[发明专利]发票类别识别方法、装置、电子设备及可读存储介质

权利要求书

1.一种发票类别识别方法，其特征在于，所述方法包括：

提取待识别发票中的关键信息，对所述关键信息中的每个词进行向量表示，得到关键信息矩阵；

将所述关键信息矩阵输入预先建立的神经网络模型中，得到所述关键信息矩阵对应的分类概率向量，所述神经网络模型是根据各发票中的关键信息以及所述各发票对应的分类编码得到的；

将所述分类概率向量中最大值元素对应的分类编码作为所述待识别发票的分类编码。

2.根据权利要求1所述的发票类别识别方法，其特征在于，所述神经网络模型的建立方法包括：

针对所述各发票中的每个发票，提取该发票中的关键信息，对该发票中的关键信息中的每个词进行向量表示，得到该发票对应的关键信息矩阵；

针对所述各发票中的每个发票，确定该发票对应的分类概率向量，若所述各发票的分类编码中分类编码的种类为N，则分类概率向量的维数为N，且分类概率向量中的N个元素值分别为对应N个分类编码的概率，N为大于1的整数；

对得到的各关键信息矩阵以及所述各关键信息矩阵对应的分类概率向量进行神经网络训练，得到所述神经网络模型。

3.根据权利要求1所述的发票类别识别方法，其特征在于，所述对所述关键信息中的每个词进行向量表示，得到关键信息矩阵，包括：

通过Word2vec对所述关键信息中的每个词进行向量表示，得到关键信息矩阵。

4.根据权利要求1所述的发票类别识别方法，其特征在于，所述关键信息包括：商品和服务名称、规格型号和单位。

5.一种发票类别识别装置，其特征在于，所述装置包括：

关键信息矩阵确定模块，用于提取待识别发票中的关键信息，对所述关键信息中的每个词进行向量表示，得到关键信息矩阵；

神经网络模型处理模块，用于将所述关键信息矩阵输入预先建立的神经网络模型中，得到所述关键信息矩阵对应的分类概率向量，所述神经网络模型是根据各发票中的关键信息以及所述各发票对应的分类编码得到的；

发票类别识别模块，用于将所述分类概率向量中最大值元素对应的分类编码作为所述待识别发票的分类编码。

6.根据权利要求5所述的发票类别识别装置，其特征在于，所述装置还包括：

输入矩阵确定模块，用于针对所述各发票中的每个发票，提取该发票中的关键信息，对该发票中的关键信息中的每个词进行向量表示，得到该发票对应的关键信息矩阵；

输入向量确定模块，用于针对所述各发票中的每个发票，确定该发票对应的分类概率向量，若所述各发票的分类编码中分类编码的种类为N，则分类概率向量的维数为N，且分类概率向量中的N个元素值分别为对应N个分类编码的概率，N为大于1的整数；

神经网络训练模块，用于对得到的各关键信息矩阵以及所述各关键信息矩阵对应的分类概率向量进行神经网络训练，得到所述神经网络模型。

7.根据权利要求5所述的发票类别识别装置，其特征在于，所述关键信息矩阵确定模块，具体用于通过Word2vec对所述关键信息中的每个词进行向量表示，得到关键信息矩阵。

8.根据权利要求5所述的发票类别识别装置，其特征在于，所述关键信息包括：商品和服务名称、规格型号和单位。

9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1～4任一所述的发票类别识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1～4任一所述的发票类别识别方法的步骤。