[发明专利]识别方法、装置、设备以及存储介质

说明书

本公开提供了一种识别方法、装置、设备以及存储介质，涉及自然语言处理、深度学习等人工智能技术领域。该方法包括：获取待识别文件，将待识别文件转换为图片格式，得到待识别图片；对待识别图片进行光学字符识别，得到识别结果，其中，识别结果包括待识别图片中的各个文本块的信息；基于识别结果确定待识别图片的页面中是否存在分栏；响应于待识别图片的页面中存在分栏，基于各个文本块的信息确定待识别图片的阅读顺序。本公开提供的识别方法根据页面版式的复杂程度，选取不同的方式进行顺序识别，提升了技术的泛化能力，从而满足了不同版式的文档解析需求。

技术领域

本公开涉及人工智能技术领域，具体涉及自然语言处理、深度学习等领域，尤其涉及识别方法、装置、设备以及存储介质。

背景技术

随着信息化和数字化时代的到来，越来越多的文本信息被保存在txt文本文档、word、excel和pdf(Portable Document Format，便携式文档格式)等不同格式的电子文件中。文档智能解析就是解析电子文件的内容并利用其中的有效信息，因而在当今社会有着广泛的用途。

在不同格式的文件中，pdf文件最为复杂，其类型分为电子件和扫描件，pdf文件中记录有丰富、具体的信息，同时也呈现着复杂多变的版式结构。

发明内容

本公开提供了一种识别方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种识别方法，包括：获取待识别文件，将待识别文件转换为图片格式，得到待识别图片；对待识别图片进行光学字符识别，得到识别结果，其中，识别结果包括待识别图片中的各个文本块的信息；基于识别结果确定待识别图片的页面中是否存在分栏；响应于待识别图片的页面中存在分栏，基于各个文本块的信息确定待识别图片的阅读顺序。

根据本公开的第二方面，提供了一种识别装置，包括：获取模块，被配置成获取待识别文件，将待识别文件转换为图片格式，得到待识别图片；识别模块，被配置成对待识别图片进行光学字符识别，得到识别结果，其中，识别结果包括待识别图片中的各个文本块的信息；第一确定模块，被配置成基于识别结果确定待识别图片的页面中是否存在分栏；第二确定模块，被配置成响应于待识别图片的页面中存在分栏，基于各个文本块的信息确定待识别图片的阅读顺序。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的识别方法的一个实施例的流程图；

图3是根据本公开的识别方法的另一个实施例的流程图；

图4是图3所示的识别方法的确定阅读顺序步骤的分解流程图；

图5是根据本公开的识别装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的识别方法的电子设备的框图。

具体实施方式