得到屬于內容記錄的目標文本塊對應的語義標簽，語義標簽用于表征目標文本塊對應的表頭標題，之后根據各個目標文本塊對應的語義標簽，確定表格中對應于語義標簽的目標語義實體，最終根據語義標簽以及語義標簽對應的目標語義實體，生成結構化數據。本實施例提供的表格提取方法在提高提取準確率的同時簡化提取流程，提高了信息提取的時效性。

技術領域

本申請涉及信息處理技術領域，尤其涉及一種表格信息提取方法、裝置、電子設備及計算機可讀存儲介質。

背景技術

目前，相關表格信息提取方案中，其主要應用技術分為基于圖像技術和基于自然語言處理(Natural Language Processing，NLP)技術。

在基于圖像技術解決表格信息提取方案中，通過識別可見的、不可見的表格線來確定表格單元，再通過行列對應關系解析單元格之間的關系。然而在一些特定領域內，表格的排版不夠不規整，單元格之間粘貼緊密，從而導致解析準確率較低。此時，使用NLP技術，從文本語義的角度上解析表格能夠達到更好的信息提取效果。

然而，由于采用了數量種類過多且工作量較大的NLP模型，相關基于NLP技術實現表格信息提取的方案存在提取流程過長、效率較低等問題。因此，如何提供一種準確率高且流程簡單的表格信息提取方法成為亟待解決的技術問題。

發明內容

本申請實施例的主要目的在于提出一種表格信息提取方法、裝置、電子設備及計算機可讀存儲介質，能夠提高表格信息提取的準確率以及時效性。

為實現上述目的，本申請實施例的第一方面提出了一種表格信息提取方法，所述方法包括：

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。

根據本發明一些實施例提供的表格信息提取方法，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。

根據本發明一些實施例提供的表格信息提取方法，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；