CN115700828A - 表格元素识别方法、装置、计算机设备和存储介质 - Google Patents
表格元素识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115700828A CN115700828A CN202110875581.3A CN202110875581A CN115700828A CN 115700828 A CN115700828 A CN 115700828A CN 202110875581 A CN202110875581 A CN 202110875581A CN 115700828 A CN115700828 A CN 115700828A
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- sample
- node
- intermediate processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 22
- 238000001514 detection method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种表格元素识别方法、装置、计算机设备和存储介质，其中，该方法包括：根据待处理表格的单元格构建中间处理图；提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；根据预先训练的图神经网络处理所述特征信息以确定各所述单元格对应的表格元素。本发明实施例通过在表格元素识别过程保留原始的表格语义特征，可提高表格元素识别的准确性。
Description
技术领域
本发明实施例涉及计算机应用技术领域，尤其涉及一种表格元素识别方法、装置、计算机设备和存储介质。
背景技术
表格是各类文档中场景信息承载对象，其作为信息化生活的重要数据组织和展示方式得到广泛应用，然而随着文档数目的爆炸性增长，如何高效的从文档中找到表格，并识别出表格的结构信息以及内容信息成为一个亟待解决的问题。其中，表格结构识别尤其成为业界研究的重点。
表格结构检测是从页面中检测出表格所在的区域，在表格区域的基础上，识别表格的逻辑结构和内容，识别到的逻辑结构可以包括表格的行列和层次等。目前常见的表格逻辑结构识别主要通过光学字符识别(Optical Character Recognition，OCR)技术实现，例如，基于卷积神经网络的电子表格检测以及基于图神经网络的发票单据表检测、结合角点定位的表格检测、基于区域卷积神经网络的表检测等，然而上述方案常常需要对将表格数据转换为图像数据进行处理，使得表格数据失去了其本身的语义特征，导致表格元素识别的准确率较差。
发明内容
本发明提供一种表格元素定位方法、装置、计算机设备和存储介质，以实现数据表格元素识别，保留数据表格的语义特征以及结构特征，可增强表格元素识别的准确性，便于后续表格数据的检测与处理。
第一方面，本发明实施例提供了一种表格元素识别方法，其中，该方法包括：
根据待处理表格的单元格构建中间处理图；
提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；
根据预先训练的图神经网络处理所述特征信息以确定待处理表格内各单元各的表格元素。
第二方面，本发明实施例还提供了一种表格元素识别装置，其中，该装置包括：
图构建模块，用于根据待处理表格的单元格信息构建中间处理图；
特征提取模块，用于提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；
元素确定模块，用于根据预先训练的图神经网络处理所述特征信息以确定待处理表格内各单元各的表格元素。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的表格元素识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明实施例中任一所述的表格元素识别方法。
本发明实施例，通过按照待处理表格的单元格构建中间处理图，提取中间处理图中各节点的特征信息，将特征信息输入到预先训练的图神经网络处理以确定各单元格对应的表格元素，本发明实施例在表格元素识别过程保留原始的表格语义特征，可提高表格元素识别的准确性。
附图说明
图1是本发明实施例一提供的一种表格元素识别方法的流程图；
图2是本发明实施例一提供的一种中间处理图构建的示例图；
图3是本发明实施例一提供的一种图神经网络的结构示意图；
图4是本发明实施例一提供的一种表格的结构示意图；
图5是本发明实施例一提供的一种图神经网络的训练流程图；
图6是本发明实施例二提供的一种表格元素识别方法的流程图；
图7是本发明实施例二提供的一种小样本学习的示例图；
图8是本发明实施例二提供的一种图神经网络的示例图；
图9是本发明实施例三提供的一种表格元素识别装置的结构示意图；
图10是本发明实施例四提供的一种计算机设备的结构示意图；
图11是本发明实施例五提供的一种芯片的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1是本发明实施例一提供的一种表格元素识别方法的流程图，本实施例可适用于海量文档中表格元素识别的情况，该方法可以由表格元素识别装置来执行，该装置可以采用硬件和/或软件的方式来实现，参见图1，本发明实施例提供的表格元素识别方法具体可以包括如下步骤：
步骤110、根据待处理表格的单元格构建中间处理图。
其中，待处理表格可以是文档文件中出现的表格信息，待处理表格可以位于不同格式的数据文档中，该数据文档可以包括图片、文字、音频、视频等其他数据元素，示例性的，待处理表格可以是Word文档中的数据表格。单元格可以是待处理表格的组成部分，单元格可以是待处理表格中行和列的交叉区域。中间处理图可以是有待处理表格转换生成的节点图，每个单元格可以是中间处理图中的一个节点，中间处理图可以通过邻接矩阵或者邻近链表的方式表示。
在本发明实施例中，可以按照待处理表格中的单元格分别作为节点构建中间处理图。图2是本发明实施例一提供的一种中间处理图构建的示例图，参见图2，可以获取待处理表格中的单元格作为中间处理图的节点，以及单元格之间的相邻关系作为中间处理图的边。
步骤120、提取中间处理图中至少一个节点的特征信息，其中，特征信息至少包括文本特征信息和位置特征信息。
其中，节点可以是中间处理图的组成部分，具体可以代表表格中的单元格，中间处理图中的节点可以存储有单元格的属性信息，例如，文字、颜色、字体等。特征信息可以是反映单元格特征的信息，可以包括单元格的属性信息，例如文字或者单元格位置等，特征信息可以是隐含特征，可以通过神经网络或者数据统计的方式获取。在本发明实施例中，中间处理图中的节点的特征信息可以是待处理表格中单元格的特征信息。
具体的，可以对中间处理图进行处理，以提取中间处理图中各节点的特征信息，该特征信息可以包括节点对应的单元格的文本特征信息以及位置特征信息，进一步的，各节点的特征信息还可以通过神经网络的方式提取。
步骤130、根据预先训练的图神经网络处理特征信息以确定各单元格对应的表格元素。
其中，图神经网络(Graph Neural Network，GNN)可以用于学习包含大量连接关系的图的网络模型，可以对节点进行分类，本质上，图神经网络处理的中间处理图的每个节点都与一个标签项关联，可以对节点的标签进行预测，也就是对节点的每个表格元素进行预测。图3是本发明实施例一提供的一种图神经网络的结构示意图，针对图G(V,A)，对其代表边A的邻接矩阵使用图运算符进行变换，对其代表节点V进行嵌入运算，并分别使用计算结果确定图残差，根据残差结果分别生成用于分类的输出结果，以及对参见图3，该GNN中使用的公式如下：
图中A是连接矩阵，
是一个可训练的参数。ρ(.)是ReLU激活函数，x(k)是k层中间处理图的节点X的数据。表格元素可以是代表数据表结构的信息，可以包括表格、列、内容等元素，图4是本发明实施例一提供的一种表格的结构示意图，参见图4，数据表可以由列A、元数据M、表头H和数据D等元素组成。
在本发明实施例中，可以将提前到的特征信息输入到预先训练的图神经网络，通过图神经网络基于特征信息对各单元格进行分类，分别确定出各单元格所属的表格元素。其中，图神经网络可以经过使用标记有表格元素的样本表格训练生成。
本发明实施例，通过将待处理表格的单元格信息构建中间处理图，对中间处理图进行处理以获取各节点的特征信息，根据特征信息和预先训练的图神经网络确定各单元格对应的表格元素，实现数据表格元素识别，保留数据表格的语义特征以及结构特征，可增强表格元素识别的准确性，便于后续表格数据的检测与处理。
进一步的，图5是本发明实施例一提供的一种图神经网络的训练流程图参见图5，在上述发明实施例的基础上，图神经网络的训练过程包括如下步骤：
步骤210、为训练样本集内各样本表格构建对应的样本节点图，其中，训练样本集经过小样本学习生成。
其中，训练样本集可以是包括数据表格的文档文件，训练样本集中的文档格式可以多种多样，训练样本包括的数据表格的各单元格可以被对应的表格元素进行标记，可以用于训练和验证。小样本学习(Few-Shot Learning)可以是一种机器学习问题，该机器学习问题可以由经验E、任务T和性能度量P指定，其中，E仅包含有限数量的具有目标T监督信息的示例，也就是通过小部分具有标记的样本进行机器学习训练的过程。
具体的，可以通过小样本学习方法生成训练样本集，针对训练样本集中包括的样本表格构建多个样本节点图，训练样本集中每个样本表格可以生成各自对应的样本节点图，该样本节点图中的节点可以由样本表格的单元格组成，样本节点图中的边可以由样本表格的单元格之间的相邻关系组成。
步骤220、提取各样本节点图内表格节点的特征信息和标签信息以构成特征向量和标签向量。
其中，表格节点可以是各样本节点图中的节点，表格节点可以代表训练样本集中训练表格中的单元格，特征向量可以是由样本节点图中表格节点的特征信息组成的向量，每个表格节点的特征信息可以对应特征向量中的一个取值。标签信息可以是表格节点对应的单元格的表格元素，标签向量可以由样本节点图中表格节点的标签信息组成的向量，每个表格节点的标签信息可以对应标签向量中一个取值。
在本发明实施例中，可以分别对样本节点图进行处理，提取各样本节点图中包含的样本节点的特征信息和标签信息，可以将提取到的特征信息和标签信息分别组成特征向量和标签向量，可以理解的是，每个样本节点图可以分别对应各自的特征向量和标签向量。
步骤230、将各特征向量和各标签向量输入到图神经网络进行迭代训练，直到图神经网络的损失函数满足预设条件。
其中，损失函数可以是衡量图神经网络训练效果的信息，预设条件可以是控制图神经网络训练过程的信息，准确的预设条件设置可以在保证图像神经网络训练效果的基础上提高训练效率，预设条件可以包括损失函数临界值或最大迭代次数，例如，当图神经网络训练后的损失函数满足损失函数临界值，则确定训练完成，或者，当图神经网络训练的迭代次数大于最大迭代次数，则确定训练完成。
在本发明实施例中，可以将各特征向量和各标签向量分别输入到预设的图神经网络中进行训练，使得每次训练后可以获取到图神经网络当前的损失函数，可以将损失函数与预设条件进行对比，若满足则确定图神经网络训练完成，若不满足，则继续使用特征向量和标签向量对图神经网络进行训练。
进一步的，在上述发明实施例的基础上，所述损失函数为
其中，Y表示图神经网络的输出，T表示训练样本集，log为对数函数。
在本发明实施例中，图神经网络的训练过程中使用的损失函数可以为
可以将每次图神经网络训练后的输出为验证集的概率的对数之和作为衡量图神经网络训练效果的损失函数。
进一步的，在上述发明实施例的基础上，图神经网络中多层感知机使用的连接公式包括以下至少之一：
具体的，图神经网络中可以的连接层可以具体为多层感知机，且该多层感知机使用的连接公式为
其中，所述x(k) i表示第i个样本节点图的包括所述特征向量和所述标签向量的向量集，
表示第j个样本节点图的包括所述特征向量和所述标签向量的向量集，abs表示向量距离函数，k表示第k次训练过程，
表示第i个样本节点图和第j个样本节点图的邻接矩阵之间的距离；
其中，
表示第i个样本节点图和第j个样本节点图的邻接矩阵之间的距离。
实施例二
图6是本发明实施例二提供的一种表格元素识别方法的流程图，本发明实施例是在上述发明实施例基础上的具体化，参见图6，本发明实施例提供的方法具体包括如下步骤：
步骤310、为训练样本集内各样本表格构建对应的样本节点图，其中，训练样本集经过小样本学习生成。
步骤320、提取各样本节点图内表格节点的特征信息和标签信息以构成特征向量和标签向量。
步骤330、将各特征向量和各标签向量输入到图神经网络进行迭代训练，直到图神经网络的损失函数满足预设条件。
步骤340、获取待处理表格的各单元格的位置坐标和相邻关系。
其中，位置坐标可以是待处理表格中各单元各之间的相对位置坐标，例如，可以待处理表格中任意一个单元格为坐标原点确定出相对位置坐标，相邻关系可以反映不同单元格之间是否处于相邻状态的信息。
在本发明实施例中，可以通过字符匹配或者图像识别的方式获取出待处理表格中各单元格的位置坐标和相邻关系。
步骤350、按照位置坐标和相邻关系构建邻接矩阵作为中间处理图。
在本发明实施例中，可以按照位置坐标确定出节点，以及使用相邻关系确定出节点对应的边，可以根据节点以及对应的边构建连通图，并以邻接矩阵的形式存储该连通图作为中间处理图。
步骤360、提取中间处理图中节点的相对位置作为位置特征信息。
具体的，可以对中间处理图进行处理获取到各节点的相对位置，处理的方式可以包括图像识别或者神经网络，该相对位置可以反映出不同的节点之间的相对位置关系，相对位置具体可以为距离或者向量等信息。可以将获取到的相对位置作为中间处理图的位置特征信息。
步骤370、使用卷积神经网络处理中间处理图以获取图像特征信息。
具体的，可以获取中间处理图的表格图像，并使用卷积神经网络对该表格图像进行特征提取，可以将提取到的特性特征作为图像特征信息。
步骤380、按照嵌入运算处理中间处理图的节点文本以获取文本特征信息。
其中，嵌入运算可以是将中间处理图中各节点的节点文本进行数值化表示，并使用神经网络的方式进行学习更新的过程。例如，机器学习可以表示为[1,2,3],，深度学习可以表示为[1,3,3]，日月光华可以表示为[9,9,6]，其中，不同文本对应的数值向量的距离可以代表不同文本的相似程度。
在本发明实施例中，可以对节点文本进行数值表示，并对数值向量机械能特征提取，可以将提取到的特征作为中间处理图对应的文本特征信息。
步骤390、将各单元格对应的特征信息输入到图神经网络的输入层。
在本发明实施例中，可以将各单元格的特征信息输入到图神经网络的输入层，使得图神经网络对单元格进行分类。其中，特征信息可以包括文本特征信息、图像特征信息和位置特征信息的特征信息。
步骤3100、获取图神经网络的输出层输出的分类向量。
其中，分类向量可以是图神经网络输出层输出的结果，可以由一个或多个向量值组成，可以理解的是，每个向量值可以对应中间处理图中的一个节点，也就是对应待处理表格中的一个单元格。
具体的，可以提取图神网络输出层输出的信息，可以将各信息组成分类向量。
步骤3110、查找分类向量内各分类值对应的表格元素，并将各表格元素作为各单元格的表格元素。
其中，分类值可以是分类向量的各项取值，可以分别对应一个单元格，分类值可以用于对单元格进行分类，以确定单元格所属的表格元素分类。
在本发明实施例中，可以提取格分类向量中的分类值，每个分类值可以分别对应一个单元格，该分类值可以用于判断单元格所属的表格元素，可以将获取到的各分类值分别与各表格元素对应的分类阈值进行比较，通过分类值取值的大小确定出对应的单元格所属的表格元素分类。
本发明实施例，通过为小样本学习训练生成的样本训练集生成样本节点图，提取样本节点图的特征信息和标签信息作为特征向量和标签向量，基于特征向量和标签向量训练图神经网络，获取待处理表格中的位置坐标和相邻关系，按照上述的位置坐标和相邻关系生成中间处理图，获取中间处理图的位置特征信息、图像特征信息和文本特征信息等特征信息，将特征信息输入到图神经网络进行处理获取到分类向量，按照分类向量确定出各单元格的表格元素，实现数据表格元素识别，保留数据表格的语义特征以及结构特征，可增强表格元素识别的准确性，便于后续表格数据的检测与处理。
进一步的，在上述发明实施例的基础上，所述经过小样本学习生成所述训练样本集，包括：
将原始训练样本集划分为支持集和查询集，其中，所述支持集包括的样本表格标记有表格元素标签；使用预先训练的小样本学习网络按照所述支持集确定出所述查询集的表格元素标签；将具有所述表格元素标签的所述查询集和所述支持集作为训练样本集。
其中，原始训练样本集可以对部分数据进行表格元素标记的数据集，该数据集中只有少部分样本表格被表格元素标签标记。支持集可以包括具有标签的样本表格，查询集可以包括未进行标记的样本表格，表格元素标签可以用于标识单元格所属的表格元素，可以具体为数字、字母和特殊符号组成的标记数据。
在本发明实施例中，可以对原始训练样本中的部分样本表格进行标记，可以将被标记的样本表格作为支持集，未被标记的样本表格作为查询集，可以通过小样本学习网络基于支持集对查询集进行分类，确定出格查询集内样本表格各自对应的表格元素标签，可以使用确定出的元素标签对查询集内的样本表格进行标记，可以将标记后的查询集和支持集作为训练样本集。其中，小样本学习网络可以是对只具有少量标记的数据集进行处理的网络，可以生成数据集内所有数据的数据标签，图7是本发明实施例二提供的一种小样本学习的示例图，参见图7，小样本学习网络可以为一个分类器，可以对小样本表格数据集进行特征提取，该特征提取可以使用长短期记忆人工神经网络(Long Sort-Term Memory，LSTM)模型，以及对查询集数据进行分类的分类器，该分类器可以包括全连接层和支持向量机(Support Vector Machine，SVM)组成，可以基于支持集数据对查询集数据进行分类，利用相似性度量对查询集数据进行分类，以确定出各查询集对应的标签，为了使得表格元素识别的图神经网络具有更好的训练效果，LSTM模型可以由下式构成：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
从上到下可以分别为LSTM模型中的忘记门、输入门、临时状态、最终状态、输出门、输出层。
进一步的，在上述发明实施例的基础上，所述小样本学习网络包括以下至少一种：原型网络模型、关系网络模型、模型无关元学习模型、度量学习模型。
在一个示例性的实施方式中，图8是本发明实施例二提供的一种图神经网络的示例图，参见图8，可以对excel表格或者excel表格图片等文件进行处理，方法的结果输出是单元格的节点、文本、单元Cell所对应的key-value值。本发明实施例使用的表格元素识别方法中的网络模型的处理由三部分组成。表格单元格的图Nodes表示和每个Node对应的边表示，单元格的文本表示，及表格的图片特征。第一步获取每个表格的单元格位置表示为图的节点,然后通过SVM分类器将相同类别的节点分为一个边，如果相同的行或列则为0，不同的行或列则为1。第二步获取单元格的文本特征，并将文本特征和位置特征一起构建GNN网络。第三部获取excel表格或表格的图片特征，使得图的每个节点包含图像特征、位置特征、文本特征。训练过程采用小样本预训练和fine-tune方法，并用BP算法对图神经网络进行优化。在上述图神经网络的基础上，本发明实施例提供的表格元素识别方法可以包括如下步骤：
1.依据表格的单元格node构建一个图
其中φ(xi)为单元格的特征，h(li)为标签向量
2.GNN网络不同层节点采用多层感知机MLP连接如公式(2)和(3)。
3.节点之间的更新以及损失函数如公式(4)和(5)：
节点更新函数：
损失函数：
4.小样本学习目标函数如公式(6)
本发明实施例引入了小样本学习处理训练样本集。融合GNN与小样本学习应用于表格表头定位识别，当可用的样本很少时，可以使用小样本学习提高图神经网络的准确性，在本发明工作中，我们提供了表格元素识别的问题的解决方案，该方案还可以应用于表格图片识别、表格表头关键字Key定位和获取key对应的value值、表格表头位置特征的提取等场景。在本发明实施例中小样本学习的过程可以包括如下步骤：
输入：图的分布ε，层数L，步长a，损失函数的平衡参数r
步骤1：随机初始化小样本学习网络的参数θ。
步骤2：while not done do
步骤3：对每一批图Gi，进行图的连接矩阵Ai和特征矩阵Xi的采样
步骤4：for all Gi do
步骤5：支持集Si和查询集Qi进行采样；
步骤6：计算嵌入fθ(Ai，Xi)和损失函数Lr(Ai，Xi)；
步骤7：计算每层的特征表示
和原型图的相似参数
步骤8：计算关系图
采样支持集并计算图的原型
步骤9：计算匹配的查询集，评估loss；
步骤10：end for
步骤11：
步骤12：end while
实施例三
图9是本发明实施例三提供的一种表格元素识别装置的结构示意图，可执行本发明任意实施例所提供的表格元素识别方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具体包括：图构建模块401、特征提取模块402和元素确定模块403。
图构建模块401，用于根据待处理表格的单元格信息构建中间处理图。
特征提取模块402，用于提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息。
元素确定模块403，用于根据预先训练的图神经网络处理所述特征信息以确定待处理表格内各单元各的表格元素。
本发明实施例，通过图构建模块将待处理表格的单元格信息构建中间处理图，特征提取模块对中间处理图进行处理以获取各节点的特征信息，元素确定模块根据特征信息和预先训练的图神经网络确定各单元格对应的表格元素，实现数据表格元素识别，保留数据表格的语义特征以及结构特征，可增强表格元素识别的准确性，便于后续表格数据的检测与处理。
进一步的，在上述发明实施例的基础上，所述装置还包括：
模型训练模块，用于为训练样本集内各样本表格构建对应的样本节点图，其中，所述训练样本集经过小样本学习生成；提取各所述样本节点图内表格节点的特征信息和标签信息以构成特征向量和标签向量；将各所述特征向量和各所述标签向量输入到所述图神经网络进行迭代训练，直到所述图神经网络的损失函数满足预设条件。
进一步的，在上述发明实施例的基础上，所述装置中模型训练模块的损失函数为
其中，Y表示图神经网络的输出，T表示训练样本集，log为对数函数。
进一步的，在上述发明实施例的基础上，所述装置中图神经网络中多层感知机使用的连接公式包括以下至少之一：
进一步的，在上述发明实施例的基础上，所述模型训练模块还包括：样本训练单元，用于将原始训练样本集划分为支持集和查询集，其中，所述支持集包括的样本表格标记有表格元素标签；使用预先训练的小样本学习网络按照所述支持集确定出所述查询集的表格元素标签；将具有所述表格元素标签的所述查询集和所述支持集作为训练样本集。
进一步的，在上述发明实施例的基础上，所述样本训练单元中小样本学习网络包括以下至少一种：原型网络模型、关系网络模型、模型无关元学习模型、度量学习模型。
进一步的，在上述发明实施例的基础上，所述图构建模块401包括：
参数提取单元，用于获取所述待处理表格的各单元格的位置坐标和相邻关系。
构建执行单元，用于按照所述位置坐标和所述相邻关系构建邻接矩阵作为所述中间处理图。
进一步的，在上述发明实施例的基础上，所述特征提取模块402包括：
位置特征单元，用于提取所述中间处理图中节点的相对位置作为位置特征信息。
图像特征单元，用于使用卷积神经网络处理所述中间处理图以获取图像特征信息。
文本特征单元，用于按照嵌入运算处理所述中间处理图的节点文本以获取文本特征信息。
进一步的，在上述发明实施例的基础上，所述元素确定模块403中表格元素包括以下至少之一：列元素、元数据、标题元素、数据元素。
进一步的，在上述发明实施例的基础上，所述元素确定模块403包括：
特征输入单元，用于将各所述单元格对应的所述特征信息输入到所述图神经网络的输入层。
分类获取单元，同于获取所述图神经网络的输出层输出的分类向量。
元素确定单元，用于查找所述分类向量内各分类值对应的表格元素，并将各所述表格元素作为各所述单元格的表格元素。
实施例四
图10是本发明实施例四提供的一种计算机设备的结构示意图，图10示出了适于用来实现本发明实施方式的计算机设备312的框图。图10显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的智能机器人地图的更新功能的计算设备。
如图10所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的表格元素识别方法。
实施例五
图11是本发明实施例五提供的一种芯片的结构示意图，芯片900包括一个或多个处理器901以及接口电路902。可选的，芯片900还可以包含总线903。其中：
处理器901可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器901中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器901可以是通用处理器、数字通信器(DSP)、专用集成电路((ASIC)、现场可编程门阵列((FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件、MCU、MPU、CPU或者协处理器中的一个或多个。可以实现或者执行本申请实施例中的公开的各方法、步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
接口电路902可以用于数据、指令或者信息的发送或者接收，处理器901可以利用接口电路902接收的数据、指令或者其它信息，进行加工，可以将加工完成信息通过接口电路902发送出去。
可选的，芯片还包括存储器，存储器可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(NVRAM)。
可选的，存储器存储了可执行软件模块或者数据结构，处理器可以通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。
可选的，芯片可以使用在本申请实施例涉及的目标检测装置中。可选的，接口电路902可用于输出处理器901的执行结果。关于本申请的一个或多个实施例提供的目标检测方法可参考前述各个实施例，这里不再赘述。
需要说明的，处理器901、接口电路902各自对应的功能既可以通过硬件设计实现，也可以通过软件设计来实现，还可以通过软硬件结合的方式来实现，这里不作限制。
实施例六
本发明实施例六提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的表格元素识别方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：根据待处理表格的单元格构建中间处理图；提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；根据预先训练的图神经网络处理所述特征信息以确定各所述单元格对应的表格元素。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种表格元素识别方法，其特征在于，所述方法包括：
根据待处理表格的单元格构建中间处理图；
提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；
根据预先训练的图神经网络处理所述特征信息以确定各所述单元格对应的表格元素。
2.根据权利要求1所述的方法，其特征在于，所述图神经网络的训练过程包括：
为训练样本集内各样本表格构建对应的样本节点图，其中，所述训练样本集经过小样本学习生成；
提取各所述样本节点图内表格节点的特征信息和标签信息以构成特征向量和标签向量；
将各所述特征向量和各所述标签向量输入到所述图神经网络进行迭代训练，直到所述图神经网络的损失函数满足预设条件。
3.根据权利要求2所述的方法，其特征在于，所述损失函数为
其中，Y表示图神经网络的输出，T表示训练样本集，log为对数函数。
4.根据权利要求2所述的方法，其特征在于，所述图神经网络中多层感知机使用的连接公式包括以下至少之一：
5.根据权利要求2所述的方法，其特征在于，所述经过小样本学习生成所述训练样本集，包括：
将原始训练样本集划分为支持集和查询集，其中，所述支持集包括的样本表格标记有表格元素标签；
使用预先训练的小样本学习网络按照所述支持集确定出所述查询集的表格元素标签；
将具有所述表格元素标签的所述查询集和所述支持集作为训练样本集。
6.根据权利要求5所述的方法，其特征在于，所述小样本学习网络包括以下至少一种：原型网络模型、关系网络模型、模型无关元学习模型、度量学习模型。
7.根据权利要求1所述的方法，其特征在于，所述根据待处理表格的单元格构建中间处理图，包括：
获取所述待处理表格的各单元格的位置坐标和相邻关系；
按照所述位置坐标和所述相邻关系构建邻接矩阵作为所述中间处理图。
8.根据权利要求1所述的方法，其特征在于，所述提取所述中间处理图中至少一个节点的特征信息，包括以下至少之一：
提取所述中间处理图中节点的相对位置作为位置特征信息；
使用卷积神经网络处理所述中间处理图以获取图像特征信息；
按照嵌入运算处理所述中间处理图的节点文本以获取文本特征信息。
9.根据权利要求1所述的方法，其特征在于，所述表格元素包括以下至少之一：列元素、元数据、标题元素、数据元素。
10.根据权利要求1所述的方法，其特征在于，所述根据预先训练的图神经网络处理所述特征信息以确定所述待处理表格对应的表格元素，包括：
将各所述单元格对应的所述特征信息输入到所述图神经网络的输入层；
获取所述图神经网络的输出层输出的分类向量；
查找所述分类向量内各分类值对应的表格元素，并将各所述表格元素作为各所述单元格的表格元素。
11.一种表格元素识别装置，其特征在于，所述装置包括：
图构建模块，用于根据待处理表格的单元格信息构建中间处理图；
特征提取模块，用于提取所述中间处理图中至少一个节点的特征信息，其中，所述特征信息至少包括文本特征信息和位置特征信息；
元素确定模块，用于根据预先训练的图神经网络处理所述特征信息以确定待处理表格内各单元各的表格元素。
12.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的表格元素识别方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-10中任一所述的表格元素识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110875581.3A CN115700828A (zh) | 2021-07-30 | 2021-07-30 | 表格元素识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110875581.3A CN115700828A (zh) | 2021-07-30 | 2021-07-30 | 表格元素识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115700828A true CN115700828A (zh) | 2023-02-07 |
Family
ID=85120806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110875581.3A Pending CN115700828A (zh) | 2021-07-30 | 2021-07-30 | 表格元素识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115700828A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740743A (zh) * | 2023-06-01 | 2023-09-12 | 汕头大学 | 一种基于图神经网络的ocr表格语义识别方法及装置 |
| CN118115819A (zh) * | 2024-04-24 | 2024-05-31 | 深圳格隆汇信息科技有限公司 | 一种基于深度学习的图表图像数据识别方法及系统 |
| CN118657139A (zh) * | 2024-08-20 | 2024-09-17 | 合肥大智慧财汇数据科技有限公司 | 基于位置信息及版式匹配的表格信息抽取方法及系统 |
-
2021
- 2021-07-30 CN CN202110875581.3A patent/CN115700828A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740743A (zh) * | 2023-06-01 | 2023-09-12 | 汕头大学 | 一种基于图神经网络的ocr表格语义识别方法及装置 |
| CN116740743B (zh) * | 2023-06-01 | 2025-08-19 | 汕头大学 | 一种基于图神经网络的ocr表格语义识别方法及装置 |
| CN118115819A (zh) * | 2024-04-24 | 2024-05-31 | 深圳格隆汇信息科技有限公司 | 一种基于深度学习的图表图像数据识别方法及系统 |
| CN118657139A (zh) * | 2024-08-20 | 2024-09-17 | 合肥大智慧财汇数据科技有限公司 | 基于位置信息及版式匹配的表格信息抽取方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111651992B (zh) | 命名实体标注方法、装置、计算机设备和存储介质 | |
| CN111274811B (zh) | 地址文本相似度确定方法以及地址搜索方法 | |
| CN109858555B (zh) | 基于图像的数据处理方法、装置、设备及可读存储介质 | |
| CN112633419B (zh) | 小样本学习方法、装置、电子设备和存储介质 | |
| CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
| CN110750965B (zh) | 英文文本序列标注方法、系统及计算机设备 | |
| CN111753863B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN113065409B (zh) | 一种基于摄像头分布差异对齐约束的无监督行人重识别方法 | |
| CN109697451B (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
| CN114358203A (zh) | 图像描述语句生成模块的训练方法及装置、电子设备 | |
| CN113255714A (zh) | 图像聚类方法、装置、电子设备及计算机可读存储介质 | |
| CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
| CN116304307A (zh) | 一种图文跨模态检索网络训练方法、应用方法及电子设备 | |
| CN115700828A (zh) | 表格元素识别方法、装置、计算机设备和存储介质 | |
| CN112214595A (zh) | 类别确定方法、装置、设备及介质 | |
| CN113869352A (zh) | 模型训练方法、服装检索方法及相关装置 | |
| CN111523586A (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
| CN116089648A (zh) | 基于人工智能的档案管理系统及方法 | |
| CN114418111A (zh) | 标签预测模型训练及样本筛选方法、装置、存储介质 | |
| WO2021115115A1 (en) | Zero-shot dynamic embeddings for photo search | |
| CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
| CN114117037B (zh) | 意图识别方法、装置、设备和存储介质 | |
| CN110020638B (zh) | 人脸表情识别方法、装置、设备和介质 | |
| CN119129600B (zh) | 一种基于空间关系感知的地名实体识别方法、介质和设备 | |
| CN119884404B (zh) | 跨模态遥感图像检索方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |