[发明专利]文档识别方法、工程词库构建方法、电子设备及存储介质

权利要求书

1.一种文档识别方法，其特征在于，所述方法包括：

获取待识别图像；

对所述待识别图像进行文字识别；

基于预设工程词库，对识别获得的文字进行分词；

基于所述预设工程词库，对分词获得的词组进行替换。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别图像之后，所述方法还包括：

对所述待识别图像进行预处理。

3.根据权利要求2所述的方法，其特征在于，所述预处理包括去印章、去水印或图像矫正中的一种或多种。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于预设工程词库，对识别获得的文字进行分词包括：

基于预设工程词库，对所述待识别图像中的每条语句的文字进行分词，得到与所述语句对应的多个候选词组集合；其中，每个所述候选词组集合包括多个词组，每个所述候选词组集合对应一个置信度；

基于所述置信度，在与每条语句对应的多个所述候选词组集合中确定与所述语句对应的词组集合。

5.根据权利要求4所述的方法，其特征在于，所述基于所述预设工程词库，对分词获得的词组进行替换包括：

计算每个所述词组集合中的每个词组的上下文语义向量；

基于每个所述词组的上下文语义向量及所述预设工程词库中的词组的语义向量，对分词获得的词组进行替换。

6.根据权利要求5所述的方法，其特征在于，所述基于每个所述词组的上下文语义向量及所述预设工程词库中的词组的语义向量，对分词获得的词组进行替换包括：

计算每个所述词组的上下文语义向量及所述预设工程词库中的词组的语义向量之间的相似度，基于所述相似度对分词获得的词组进行替换。

7.根据权利要求5所述的方法，其特征在于，所述基于每个所述词组的上下文语义向量及所述预设工程词库中的词组的语义向量，对分词获得的词组进行替换包括：

计算每个所述词组的上下文语义向量及所述预设工程词库中的词组的语义向量之间的相似度以及编辑距离，基于所述相似度及所述编辑距离对分词获得的词组进行替换。

8.根据权利要求5-7中任一项所述的方法，其特征在于，所述计算每个所述词组集合中的每个词组的上下文语义向量包括：

获取每个所述词组集合的置信度；

基于所述置信度确定第一词组集合，其中，所述第一词组集合包括多个置信度低于预设第一阈值的词组集合；

计算所述第一词组集合中每个所述词组集合的上下文语义向量。

9.一种工程词库构建方法，其特征在于，所述方法包括：

获取多个工程文档；

对每个所述工程文档进行识别，并对识别获得的文字进行分词；

对首个工程文档中的由分词获得的词组进行筛选，得到第一工程词组集合，其中，所述第一工程词组集合包括一个或多个工程词组，所述工程词组用于构建工程词库；

基于所述第一工程词组集合，对剩余工程文档中的由分词获得的词组进行筛选，获得一个或多个工程词组。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

对每个所述工程文档进行标注，其中，所述标注用于标识文档类别、文档名称及正文位置。

11.根据权利要求10所述的方法，其特征在于，所述对首个工程文档中的由分词获得的词组进行筛选包括：

计算每个所述词组的权重；

基于所述权重，在所述词组中进行筛选。

12.根据权利要求11所述的方法，其特征在于，所述方法还包括：

基于所述词组所处的标注位置对所述权重进行更新，其中，所述词组所处的标注位置包括文档类别、文档名称或正文中的一个或多个。