[发明专利]一种文字域类型识别方法和文字域类型识别系统

说明书

本发明提供了一种文字域类型识别方法和文字域类型识别系统。所述方法包括：步骤S101：载入文字数据的语言模型，其中所述语言模型为利用所述文字数据基于神经网络训练得到的文字域分类器；以及步骤S102：通过所述语言模型确定新输入的文字数据的文字域类型。该方法可以更加精确地进行文字域类型识别，以提供最优的识别性能。该文字域类型识别系统同样具有上述优点。

技术领域

本发明涉及文字域识别领域，具体而言涉及一种文字域类型识别方法和文字域类型识别系统。

背景技术

当今社会，各种各样的文档和人们的工作生活是分不开的。一般较为常见的文档上有许多文字域，如身份证上会有姓名，出生日期等，或者合同上会有标题、条款和签名。在获取这些文字域的文字信息后，若有一种高效的方法可以将这些文字信息各属于哪一类文字域(姓名、出生日期、标题...)区分出来，便可以得到一些具体的用途。如可以反过来校验获取这些文字信息的OCR(Optical Character Recognition，光学字符识别)算法，或者将散乱的文字内容，通过文字域的识别，再次组合成一个个完整的证件。

经过调研发现，现在市面上具有类似功能的系统种类并不很多，并且其中绝大部分的识别方法都是很简陋的且难以推广的，比如针对身份证，就单纯的设置一些规则来识别，出现了五十六个民族里面的字就判别为“民族”域，出现了百家姓就判别为“姓名”域，出现了数字就判别为“出生日期”域等。然而，这些识别方法是非常容易出错的，如对于“张家口”就很难将其正确识别为“地址”域，而会错误识别成为“姓名”域。此外，当文本信息有一些无规则的扰动(比如录入错误，或者是识别的过程出现问题)时，以上述方法将不再有效。

发明内容

针对现有技术的不足，本发明提出一种文字域类型识别方法和文字域类型识别系统，可以显著提升文字域类型识别的精确度和性能，同时具有速度快和相当的灵活性。

本发明的一个实施例提供一种文字域类型识别方法，其特征在于，所述方法包括：步骤S101：载入文字数据的语言模型，其中所述语言模型为利用所述文字数据基于神经网络训练得到的文字域类型；以及步骤S102：通过所述语言模型确定新输入的文字数据的文字域类型。

示例性地，所述神经网络是长短期记忆人工神经网络LSTM。

示例性地，所述步骤S102包括：通过所述语言模型计算新输入的文字数据中每个短词或字的置信程度，将整个所述新输入的文字数据的置信程度归一化为所述新输入的文字数据为特定文字域类型的概率，并将概率最高的类型确定为所述新输入的文字数据的文字域类型。

示例性地，在所述步骤S102之后还包括步骤S103：读入所述新输入的文字数据，将所述文字数据编码以作为待判定的数据，判断是否进行修改，以及如果是则返回修改后的文字数据。

示例性地，在步骤S102中，在确定新输入的文字数据的文字域类型之前，对所述新输入的文字数据进行编码，以便于所述语言模型的处理。

本发明的另一实施例提供一种文字域类型识别系统，其特征在于，所述系统包括：文字域识别模块，用于载入文字数据的语言模型，其中所述语言模型为利用所述文字数据基于神经网络训练得到的文字域分类器；以及通过所述语言模型确定新输入的文字数据的文字域类型。

示例性地，所述神经网络是长短期记忆人工神经网络LSTM。

示例性地，所述文字域识别模块还用于通过所述语言模型计算新输入的文字数据中每个短词或字的置信程度，将整个所述新输入的文字数据的置信程度归一化为所述新输入的文字数据为特定文字域类型的概率，并将概率最高的类型确定为所述新输入的文字数据的文字域类型。

示例性地，所述系统还包括文字域修正模块，用于读入所述新输入的文字数据，将所述文字数据编码以作为待判定的数据，判断是否进行修改，以及如果是则返回修改后的文字数据。