[发明专利]从数字化文档提取可搜索的信息

说明书

本公开内容的各实施例涉及从数字化文档提取可搜索的信息。公开了以不可编辑格式从数字化文档进行数据提取和自动验证。纸质文档被数字化或转换成适合用于存储在计算机或其他数字设备上的格式。数字化文档被分类为多种文档类型中的一种文档类型，并且基于文档类型，文档处理规则被选择用于分析数字化文档以实现数据提取和自动验证。数字化文档中的数据字段的位置和值使用机器学习技术而被获取。数据字段值被自动地验证并且被指派置信度得分。具有低置信度得分的数据字段被标记用于手动检查。

技术领域

本公开内容的各实施例涉及从数字化文档提取可搜索的信息。

背景技术

各种类型的表单或文件被广泛地用于出于各种目的来收集信息。商业、教育和政府组织使用表单以用于收集信息和用于记录保存目的。计算机和网络的出现导致表单被移动到网上，从而使得人们不再需要在纸上填写表单。相反，人们访问网站并且在线填写表单以进行各种活动。在线表单被赋予诸如标签、标记等属性，这使得能够容易地自动地处理由用户经由计算机录入的数据。如此接收的在线表单可以被自动地处理以提取其中的数据以用于存储。然而，被印在纸上的表单继续被广泛地用于各种目的。开发了包括硬件和软件的不同文档处理系统，以解决对由用户手动地填写的纸质表单的处理。

发明内容

本公开内容的各实施例涉及从数字化文档提取可搜索的信息。

根据本公开内容的一个方面，公开了一种从数字化文档提取可搜索数据的系统，包括：一个或多个处理器；以及非暂态数据存储装置，其包括使得所述处理器进行以下操作的指令：访问包括从多个纸质文档生成的多个数字化文档的根文件，其中所述数字化文档包括所述纸质文档中的一个或多个纸质文档的多个版本和重复副本中的一个或多个；基于与所述纸质文档相关联的目的，将所述根文件分类在选自多个文档类型的文档类型下；根据对所述根文件的所述分类来选择文档处理规则；通过从所述根文件排除所述纸质文档中的一个或多个纸质文档的所述重复副本和多个版本，来从所述多个数字化文档选择重要文档的子集，从而使得所述一个或多个纸质文档的独特副本从所述根文件被选择；生成包括重要文档的所述子集的输入文件，从而使得所述重要文档中的每个重要文档对应于选自所述根文件的所述独特副本中的一个独特副本；从被包括在所述文档处理规则中的数据字段信息访问要从所述输入文件标识的数据字段的列表；基于所述数据字段信息来确定所述输入文件内的所述数据字段中的一个或多个数据字段的值和位置；构建索引结构，所述索引结构支持在所述输入文件内定位所述一个或多个数据字段；验证所述一个或多个数据字段中的至少一个数据字段，所述位置和值针对所述至少一个数据字段从所述输入文件被标识；以及支持经由用户界面对所述一个或多个数据字段和所述输入文件的访问，所述用户界面被配置为经由用于手动验证的颜色编码显示尚未被验证的所述一个或多个数据字段的至少子集。

根据本公开内容的另一方面，公开了一种提取和验证数据的方法，包括：接收根文件，所述根文件包括通过对来自文档包的相应纸质文档成像而被获取的多个数字化文档；基于与所述文档包相关联的目的，来将所述根文件分类为多个文档类型中的一个文档类型；基于所述根文件被分类在其下的所述文档类型来选择用于处理所述根文件的文档处理规则；基于所述文档处理规则来将所述根文件分割成各个数字化文档，所述各个数字化文档包括至少一个文档的多个版本；基于被包括在所述文档处理规则中的文档标识信息来选择所述各个数字化文档的子集以形成输入文件；提取被包括在所述输入文件中的多个数据字段中的一个或多个数据字段的数据值和位置；计算用于所述一个或多个数据字段的相应置信度得分，所述置信度得分指示所述一个或多个数据字段与相应验证条件的符合程度；从所述输入文件生成索引结构，所述索引结构包括用于所述一个或多个数据字段中的每个数据字段的所述数据值、所述位置和所述置信度得分；在用户界面的源图像部分内显示所述输入文件的图像；以及在所述用户界面的提取的数据部分内显示所述一个或多个数据字段的所述值和位置。