[发明专利]一种标题抽取模型的生成方法、装置及电子设备

说明书

本公开提供了一种标题抽取模型的生成方法、装置及电子设备，涉及数据处理领域，尤其涉及自然语言处理、深度学习、光学字符识别、数据处理等技术领域。该方案为：获取文档样本，其中，文档样本中的文档为图像格式；对文档样本中的文档进行文本特征提取，得到文本特征信息，并对文档进行图像特征提取，得到图像特征信息，文本特征信息表征文档样本所包含文本的文本内容以及文本位置，图像特征信息表征文档样本所包含文档的文档布局；基于文本特征信息对文档样本进行标注，得到标注后的文档样本；对标注后的文档样本和图像特征信息进行特征融合，得到训练样本；基于训练样本生成标题抽取模型，标题抽取模型用于提取待处理文档中的标题。

技术领域

本公开涉及数据处理技术领域，尤其涉及自然语言处理、深度学习、光学字符识别、数据处理等技术领域，具体涉及一种标题抽取模型的生成方法、装置及电子设备。

背景技术

文档智能是指计算机自动阅读理解以及分析文档的过程。深度学习技术的普及极大地推动了以文档信息抽取为代表的文档智能领域的发展。面向PDF文档的多级标题(包括正文格式的标题)抽取以及标题序号纠错，在文档结构化、摘要抽取以及降低文档错误率等需求下，应用广泛。

通常情况下，待处理的文档，具有篇幅较长过长、和版式多样等的特点。然而，在现有技术中，在对篇幅较长过长篇幅，版式多样的文档进行抽取标题以及序号纠错处理时，提取效率低，提取标题的准确率低，降低了用户的使用体验。

发明内容

本公开提供了一种标题抽取模型的生成方法、装置及电子设备。

根据本公开的一方面，提供了一种标题抽取模型的生成方法，该方法包括：获取文档样本，其中，文档样本中的文档为图像格式；对文档样本中的文档进行文本特征提取，得到文本特征信息，并对文档进行图像特征提取，得到图像特征信息，其中，文本特征信息表征了文档样本所包含文本的文本内容以及文本位置，图像特征信息表征了文档样本所包含文档的文档布局；基于文本特征信息对文档样本进行标注，得到标注后的文档样本；对标注后的文档样本和图像特征信息进行特征融合，得到训练样本；基于训练样本生成标题抽取模型，其中，标题抽取模型用于提取待处理文档中的标题。

由上述内容可知，本公开采用从文档样本中的文本和图像中提取到的语义特征进行融合的方式，生成用于训练标题抽取模型的训练样本，并使用训练样本训练标题抽取模型，以对待处理文档中的标题进行抽取。本公开所提供的方案达到了提取文档中的标题的目的，实现了提高文档标题的提取准确率的效果，进而解决了现有技术中在抽取文档的标题时所存在的提取准确率低的问题。

根据本公开的另一方面，提供了一种标题抽取模型的生成装置，包括：获取模块，用于获取文档样本，其中，文档样本中的文档为图像格式；特征提取模块，用于对文档样本中的文档进行文本特征提取，得到文本特征信息，并对文档进行图像特征提取，得到图像特征信息，其中，文本特征信息表征了文档样本所包含文本的文本内容以及文本位置，图像特征信息表征了文档样本所包含文档的文档布局；标注模块，用于基于文本特征信息对文档样本进行标注，得到标注后的文档样本；特征融合模块，用于对标注后的文档样本和图像特征信息进行特征融合，得到训练样本；模型生成模块，用于基于训练样本生成标题抽取模型，其中，标题抽取模型用于提取待处理文档中的标题。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的标题抽取模型的生成方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据上述的标题抽取模型的生成方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的标题抽取模型的生成方法。