[发明专利]信息抽取模型的构建方法、信息抽取方法及装置

说明书

提供一种信息抽取模型的构建方法、信息抽取方法及装置。所述信息抽取模型的构建方法包括：获取分类训练样本集和分类标注信息；基于分类训练样本集和分类标注信息，训练用于对文本框进行分类的文本框分类模型；获取提取训练样本集和提取标注信息；基于提取训练样本集和提取标注信息，训练用于从文本框中提取文字的文本提取模型；基于训练好的文本框分类模型和训练好的文本提取模型，构建用于从图像中抽取信息实体的信息抽取模型。根据本公开的信息抽取模型的构建方法、信息抽取方法及装置解决了现有的信息提取方式中过长的文本难以处理以及破坏文本之间的关联性导致信息丢失的问题，能够避免文本长度过长的问题，同时学习到文本框之间的关系。

技术领域

本公开涉及信息处理技术领域，具体地涉及一种信息抽取模型的构建方法、信息抽取方法及装置。

背景技术

随着信息技术的发展，信息的传播方式越来越丰富，所需传播的信息量也越来越大，在处理富文本文档时，为了使人们更快速、直观地获取到信息，通常需要将文档中的重要文字信息以键值对的方式抽取出来以方便阅读及后续结构化处理。在这种趋势下，可能需要对已生成在图像中的文字信息进行检测、识别和提取。

在信息的识别和提取过程中，需要检测图像中的文本框，并且识别文本框中的文本内容，然后对文本进行结构化处理，以提取到信息实体。

然而，在现有的信息提取方法中，需要先将识别出的所有文本拼接起来，然后输入到信息提取模型中，在一种情况下，当拼接的文本较长时，模型可能无法对过长的文本进行处理，而无法进行信息提取；在另一情况下，可以将拼接的文本硬性切分成多段，分别对每段进行信息提取，然而，由于切分后的所有段的信息是彼此独立的，因此可能破坏了文本之间的联系，导致信息丢失的问题。

发明内容

本公开的示例性实施例可至少解决上述问题，也可不解决上述问题。

根据本公开的第一方面，提供了一种信息抽取模型的构建方法，所述信息抽取模型的构建方法包括：获取分类训练样本集和分类标注信息，其中，所述分类训练样本集中的每个分类训练样本包括分类训练文本框在图像中的位置和分类训练文本框中的文字，所述分类标注信息表示分类训练样本的分类训练文本框属于预设文本框类别中的哪一类别；基于所述分类训练样本集和所述分类标注信息，训练用于对文本框进行分类的文本框分类模型；获取提取训练样本集和提取标注信息，其中，所述提取训练样本集的每个提取训练样本为包括一个或多个文字的提取训练文字序列，所述提取标注信息表示提取训练文字序列中的每个文字在信息实体的预设参考位置中的哪一位置；基于所述提取训练样本集和所述提取标注信息，训练用于从文本框中提取文字的文本提取模型；基于训练好的文本框分类模型和训练好的文本提取模型，构建用于从图像中抽取信息实体的信息抽取模型。

可选地，获取所述分类标注信息的步骤包括：获取所述图像中的多个预标注文本框的位置和所述预标注文本框的类别；基于所述分类训练文本框的位置和所述多个预标注文本框的位置，确定所述分类训练文本框与所述多个预标注文本框中的每个之间的面积重叠度，并基于所述面积重叠度对分类训练文本框进行标注，以获取所述分类标注信息，其中，所述面积重叠度指的是分类训练文本框与预标注文本框的重叠面积与预标注文本框的面积的比值，当分类训练文本框与预标注文本框的面积重叠度大于预设阈值时，将分类训练文本框标注为与相应的预标注文本框相同的类别。

可选地，获取所述分类标注信息的步骤还包括：当所述分类训练文本框与所述多个预标注文本框中的每个之间的面积重叠度均小于或等于所述预设阈值时，将所述分类训练文本框标注为与所述多个预标注文本框的类别均不同的类别。