[发明专利]一种面向财务报表图像的结构化信息提取方法

权利要求书

1.一种面向财务报表图像的结构化信息提取方法，其特征在于，包括：

S1，收集财务报表所有科目数据，对科目数据进行标准化科目类别标注，得到标准财务报表；

S2，采取数据增广策略对所述标准财务报表进行科目增广；

S3，对增广之后的数据进行fastText模型训练。

2.根据权利要求1所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述数据增广策略包括随机剪裁科目文字、随机近义词替换科目文字及随机增添科目文字。

3.根据权利要求1所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述S3具体包括：利用自然语言处理(NLP)方式解决科目表述不一致问题。

4.根据权利要求3所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述自然语言处理(NLP)方式包括模型选择；

所述模型选择包括针对当前任务特点，底层特征选取字向量(embedding)，字向量维度设置为50维，科目字符最长长度为20；选取轻量级BiLSTM为模型骨干网络，隐层向量输出为256维度；前后向特征拼接形成512维特征向量，经过全连接层输出288维logit。

5.根据权利要求4所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述自然语言处理(NLP)方式包括损失函数，所述损失函数由两部分构成，一部分为正常的类别交叉熵损失，另一部分考虑不同科目与标准科目的字符长度关系，加入编辑距离损失，所述编辑距离损失为：

其中，k＝288,y为真实标签，p为预测标签，β为权重因子，a，b分别为真实标签和预测标签的字符串，i，j分别为a，b对应的字符串长度，lev为字符串编辑距离函数。

6.根据权利要求5所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述字符串编辑距离函数通过python-Levenshtein函数接口实现。

7.根据权利要求1所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述财务报表为PDF格式文件。

8.根据权利要求7所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述S1具体包括：将PDF格式的财务报表进行切分以得到多个独立的原始报表，然后将所有原始报表拼接得到完整报表，最后通过ocr识别方法对所述完整报表进行表格重构以将科目标准化，并得到标准财务报表。

9.根据.根据权利要求8所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述S2具体包括：针对ocr识别得到标准财务报表进行错误替换，具体地，通过查找形近字随机替换。

10.根据.根据权利要求8所述的面向财务报表图像的结构化信息提取方法，其特征在于，所述S2具体包括：针对ocr识别得到标准财务报表进行漏检，具体地，对科目名称的头尾或中部减字。