[发明专利]文本拼接方法及装置、电子设备、存储介质

说明书

本公开提供了一种文本拼接方法及装置、电子设备、存储介质，涉及人工智能技术领域。该文本拼接方法包括：获取待拼接文本，待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据；将待拼接文本中的相邻两行文本数据进行拼接，得到上下行拼接文本；通过预设的第一分类模型和第二分类模型对上下行拼接文本进行多层次分类，以确定各上下行拼接文本的语句意图完整性；根据语句意图完整性将待拼接文本中的各行文本数据进行拼接处理，得到目标文本。本公开能够准确拼接通过光学字符识别技术识别得到的、具有分行现象的文本数据，提高拼接后的目标文本的准确率，以及实现将图像中的文本进行结构化处理，提高图像内容处理效率。

技术领域

本公开涉及人工智能技术领域，具体而言，涉及一种文本拼接方法、文本拼接装置、电子设备以及计算机可读存储介质。

背景技术

随着科学技术的飞速发展，光学字符识别(Optical Character Recognition，OCR)技术越来越得到广泛的应用。OCR技术是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

目前，对具有文本内容的图像如票据图像或者表单图像等，经过OCR识别，会得到具有分行现象的文本数据，但是，由于分行现象会导致相关信息被分割在不同行显示，只能通过人工的方式逐行进行拼接，不仅准确率较低，而且拼接效率也较低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种文本拼接方法、文本拼接装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服相关技术中OCR识别的文本在拼接时准确率与拼接效率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种文本拼接方法，包括：

获取待拼接文本，所述待拼接文本是通过光学字符识别技术识别得到的、具有分行现象的文本数据；

将所述待拼接文本中的相邻两行文本数据进行拼接，得到上下行拼接文本；

通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类，以确定各所述上下行拼接文本的语句意图完整性；

根据所述语句意图完整性将所述待拼接文本中的各行文本数据进行拼接处理，得到目标文本。

在本公开的一些示例实施例中，基于前述方案，所述第一分类模型用于确定上下行拼接文本的语句意图完整性，所述第二分类模型用于确定单行文本的语句意图完整性；

所述通过预设的第一分类模型和第二分类模型对所述上下行拼接文本进行多层次分类，以确定各所述上下行拼接文本的语句意图完整性，包括：

将所述上下行拼接文本输入到第一分类模型中进行第一次分类，确定所述上下行拼接文本的语句意图完整性；

将确定为完整语句意图的上下行拼接文本输入到第二分类模型进行第二次分类，重新确定所述上下行拼接文本的语句意图完整性；

将重新确定为非完整语句意图的上下行拼接文本进行拆分，并将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类，确定所述上下行拼接文本的语句意图完整性。

在本公开的一些示例实施例中，基于前述方案，所述将拆分得到的单行文本输入到所述第二分类模型中进行第三次分类，确定所述上下行拼接文本的语句意图完整性，包括：