[发明专利]一种面向财务报表图像的结构化信息提取方法

说明书

本发明涉及金融行业图像处理技术领域，为一种面向财务报表图像的结构化信息提取方法，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。在OCR解析存在部分错误的时候，如科目之间编辑距离很小、只有一字之差的情况，该方案能有效剔除清理此类错误，能泛化性更好地科目标准化，具有较好的鲁棒性，适于推广应用。尤其是针对数量较大的网站财务报表数据，其能快速进行收集、处理得到科目表述一致且错误少的科目数据信息。

技术领域

本发明涉及金融行业图像处理技术领域，具体涉及一种面向财务报表图像的结构化信息提取方法。

背景技术

金融业务是经营风险的活动，投资和投行等金融业务对风险的管理逐步向量化分析和管理转变，数据是实现风险量化管理的基础。财务报表数据是金融机构开展业务的基础，在投资、投行、风控等领域，高效的获取高质量的数据能够获得业务优势。而公开披露的财务报表数据尚需依赖人工录入，无法实现高效和高质量。

OCR作为一种高效的图像文字识别技术算法，已得到大规模商业应用。财务报表数据经过OCR识别后，仅仅得到图像中的文字和数据，并不能直接得到结构化的数据，主要存在三大问题：1、每家公司的财务报表科目的表述方式不一致；2、因为印章等的不确定性干扰，OCR的科目文字识别不能保证全部识别正确；3、存在“其他”、“(一)”、“(说明)”等文字干扰；这些不确定因素给财务报表的科目标准化带来极大困扰。

基于正则匹配的方式只能解决固定格式的科目干扰问题，尤其是在OCR解析存在部分错误的时候，基于正则匹配的方式几乎失效，而且存在科目之间编辑距离很小，只有一字之差，基于软匹配的方式也行不通。当前的解决方案只能随着使用场景的增加，不断增加补丁，鲁棒性较差。亟需一种泛化性更好地科目标准化算法。

发明内容

本发明提供了一种面向财务报表图像的结构化信息提取方法，解决了以上所述的财务报表图像文字识别方案效果差的技术问题。

本发明为解决上述技术问题提供了一种面向财务报表图像的结构化信息提取方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述字符串编辑距离函数通过python-Levenshtein函数接口实现。