[发明专利]文档完整性检测方法、系统和电子设备

说明书

本发明提供了一种文档完整性检测方法、系统和电子设备，涉及计算机技术领域，该方法包括获取待检测文档；基于参考特征对待检测文档的文档结构进行完整性检测，并在待检测文档的文档结构完整时，判断待检测文档的文档内容是否缺失；其中，参考特征为与待检测文档具有相同文档类型的文档特征；如果缺失，则确定待检测文档为不完整文档；如果未缺失，则确定待检测文档为完整文档。本发明能够提升文档完整性检测的准确性。

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种文档完整性检测方法、系统和电子设备。

背景技术

目前存储的文档格式众多，大量打印文档被数字化并作为图像存储在数据库中，因此电子文档不仅是文本文档，也可能是纸质文档的图像。例如，对于以图像格式存储的文档，为了从图像文档中获取信息，需要首先对图像文档进行文字识别(诸如OCR识别)，然而，如果图像文档存在图像质量差、识别精度低等问题，则会导致识别出的文档中的内容缺失，因此，如何提升文档完整性的准确检测是目前亟待解决的问题。

发明内容

本发明的目的在于提供一种文档完整性检测方法、系统和电子设备，能够提升文档完整性检测的准确性。

第一方面，本发明提供一种文档完整性检测方法，包括：获取待检测文档；基于参考特征对待检测文档的文档结构进行完整性检测，并在待检测文档的文档结构完整时，判断待检测文档的文档内容是否缺失；其中，参考特征为与待检测文档具有相同文档类型的文档特征；如果缺失，则确定待检测文档为不完整文档；如果未缺失，则确定待检测文档为完整文档。

在可选的实施方式中，获取待检测文档，包括：获取初始文档；初始文档包括文本文档或图像文档；当初始文档为文本文档时，将文本文档确定为待检测文档；当初始文档为图像文档时，对图像文档中的文字进行识别，并将图像文档对应的识别得到的文字确定为待检测文档。

在可选的实施方式中，基于参考特征对待检测文档的文档结构进行完整性检测，包括：确定文档类型对应的参考特征；参考特征包括文档公共结构，文档公共结构以第一结构图的形式表征；对待检测文档进行结构解析，确定待检测文档对应的第二结构图；将第二结构图与第一结构图进行对比，对待检测文档的文档结构进行完整性检测。

在可选的实施方式中，确定文档类型对应的参考特征，包括：确定文档类型对应的文档集合；其中，文档集合中至少包括一个与文档类型对应的参考文档；对文档集合中的每个参考文档进行段落划分，得到每个参考文档对应的段落特征集合，并基于段落特征集合中每个段落之间的关系构建参考文档对应的文档结构图；对文档集合包含的全部参考文档的文档结构图的文档公共结构进行匹配，确定文档类型对应的第一结构图。

在可选的实施方式中，对待检测文档进行结构解析，确定待检测文档对应的第二结构图，包括：基于待检测文档的上下文对待检测文档进行段落划分，并把划分后得到的每个段落确定为节点，段落之间的关系确定为节点的连边；基于节点和连边确定待检测文档对应的第二结构图。

在可选的实施方式中，参考特征包括共有类别实体；判断待检测文档的文档内容是否缺失，包括：确定文档集合中的参考文档的共有类别实体；共有类别实体用于表征文档集合中每个参考文档均包含的内容类别；对待检测文档的类别实体进行提取，确定目标类别实体；通过判断共有类别实体是否为目标类别实体的子集，判断待检测文档的文档内容是否缺失。

在可选的实施方式中，确定文档集合中的参考文档的共有类别实体，包括：对文档集合中的参考文档进行分词处理，并对分词处理后的文档进行词性标准化处理和去除停用词处理，确定参考文档所包含的目标词语；计算目标词语在参考文档的第一词频，以及目标词语在文档集合中的第二词频；基于第一词频和第二词频确定目标词频，并将目标词频小于预设词频阈值的目标词语确定为文档集合中的参考文档的共有类别实体。