[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

说明书

本发明实施例提供了一种PDF文档的内容类型识别方法、装置及电子设备，方案包括：获取PDF格式的待识别文档，提取待识别文档的特征数据，将特征数据作为输入数据，输入预先训练的神经网络模型，得到待识别文档的内容类型。采用本发明实施例提供的方案，可以实现对PDF文档的内容类型进行识别，进而根据PDF文档的内容类型，为用户带来更好的使用体验。

技术领域

本发明涉及文档识别技术领域，特别是涉及一种PDF文档的内容类型识别方法、装置及电子设备。

背景技术

PDF(Portable Document Format，便携式文档格式)文档是一种电子文件格式。这种文档格式与操作系统的平台无关，也就是说，PDF文档不管是在Windows，Unix或者Mac OS等操作系统中都是通用的。这一特点使得PDF文档成为在网络上进行电子文档发行和数字化信息传播的理想文档格式。越来越多的电子图书、产品说明、公司文告、网络资料、电子邮件开始使用PDF格式，生成对应的PDF文档。

发明内容

本发明实施例的目的在于提供一种PDF文档的内容类型识别方法、系统及电子设备，以实现对PDF文档的内容类型进行识别。具体技术方案如下：

本发明实施例提供了一种PDF文档的内容类型识别方法，所述方法包括：

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。

进一步的，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。

进一步的，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。

进一步的，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；