[發(fā)明專利]文檔信息抽取模型的訓練方法、裝置及電子設備

在審

• 申請?zhí)枺?/td>: 202210566722.8
• 申請日: 2022-05-23
• 公開（公告）號: CN114818702A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 吳思瑾;劉涵;李晨輝;胡騰;馮仕堃;陳永鋒
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/106;G06K9/62
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅嵐

1.一種文檔信息抽取模型的訓練方法，包括：

確定至少一個文本內容以及所述文本內容的標注信息，其中，所述標注信息根據所述文本內容所在頁面中的鍵值對信息確定；

根據至少一個所述文本內容、所述文本內容的標注信息以及至少一個候選文檔布局信息，生成至少一個文檔標注數據；

采用至少一個所述文檔標注數據，對初始的文檔信息抽取模型進行訓練處理，得到訓練好的文檔信息抽取模型。

2.根據權利要求1所述的方法，其中，所述確定至少一個文本內容以及所述文本內容的標注信息，包括：

確定至少一個文本內容，以及所述文本內容所在頁面中的鍵值對信息；所述鍵值對信息包括：至少一個鍵值對；

針對每個文本內容，根據所述文本內容對應的至少一個所述鍵值對中的值查詢所述文本內容，獲取所述文本內容中至少一個所述值的所在位置；

根據至少一個所述值的所在位置以及所述值所在鍵值對中的鍵，生成所述文本內容的標注信息。

3.根據權利要求1所述的方法，其中，所述根據至少一個所述文本內容、所述文本內容的標注信息以及至少一個文檔布局信息，生成至少一個文檔標注數據，包括：

針對每個文本內容，從至少一個候選文檔布局信息中選擇目標文檔布局信息；

根據所述文本內容以及所述目標文檔布局信息，生成所述文本內容對應的目標文檔；

根據所述目標文檔以及所述文本內容的標注信息，生成所述文檔標注數據。

4.根據權利要求3所述的方法，其中，所述目標文檔布局信息中包括文本內容布局信息和表格布局信息；所述根據所述文本內容以及所述目標文檔布局信息，生成所述文本內容對應的目標文檔，包括：

按照所述文本內容布局信息對所述文本內容進行布局處理，得到文本布局內容；

按照所述表格布局信息對所述文本內容所在頁面中的鍵值對信息進行布局處理，得到表格布局內容；

根據所述文本布局內容以及所述表格布局內容，生成所述文本內容對應的目標文檔。

5.根據權利要求1所述的方法，其中，所述文檔標注數據包括：所述文本內容對應的目標文檔以及所述文本內容的標注信息；所述采用至少一個所述文檔標注數據，對初始的文檔信息抽取模型進行訓練處理，得到訓練好的文檔信息抽取模型，包括：

將所述文本內容對應的目標文檔輸入所述文檔信息抽取模型，獲取所述文檔信息抽取模型的輸出結果；

根據所述輸出結果以及所述文本內容的標注信息，構建損失函數；

根據所述損失函數的數值對所述文檔信息抽取模型進行訓練處理，得到訓練好的文檔信息抽取模型。

6.一種文檔信息抽取模型的訓練裝置，包括：

確定模塊，用于確定至少一個文本內容以及所述文本內容的標注信息，其中，所述標注信息根據所述文本內容所在頁面中的鍵值對信息確定；

生成模塊，用于根據至少一個所述文本內容、所述文本內容的標注信息以及至少一個候選文檔布局信息，生成至少一個文檔標注數據；

訓練模塊，用于采用至少一個所述文檔標注數據，對初始的文檔信息抽取模型進行訓練處理，得到訓練好的文檔信息抽取模型。

7.根據權利要求6所述的裝置，其中，所述確定模塊具體用于，

確定至少一個文本內容，以及所述文本內容所在頁面中的鍵值對信息；所述鍵值對信息包括：至少一個鍵值對；

針對每個文本內容，根據所述文本內容對應的至少一個所述鍵值對中的值查詢所述文本內容，獲取所述文本內容中至少一個所述值的所在位置；

根據至少一個所述值的所在位置以及所述值所在鍵值對中的鍵，生成所述文本內容的標注信息。