[发明专利]获取文档信息的方法及装置

权利要求书

1.一种获取文档信息的方法，其特征在于，包括：

对至少一种序列标注算法模型进行训练，以获取至少一种离线序列标注算法模型；

所述对至少一种序列标注算法模型进行训练，包括：将待训练的文档转换成文本文档，其中所述待训练的文档包括但不限于：word格式文档、PDF格式文档和/或图像格式文档；从待训练的文档中获取结构格式性质信息，其中，所述结构格式性质信息包括：位置信息、段落信息和表格信息；将所述文本文档和结构格式性质信息输入至所述离线序列标注算法模型中，以获取经过训练的至少一种离线序列标注算法模型；

确定离线序列标注算法模型中的每一种中的标注信息的准确率；并且，

所述方法还包括：

将待处理的文档转换成文本文档；

从所述待处理的文档中获取结构格式性质信息；

将所述文本文档和结构格式性质信息输入至所述离线序列标注算法模型中，以获取该文档中的文档信息所对应的标注信息。

2.根据权利要求1所述的获取文档信息的方法，其特征在于，在获取该文档中的文档信息所对应的标注信息之后，所述方法还包括：

针对每一种标注信息，依据标注信息的准确率选择离线序列标注算法模型所对应的标注信息。

3.根据权利要求1所述的获取文档信息的方法，其特征在于，所述对至少一种序列标注算法模型进行训练，包括：

将待训练的文档转换成文本文档，其中所述待训练的文档包括：word格式文档、PDF格式文档和/或图像格式文档；

从待训练的文档中获取结构格式性质信息，其中，所述结构格式性质信息包括：位置信息、段落信息和表格信息；

将所述文本文档和结构格式性质信息输入至所述序列标注算法模型中，以获取经过训练的至少一种离线序列标注算法模型。

4.根据权利要求2所述的获取文档信息的方法，其特征在于，所述序列标注算法模型包括：HMM模型、CRF模型和Deep Learning模型。

5.根据权利要求1所述的获取文档信息的方法，其特征在于，所述结构格式性质信息包括：位置信息、段落信息和表格信息。

6.根据权利要求2所述的获取文档信息的方法，其特征在于，所述依据标注信息的准确率选择离线序列标注算法模型所对应的标注信息，包括，选择离线序列标注算法模型所对应的标注信息的准确率高的标注信息。

7.根据权利要求1所述的获取文档信息的方法，其特征在于，如果所述待处理的文档为图像格式的文档，则将该文档进行OCR识别，以将识别后的文档转换成文本文档。

8.一种获取文档信息的装置，其特征在于，包括：

离线训练模块，用于对至少一种序列标注算法模型进行训练，以获取至少一种离线序列标注算法模型；还用于确定离线序列标注算法模型中的每一种中的标注信息的准确率；还用于将待训练的文档转换成文本文档，其中所述待训练的文档包括但不限于：word格式文档、PDF格式文档和/或图像格式文档；从待训练的文档中获取结构格式性质信息，其中，所述结构格式性质信息包括：位置信息、段落信息和表格信息；将所述文本文档和结构格式性质信息输入至所述离线序列标注算法模型中，以获取经过训练的至少一种离线序列标注算法模型；

文档转换模块，用于将待处理的文档转换成文本文档；从所述待处理的文档中获取结构格式性质信息；

文档信息获取模块，用于将所述文本文档和结构格式性质信息输入至所述离线序列标注算法模型中，以获取该文档中的文档信息所对应的标注信息。

9.根据权利要求8所述的获取文档信息的装置，其特征在于，所述文档信息获取模块还用于，针对每一种标注信息，依据标注信息的准确率选择离线序列标注算法模型所对应的标注信息。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所描述的获取文档信息的方法中的步骤。