[发明专利]文档信息的抽取方法、装置和电子设备

权利要求书

1.一种文档信息的抽取方法，其特征在于，包括：

对目标文档进行分割，得到至少一个子文本框；

对于每一个所述子文本框，基于该子文本框内的至少一个第一内容的语义信息，对所述至少一个第一内容进行第一排序，得到经过第一排序后的该子文本框；

将经过第一排序后的所述至少一个子文本框按照预设规则进行第二排序，得到经过第二排序后的第一子文本框序列；

按照所述第一子文本框序列中至少一个所述子文本框的次序，依次读取各子文本框对应的文本内容。

2.根据权利要求1所述的方法，其特征在于，所述对目标文档进行分割，得到至少一个子文本框，包括：

获取所述目标文档的富文本信息，所述富文本信息至少包括以下之一：所述目标文档的文字内容、文字位置、文字显示格式；

基于所述富文本信息生成所述目标文档的第一特征图；

根据所述第一特征图确定所述至少一个子文本框。

3.根据权利要求2所述的方法，其特征在于，所述基于所述富文本信息生成所述目标文档的第一特征图，包括：

生成所述目标文档对应的初始矩阵，所述初始矩阵包括多个相同的初始矩阵元素；

对于每一个文字，基于该文字的显示格式对该文字对应的所述矩阵元素进行修改，得到所述目标文档的第一特征图。

4.根据权利要求3所述的方法，其特征在于，所述初始矩阵的元素的值为元素的初始显示颜色值；以及

所述对于每一个文字，基于该文字的显示格式对该文字对应的所述矩阵元素进行修改，得到所述目标文档的第一特征图，包括：

根据所述富文本信息中各字号分别所对应的文字数量，确定基准字号；

基于所述基准字号确定各字号对应的像素的数量；

对于每一个文字，在所述初始矩阵中将该文字匹配的所述数量的像素对应的第一显示颜色值修改为第二显示颜色值，得到所述目标文档的初始第一特征图。

5.根据权利要求4所述的方法，其特征在于，所述对于每一个文字，基于该文字的显示格式对该文字对应的所述矩阵元素进行修改，得到所述目标文档的第一特征图，包括：

在得到所述目标文档的初始第一特征图之后，根据每一个文字对应的字体，在所述初始第一特征图中该文字对应的矩阵元素的显示颜色值修改为第三显示颜色值，得到所述第一特征图。

6.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征图确定所述至少一个子文本框，包括：

将所述第一特征图输入到预先训练的版面分割模型，基于所述版面分割模型的输出确定所述目标文档对应的至少一个子文本框，其中，

所述版面分割模型用于对输入的富文本信息特征图分块。

7.根据权利要求6所述的方法，其特征在于，所述版面分割模型经过如下训练步骤得到：

获取已分块的训练样本对应的富文本信息特征图，所述富文本信息特征图包括预先标注的分块结果；

将训练样本的所述富文本信息特征图输入到初始版面分割模型，训练样本的富文本信息特征图的分块结果作为输出，对所述初始版面分割模型进行训练，得到训练后的版面分割模型。

8.根据权利要求1所述的方法，其特征在于，所述对于每一个所述子文本框，基于该子文本框内的至少一个第一内容的语义信息，对所述至少一个第一内容进行第一排序，得到经过第一排序后的该子文本框，包括：

确定所述目标文档中的文本内容，从所述文本内容中提取满足预设条件的语义实体；

对于每一个子文本框，基于所述满足预设条件的语义实体对所述至少一个第一内容进行第一排序，得到第一排序后的该子文本框。

9.根据权利要求8所述的方法，其特征在于，所述确定所述目标文档中的文本内容，从所述文本内容中提取满足预设条件的语义实体，包括：

从所获取的所述目标文档的富文本信息中提取所述目标文档的文本内容；

使用预设语义实体识别方法，在所述文本内容中识别至少一个满足预设条件的语义实体以及语义实体在所述目标文档中的位置信息。