[发明专利]一种日期提取方法、装置、计算机设备及存储介质

说明书

本发明公开了一种日期提取方法、装置、计算机设备及存储介质，该方法包括：获取包含待提取日期的文件图像，对所述文件图像进行预处理；对文件图像进行OCR识别，并结合待提取日期的关联信息获取包含待提取日期的目标文本段；利用NER技术对所述目标文本段进行标签标注，并输出得到日期文本段；通过分类模型对所述日期文本段进行分类预测，并基于分类预测结果对所述日期文本段进行修正及后处理；根据修正及后处理结果，获取待提取日期的目标要素，并根据所述目标要素提取日期。本发明结合待提取提起的关联信息对待提取日期所在文本段进行定位，并通过OCR识别和NER技术对文件图像或者文本段进行识别标注，可以提高对于日期的提取精度和提取效率。

技术领域

本发明涉及计算机技术领域，特别涉及一种日期提取方法、装置、计算机设备及存储介质。

背景技术

在各类合同的审阅过程中，待人工处理的材料往往具有以下两大鲜明的特点：(1)合同类型与覆盖的要素因行业的不同而多变，包括但不限于房地产、医疗、制造业、采购等行业，这就提高了对人工审核相关材料的门槛，同时也加大了审核工作的难度；(2)近似要素过多，且包含手写体类型、掺杂其他印章、水印等干扰信息，增加了要素精准提取的难度。关于合同中各种日期的提取方式，普通分为两种类型：

第一种是基于业务逻辑梳理关键字或关键句的定位规则，然后结合正则等方式匹配符合要求的日期格式，作为最终的候选日期。同时对于多个候选日期，结合相关业务规则选择最终的目标要素值。

第二种应用较为广泛的是结合深度学习进行日期要素提取，即通过深度学习模型预测得到日期对应的目标值。

针对上文提到的第一种现有方法，其缺陷首先是虽然提取日期的精度能够得到一定程度的保证，但是方法几乎没有鲁棒性，即换一种合同样式，或者换一种日期的上下文表述就不能做到提取效果达到预期。

针对上文提到的第二种现有方法，因合同中日期类的要素居多，如开工日期、竣工日期、签约日期、有效期等，且有些日期类要素还频繁出现多于一个的情况，这就导致模型很难去识别真正的目标要素，从而导致提取精度较差。

发明内容

本发明实施例提供了一种日期提取方法、装置、计算机设备及存储介质，旨在提高对于日期的提取精度和提取效率。

第一方面，本发明实施例提供了一种日期提取方法，包括：

获取包含待提取日期的文件图像，对所述文件图像进行预处理；

对经过预处理的文件图像进行OCR识别，并结合待提取日期的关联信息获取包含待提取日期的目标文本段；

利用NER技术对所述目标文本段进行标签标注，并输出得到日期文本段；

通过分类模型对所述日期文本段进行分类预测，并基于分类预测结果对所述日期文本段进行修正及后处理；

根据修正及后处理结果，获取待提取日期的目标要素，并根据所述目标要素提取日期。

第二方面，本发明实施例提供了一种日期提取装置，包括：

预处理单元，用于获取包含待提取日期的文件图像，对所述文件图像进行预处理；

第一获取单元，用于对经过预处理的文件图像进行OCR识别，并结合待提取日期的关联信息获取包含待提取日期的目标文本段；

标签标注单元，用于利用NER技术对所述目标文本段进行标签标注，并输出得到日期文本段；

后处理单元，用于通过分类模型对所述日期文本段进行分类预测，并基于分类预测结果对所述日期文本段进行修正及后处理；

日期提取单元，用于根据修正及后处理结果，获取待提取日期的目标要素，并根据所述目标要素提取日期。