[发明专利]基于机器学习的段落识别方法、装置、计算机设备和介质

说明书

本申请涉及人工智能领域，实现对由不可编辑文档转换得到的可编辑文档中的错误分段自动进行识别与合并，提高可编辑文档的可用性。涉及一种基于机器学习的段落识别方法、装置、计算机设备和介质，该方法包括：获取待进行合并的上下文数据，以及获取上下文数据对应的图像数据；将图像数据输入目标检测模型中进行特征提取，获得图像数据的图像特征向量，以及将上下文数据输入词向量模型中进行向量化，获得文字特征向量；将图像特征向量与文字特征向量输入段落预测模型中进行段落预测，获得上下文数据的段落预测结果；根据段落预测结果，对上下文数据中的属于同一段落的文字进行合并。此外，本申请还涉及区块链技术，上下文数据可存储于区块链中。

技术领域

本申请涉及人工智能领域，尤其涉及一种基于机器学习的段落识别方法、装置、计算机设备和介质。

背景技术

PDF文档是一种可携带文档格式的文档，使用十分便捷。但在实际应用中，由于PDF文档是不可编辑文档，用户存在将PDF文档转换成可编辑的WORD文档的需求。现有的文档转换方法主要是将PDF文档分成不同的区块，识别不同区块中的文字、图片以及表格等信息，最后将所有区块对应的信息进行合并从而达到保留格式的目的。但是PDF文档中的原有段落，在转换后的WORD文档中出现错误分段，与原有段落不对应，导致WORD文档的可用性较低。

因此在将不可编辑文档转换成可编辑文档后，如何提高可编辑文档的可用性成为亟需解决的问题。

发明内容

本申请提供了一种基于机器学习的段落识别方法、装置、计算机设备和介质，通过对上下文数据以及上下文数据对应的图像数据进行特征提取，将得到的图像特征向量与文字特征向量输入段落预测模型中融合后进行段落预测，实现对由不可编辑文档转换得到的可编辑文档中的错误分段自动进行识别与合并，无需人工进行段落调整，提高可编辑文档的可用性。

第一方面，本申请提供了一种基于机器学习的段落识别方法，所述方法包括：

获取待进行合并的上下文数据，以及获取所述上下文数据对应的图像数据，所述上下文数据为所述图像数据对应的文字；

将所述图像数据输入目标检测模型中进行特征提取，获得所述图像数据对应的图像特征向量，以及将所述上下文数据输入词向量模型中进行向量化，获得所述上下文数据对应的文字特征向量；

将所述图像特征向量与所述文字特征向量输入段落预测模型中进行段落预测，获得所述上下文数据对应的段落预测结果；

根据所述段落预测结果，对所述上下文数据中的属于同一段落的文字进行合并。

第二方面，本申请还提供了一种基于机器学习的段落识别装置，所述装置包括：

数据获取模块，用于获取待进行合并的上下文数据，以及获取所述上下文数据对应的图像数据，所述上下文数据为所述图像数据对应的文字；

特征提取模块，用于将所述图像数据输入目标检测模型中进行特征提取，获得所述图像数据对应的图像特征向量，以及将所述上下文数据输入词向量模型中进行向量化，获得所述上下文数据对应的文字特征向量；

段落预测模块，用于将所述图像特征向量与所述文字特征向量输入段落预测模型中进行段落预测，获得所述上下文数据对应的段落预测结果；

段落合并模块，用于根据所述段落预测结果，对所述上下文数据中的属于同一段落的文字进行合并。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于机器学习的段落识别方法。