[发明专利]一种PDF文档的内容类型识别方法、装置及电子设备

权利要求书

1.一种PDF文档的内容类型识别方法，其特征在于，包括：

获取PDF格式的待识别文档；

提取所述待识别文档的特征数据，所述特征数据包括内容特征数据和结构特征数据；

将所述特征数据作为输入数据，输入预先训练的神经网络模型，得到所述待识别文档的内容类型，其中，所述神经网络模型为基于样本数据进行训练得到的，所述样本数据包括PDF格式的样本文档，以及所述样本文档的实际内容类型。

2.根据权利要求1所述的方法，其特征在于，所述提取所述待识别文档的特征数据，所述特征数据包括内容特征数据和结构特征数据，包括：

提取所述待识别文档所包含的各部分内容，作为内容特征数据；

确定所述各部分内容之间的关联关系，作为结构特征数据。

3.根据权利要求2所述的方法，其特征在于，所述提取所述待识别文档所包含的各部分内容，包括：

针对所述待识别文档，提取该文档中包含的文字信息和图片信息；

所述确定所述各部分内容之间的关联关系，包括：

针对所述待识别文档中包含有文字信息，基于文本分类方法，获取预处理后的文字信息，根据循环神经网络模型，确定文字之间的关联关系以及上下文之间的关联关系；

针对所述待识别文档中包含有图片信息，基于图像识别技术，获取滤波后的图片，根据卷积神经网络模型，通过多级卷积和池化，确定所述图片中各部分之间的关联关系；

针对所述待识别文档中包含有文字信息和图片信息，根据深度学习算法，确定所述文字信息与所述图片信息在内容以及布局上的关联关系。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程，包括：

获取所述样本文档；

提取所述样本文档的样本特征数据，所述样本特征数据包括样本内容特征数据和样本结构特征数据；

将所述样本特征数据作为输入数据，输入采用当前网络参数的预设结构的神经网络，得到所述样本文档的内容类型识别结果，在首次训练时所述当前网络参数为预设的初始网络参数；

将所述样本文档的内容类型识别结果，与所述样本文档的实际内容类型进行比较，得到表示类型偏差的损失值；

当基于所述损失值确定所述预设结构的神经网络收敛时，完成训练，得到由所述预设结构的神经网络和所述当前网络参数组成的神经网络模型；

当基于所述损失值确定所述预设结构的神经网络不收敛时，按照预设调整方式，调整所述当前网络参数，得到新的网络参数，并采用所述新的网络参数，进行下一次训练。

5.根据权利要求4所述的方法，其特征在于，所述将所述样本文档的内容类型识别结果，与所述样本文档的实际内容类型进行比较，得到表示类型偏差的损失值，包括：

基于所述样本文档的文档类型识别结果，根据MSE损失函数，计算该结果与其实际内容类型之间的偏差，作为损失值；

其中，所述损失值表示为：

L表示所述损失值，n表示已经输入所述神经网络模型的样本文档数量，L′_i表示第i个样本文档对应的文档类型识别结果对应的数值，y_i表示第i个样本文档对应的实际文档类型表示的数值。

6.根据权利要求4所述的方法，其特征在于，所述当基于所述损失值确定所述预设结构的神经网络不收敛时，按照预设调整方式，调整所述当前网络参数，得到新的网络参数，包括：

当基于所述损失值确定所述预设结构的神经网络不收敛时，基于梯度下降法，计算所述网络参数的变化量，将所述变化量与当前网络参数的差，作为新的网络参数；

其中，针对所述神经网络中第i层的第j个神经元，其网络参数包括其权重w_ij和偏置量θ_ij，则其新的网络参数w′_ij和θ′_ij表示为：

a表示学习率，表示损失函数对偏置量的梯度值，表示损失函数对偏置量的梯度值。