[发明专利]一种关键信息识别提取方法及系统

说明书

本发明涉及一种关键信息识别提取方法及系统，属于信息处理技术领域。该方法首先获取用户选择的目标路径，解析文件夹结构并生成相应的标签树；遍历标签树的各个节点内容，在数据库中生成存储目录；对用户选取文件夹中的文档或图片进行识别，并将其转化为二进制数据，作为待分类样本，将待分类样本与样本数据集中的每一个样本进行比较，获得样本距离；找到与待分类样本最为相近的K个样本，并获取这K个样本的标签；选择这K个样本标签中出现次数最多的分类，作为待分类样本的分类；然后按照样本分类对应的标签得到识别内容。通过本发明可以有效识别提取文件中的关键信息进行比较筛选存入数据库，大幅度提高文档管理效率。

技术领域

本发明属于信息处理技术领域，具体涉及一种关键信息识别提取方法及系统。

背景技术

信息化项目的合同、发票、技术协议等关键资料的归档、查找过程中，主要存在以下问题：

1)由于目前信息化项目的合同、发票、技术协议等关键资料的归档主要是通过纸质、扫描件等方式进行归档和系统录入，平时的工作当中会经常对历史文档进行查询，通过检索纸质材料和非结构化数据会耗费大量的人力和时间。

2)目前由人工对信息化项目关键资料的内容进行纸质和非结构化数据存档管理，缺乏有效的技术工具手段支撑，工作任务繁重，人工操作耗时耗力，还可能存在漏查、误查等问题。

上述原因导致在信息化项目关键资料管理实际工作中存在效率不高、质量不优等问题，有时拖延了工作时间，甚至影响了项目工程进度。

OCR字符识别方法及系统，申请号201310752624.4，公开了该方法包括：对用户选择的目标区域内的图像进行OCR字符识别以得到识别的词串；计算识别的词串中子词串的数量；如果词串中子词串的数量大于2，则判断第1个子词串W1中字符的个数和第K个子词串WK中字符的个数是否小于预设值；如果 W1中字符的个数和/或WK中字符的个数小于预设值，则判断W1的噪声概率得分和/或WK的噪声概率得分是否大于预设噪音；如果是，则判定W1和/或WK 为噪声并从词串中删除W1和/或WK以得到新的词串。根据该发明的实施例可提升对OCR识别的结果的OCR翻译的准确性。该方法存在如下缺点：1.识别速度较慢准确率不高，需要针对场景进行训练学习；2.手写体和印章无法识别；3. 无法根据用户需求提取指定的关键内容。

业务文档的公式信息提取方法及装置，申请号：201810085254.6，公开了该方法包括：获取第一序列，第一序列由业务文档生成，包括至少两个变量；获取第一标注序列，第一标注序列包括至少两个预设变量，第一标注序列对应第一标注表达式，第一标注表达式包括至少两个预设变量和至少两个预设变量之间的运算关系；如果第一序列与第一标注序列相匹配，则根据第一标注表达式及至少两个变量提取第一表达式，第一表达式包括至少两个变量和至少两个变量之间的运算关系，其中，至少两个变量之间的运算关系与第一标注表达式中的至少两个预设变量之间的运算关系相同。采用上述技术方案的提取方法可以有效提取出业务文档中的公式信息，尤其是隐含的用文本描述的公式信息。该方法存在如下缺点：1.无法满足实际应用要求，不能根据场景设置对应信息提取规则；2.不能对PDF、JPG、PNG等格式进行处理；3.没有对提取对象进行分类存储处理。

因此如何克服现有技术的不足是目前信息处理技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种关键信息识别提取方法及系统，通过本发明可以有效识别提取文件中的关键信息进行比较筛选存入数据库，大幅度提高文档管理效率。

为实现上述目的，本发明采用的技术方案如下：

一种关键信息识别提取方法，包括如下步骤：

获取用户选择的目标路径，解析文件夹结构；

根据结构层级生成得到所述文件夹路径的标签树；