[发明专利]一种纸件文档的数据化处理方法及装置

权利要求书

1.一种纸件文档的数据化处理方法，包括：

获取待分类纸件文档的文档图像，基于光学字符对所述文档图像进行识别，从所述文档图像的识别结果中提取关键信息；

在文档类型信息库中确定与所述关键信息匹配的标准信息，将所述标准信息所属的文档类型确定为所述待分类纸件文档的文档类型；

基于所述文档类型对应的结构化版式以及所述待分类纸件文档的内容，生成所述待分类纸件文档的结构化信息；

将所述待分类纸件文档、所述待分类纸件文档的文档类型以及所述结构化信息进行关联存储。

2.根据权利要求1所述的方法，其特征在于，所述从所述文档图像的识别结果中提取所述关键信息，包括：

根据内容类型将所述识别结果划分为多个子识别结果，各所述子识别结果对应的内容类型不同；

基于内容类型对应的信息提取规则分别对各所述子识别结果进行信息提取，得到所述关键信息。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于已有的已分类文档确定每个文档类型的特征；

根据所述每个文档类型的特征确定各所述文档类型对应的多个标准信息；

将所述文档类型与所述文档类型对应的多个标准信息存储在所述文档类型信息库。

4.根据权利要求3所述的方法，其特征在于，所述在文档类型信息库中确定与所述关键信息匹配的标准信息，包括：

在所述文档类型信息库中的多个标准信息中，确定与所述关键信息匹配的标准信息。

5.根据权利要求3所述的方法，其特征在于，在文档类型信息库中确定与所述关键信息匹配的标准信息，包括：

将所述关键信息与所述标准信息输入预设的相似度模型，得到所述关键信息与所述标准信息的相似度；

基于所述相似度，确定与所述关键信息匹配的标准信息。

6.根据权利要求5所述的方法，其特征在于，所述预设的相似度模型为基于双向编码表示的特征向量提取模型，所述将所述关键信息与所述标准信息输入预设的相似度模型，得到所述关键信息与所述标准信息的相似度，包括：

在所述关键信息前端插入第一特征字符，在所述关键信息与所述标准信息之间插入第二特征字符，得到输入序列；

将所述输入序列输入至所述相似度模型中，输出所述关键信息与所述标准信息的相似度。

7.根据权利要求1-6任意一项所述的方法，其特征在于，所述基于所述文档类型对应的结构化版式以及所述待分类纸件文档的内容，生成所述待分类纸件文档的结构化信息，包括：

从所述文档类型对应的结构化版式中确定多个著录字段；

在所述待分类纸件文档内容中提取各所述著录字段对应的著录信息；

对多个所述著录字段，以及各所述著录字段对应的著录信息进行整合，生成所述待分类纸件文档的结构化信息。

8.一种纸件文档的数据化处理装置，包括：

处理模块，用于获取待分类纸件文档的文档图像，基于光学字符对所述文档图像进行识别，从所述文档图像的识别结果中提取关键信息；

确定模块，用于在文档类型信息库中确定与所述关键信息匹配的标准信息，将所述标准信息所属的文档类型确定为所述待分类纸件文档的文档类型；

生成模块，用于基于所述文档类型对应的结构化版式以及所述待分类纸件文档的内容，生成所述待分类纸件文档的结构化信息；

存储模块，用于将所述待分类纸件文档、所述待分类纸件文档的文档类型以及所述结构化信息进行关联存储。

9.根据权利要求8所述的装置，其特征在于，所述处理模块进一步用于：

根据内容类型将所述识别结果划分为多个子识别结果，各所述子识别结果对应的内容类型不同；

基于内容类型对应的信息提取规则分别对各所述子识别结果进行信息提取，得到所述关键信息。

10.根据权利要求8所述的装置，其特征在于，所述存储模块进一步用于基于已有的已分类文档确定每个文档类型的特征；根据所述每个文档类型的特征确定各所述文档类型对应的多个标准信息；将所述文档类型与所述文档类型对应的多个标准信息存储在所述文档类型信息库。