[发明专利]表格信息提取方法、装置、设备及介质

权利要求书

1.一种表格信息提取方法，其特征在于，包括：

获取待处理的表格，其中，所述表格包括表头标题以及所述表头标题对应的内容记录；

对所述表格进行识别处理，得到多个文本块；

将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签，所述语义标签用于表征所述目标文本块对应的所述表头标题；

根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体；

根据所述语义标签以及所述语义标签对应的所述目标语义实体，生成结构化数据。

2.根据权利要求1所述的表格信息提取方法，其特征在于，所述根据各个所述目标文本块对应的语义标签，确定所述表格中对应于所述语义标签的目标语义实体，包括：

根据各个所述目标文本块对应的语义标签，确定所述语义标签的出现频次；

按照所述出现频次从高到低，对所述语义标签进行排序；

按照排序依次遍历各个所述语义标签，将当前遍历的语义标签作为当前标签，执行以下处理：

基于所述当前标签，对所述内容记录中的各行文本进行数字替换，得到对应于各行文本的多个语义数字序列；

确定各个所述语义数字序列中的最大子串和、所述最大子串和对应的文本，并将所述最大子串和对应的文本作为所述当前标签对应的初始语义实体；

根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。

3.根据权利要求2所述的表格信息提取方法，其特征在于，所述根据各个所述当前标签对应的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体，包括：

获取所述初始语义实体的位置信息；

根据所述位置信息，确定所述表格中属于同列的初始语义实体；

对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体；

合并所述属于同个内容记录的初始语义实体，确定所述表格中对应于所述语义标签的目标语义实体。

4.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：

获取预设的字典数据集；

基于所述字典数据集，将所述属于同列的初始语义实体输入到预设的AC自动机中进行匹配，以通过所述AC自动机得到属于同个内容记录的初始语义实体。

5.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：

获取预设的正则表达式；

利用所述正则表达式对所述属于同列的初始语义实体进行匹配，得到属于同个内容记录的初始语义实体。

6.根据权利要求3所述的表格信息提取方法，其特征在于，所述对所述属于同列的初始语义实体进行判断，以确定属于同个内容记录的初始语义实体，包括：

获取所述属于同列的初始语义实体的字符特征矩阵；

将所述字符特征矩阵进行最大池化，得到所述初始语义实体的字符特征向量；

将所述字符特征向量输入到Xgboost模型，以通过所述Xgboost模型得到属于同个内容记录的初始语义实体。

7.根据权利要求1所述的表格信息提取方法，其特征在于，所述命名实体识别模型为基于LayoutLM模型的二维命名实体识别模型；

在所述将各个所述文本块输入到预训练的命名实体识别模型，以通过所述命名实体识别模型得到属于所述内容记录的目标文本块对应的语义标签之前，所述方法还包括：

获取预设的表格训练数据集；

利用所述表格训练数据集对所述二维命名实体识别模型进行增广预训练，其中，所述增广预训练采用基于掩码视觉语言模型的自监督预训练方式。