[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

说明书

本申请实施例提供一种文档识别方法、工程词库构建方法、电子设备及存储介质，涉及通信技术领域，该方法包括：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。本申请实施例提供的方法，能够提高文档识别的准确率。

技术领域

本申请实施例涉及通信技术领域，尤其涉及一种文档识别方法、工程词库构建方法、电子设备及存储介质。

背景技术

目前，建筑工程领域是数据量最大、业务规模最大的大数据行业，但同样是当前各行业中最没有数据的行业。建筑工程项目往往具有投资额大、建设周期长、不确定因素多、风险大、参与人员多等特征。

目前对建筑行业的工程文档的识别通常通过光学字符识别(Optical CharacterRecognition，OCR)实现。而工程文档通常专业性较强，且专业词汇较多，因此，通过上述OCR方式对工程文档进行识别，准确率较低。

发明内容

本申请实施例提供了一种文档识别方法、工程词库构建方法、电子设备及存储介质，以提供一种对工程文档进行识别的方式，由此可以提高文档识别的准确率。

第一方面，本申请实施例提供了一种文档识别方法，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。

其中一种可能的实现方式中，获取待识别图像之后，还包括：

对所述待识别图像进行预处理。

其中一种可能的实现方式中，预处理包括去印章、去水印或图像矫正中的一种或多种。

其中一种可能的实现方式中，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。

其中一种可能的实现方式中，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。

其中一种可能的实现方式中，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。

其中一种可能的实现方式中，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。

其中一种可能的实现方式中，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；