[发明专利]一种公告文档表格数据识别方法及终端

权利要求书

1.一种公告文档表格数据识别方法，其特征在于，包括步骤：

在公告文档中搜索待识别的表格的引导区域和结束区域，根据所述待识别的表格的引导区域和结束区域确定所述待识别的表格的初步范围；

在所述初步范围内定位所述待识别的表格的准确位置；

在所述公告文档中搜索所述待识别的表格内的字词，根据所述字词的坐标和所述待识别的表格的准确位置，将所述字词填充到所述待识别的表格中；

所述在所述初步范围内定位所述待识别的表格的准确位置包括：

在所述待识别的表格的初步范围内，搜索横线和竖线；

根据所述横线和竖线的交叉关系获得交叉点，根据所述交叉点形成单元格，将相邻的单元格进行组合；

根据组合后的单元格确定所述待识别的表格的准确位置；

所述在所述公告文档中搜索所述待识别的表格内的字词，根据所述字词的坐标和所述待识别的表格的准确位置，将所述字词填充到所述待识别的表格中包括：

对所述公告文档进行解析，获取所述公告文档内字符与线段的位置；

根据所述字符与线段的位置，根据字符之间以及字符和线段之间的位置关系将所述字符组成词和句子；

根据所述待识别的表格的准确位置确定其包含的每一个单元格的位置以及位于所述准确位置范围内的词和句子；

根据位于所述准确位置范围内的词和句子的位置和所述待识别的表格的每一个单元格的位置，将位于所述准确位置范围内的词和句子与其对应的单元格进行关联；

将与每一个单元格关联的词和句子填充进所述单元格中。

2.根据权利要求1所述的一种公告文档表格数据识别方法，其特征在于，所述在公告文档中搜索待识别的表格的引导区域和结束区域包括：

根据预设的关键词和关键字在所述公告文档中进行正则化匹配，判断是否在所述公告文档中匹配到所述预设的关键词或关键字，若是，根据所述关键词或关键字的位置确定所述待识别的表格的引导区域和结束区域，若否，通过机器学习模型对所述待识别的表格的引导区域和结束区域进行定位。

3.根据权利要求2所述的一种公告文档表格数据识别方法，其特征在于，所述通过机器学习模型对所述待识别的表格的引导区域和结束区域进行定位包括：

在各类型公告文档中，将待识别表格的引导区域、结束区域和表格区域组成的文本区域标记为正类样本，将非待识别表格的引导区域、结束区域和表格区域的连续三个段落组成的文本区域标记为负类样本；

计算每个样本的特征向量；

根据每个样本的特征向量及其对应的样本类型得到训练数据集；

根据所述训练数据集训练二分类模型，得到训练完成的二分类模型；

获取所述公告文档的待识别特征向量，将所述特征向量输入所述训练完成的二分类模型中分类，确定所述待识别的特征向量对应的区域的类型；

根据确定出的类型及其对应的待识别的特征向量确定所述待识别的表格的引导区域和结束区域。

4.根据权利要求3所述的一种公告文档表格数据识别方法，其特征在于，所述计算每个样本的特征向量包括：

提取所述样本对应的引导区域和结束区域的词向量特征，提取表格区域的线段数量和文本分布特征；

将所述词向量特征以及所述线段数量和文本分布特征进行组合形成所述样本对应的特征向量。

5.根据权利要求3所述的一种公告文档表格数据识别方法，其特征在于，所述根据所述训练数据集训练二分类模型，得到训练完成的二分类模型包括：

将所述训练数据集输入到胶囊神经网络的学习模块中，根据所述学习模块的学习结果以及对应输入的训练数据集调节所述胶囊神经网络的参数得到最优的胶囊神经网络模型。