[发明专利]表格信息抽取方法、装置、存储介质及电子设备

说明书

本发明公开了一种表格信息抽取方法、装置、存储介质及电子设备，对目标表格中的合并数据进行预处理，得到二维矩阵；将二维矩阵的行和/或列数据输入到表头检测模型，得到表头检测结果，并确定目标表格的表格样式；根据与表格样式对应的处理模式，生成单元格文本序列和表头文本矩阵；获得目标字段文本与表头文本序列中每一文本的匹配结果，并获得目标字段文本对应的单元格对象；基于每一目标字段文本对应的单元格对象的值序列，建立匹配结果对应的行或列的索引信息，以实现对目标单元进行信息抽取，得到抽取结果。本发明通过表头检测模型和表头文本序列的文本匹配处理更适用于复杂表格信息抽取，提升了复杂表格的信息抽取效率及准确性。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种表格信息抽取方法、装置、存储介质及电子设备。

背景技术

伴随着数据量的增长，数据提取技术挖掘目标信息的有效手段，在形式各异的信息中，表格是文档中一种重要的数据表现形式，通常用于组织所描述对象的基本信息、统计数据等。目前表格信息抽取方式多为人工抽取方式，需要耗费大量的人力和时间成本。

虽然也有采用机器学习方法进行表格信息的抽取，但是对于信息较为复杂的表格，其抽取结果准确率不高。例如，在金融领域的表格，其具有复杂表头、多样化的公告类型和批注类型，对于每一个不同的抽取需求都需要标注数据，且标注量较大，使得降低了最终的表格信息抽取结果的准确率。

发明内容

针对于上述问题，本发明提供一种表格信息抽取方法、装置、存储介质及电子设备，实现了提升了复杂表格的信息抽取效率及准确性。

为了实现上述目的，本发明提供了如下技术方案：

一种表格信息抽取方法，包括：

对待抽取的目标表格中的合并数据进行预处理，得到与所述目标表格对应的二维矩阵；

将所述二维矩阵的行和/或列数据输入到表头检测模型，得到所述目标表格对应的行和/或列的表头检测结果；

基于所述表头检测结果，确定所述目标表格的表格样式；

根据与所述表格样式对应的处理模式，生成所述目标表格的单元格文本序列和表头文本矩阵；

对所述表头文本序列进行遍历，以获得目标字段文本与所述表头文本序列中每一文本的匹配结果；

根据所述匹配结果和所述单元格文本序列，获得目标字段文本对应的单元格对象；

基于每一目标字段文本对应的单元格对象的值序列，建立所述匹配结果对应的行或列的索引信息；

基于所述索引信息对所述目标表格进行信息抽取，得到抽取结果。

可选地，所述待抽取的目标表格中的合并数据进行预处理，得到与所述目标表格对应的二维矩阵，包括：

获取待抽取的目标表格中的具有数据合并的行，对被合并的行进行数据补充；

获取待抽取的目标表格中的具有数据合并的列，对被合并的列进行数据补充；

生成行和/或列进行数据补充后的表格对应的二维矩阵。

可选地，所述根据与所述表格样式对应的处理模式，生成所述目标表格的单元格文本序列和表头文本矩阵，包括：

若所述表格样式为竖式，生成所述目标表格的单元格文本序列和表头文本矩阵；

若所述表格样式为横式，将所述目标表格的表头列转换为行，生成转换后的目标表格的单元格文本序列和表头文本矩阵；