[发明专利]文本识别结果处理方法、装置及计算机可读存储介质

说明书

本公开提供了一种文本识别结果处理方法、装置及计算机可读存储介质。该方法包括：获取文本识别模型的文本识别结果，并检测词库中是否存在与文本识别结果匹配的文本；当不存在匹配的文本的情况下，对文本识别结果进行切词得到词语集合；根据词语集合中每个词语在词库的倒排索引中的倒排索引信息，获取与文本识别结果匹配的文本集合；从文本集合中选择一个文本作为最终的文本识别结果。通过本公开，解决了相关技术中文本识别结果的准确率低的问题。

技术领域

本申请涉及计算机领域，以下描述涉及一种文本识别结果处理方法、装置及计算机可读存储介质。

背景技术

人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，50年代开始探讨一般文字识别方法，文本识别分为两个具体步骤：文字的检测和文字的识别，两者缺一不可，而对于文本识别，业界达成共识的是，文本中的数字的准确率普遍很高(95％以上)，而对于文本中的文字，一类是非开放性文本(值的范围可枚举，譬如大写日期，各地级市名称，大写金额等)，准确率可以普遍提高到90％以上，另一类是开放性文本(值的范围不可枚举，譬如公司名称的识别等)，因为数据的持续增加字符多样性，导致模型的准确率业界标准通常在75％，而这个效果基本是无法应用于生产业务系统的，且样本的变化频率和自学习困难等问题，使得这一问题的缺陷日益明显。

目前，常用的文本识别方法为光学字符识别(Optical Character Recognition，简称为ocr)，但无论是传统ocr手段，还是端到端的深度学习ocr识别网络，如crnn、crnn+ctc、seq2seq-attention等，都需要比较丰富的样本来训练学习，这是一个前提条件，满足了这个前提，对开放性文本识别这一领域，通常也只能到75％，而很多小银行或者小公司，在面对这一实际问题时，并没有足够的样本来支撑，若只通过小数据量训练的识别模型来支撑业务系统，显得力不从心，此时用于提高整体准确率的工程化模型补偿方案便显得尤为重要。

针对相关技术中文本识别结果的准确率低的问题，尚未有解决方案。

发明内容

本公开的示例性实施例在于提供一种文本识别结果处理方法、装置及计算机可读存储介质，其能够解决相关技术中文本识别结果的准确率低的问题。

根据本的示例性实施例，提供了一种文本识别结果处理方法，该方法包括：获取文本识别模型的文本识别结果，并检测词库中是否存在与文本识别结果匹配的文本；当不存在匹配的文本的情况下，对文本识别结果进行切词得到词语集合；根据词语集合中每个词语在词库的倒排索引中的倒排索引信息，获取与文本识别结果匹配的文本集合；从文本集合中选择一个文本作为最终的文本识别结果。

可选地，根据词语集合中每个词语在词库的倒排索引中的倒排索引信息，获取与文本识别结果匹配的文本集合包括：查询词语集合中每个词语在词库的倒排索引中的倒排索引信息；根据倒排索引信息，获取与每个词语匹配的文本的文本标识集合；确定文本标识集合中每个文本标识出现的次数；将次数超过预定次数的文本标识对应的文本，合并为与文本识别结果匹配的文本集合。

可选地，从文本集合中选择一个文本作为最终的文本识别结果包括：获取文本集合中每个文本与文本识别结果的编辑距离；对编辑距离进行排序，获取编辑距离中的最小编辑距离；将最小编辑距离对应的文本确定为最终的文本识别结果。

可选地，在获取文本识别模型的文本识别结果之前，还包括：检测到文本识别服务启动，将词库和词库中的词语的倒排索引维护到缓冲存储器中；检测词库中是否存在与文本识别结果匹配的文本包括：检测缓冲存储器中否存在与文本识别结果匹配的文本。

可选地，在从文本集合中选择一个文本作为最终的文本识别结果之后，还包括：将最终的文本识别结果发送给客户端。