[发明专利]表格的信息提取方法、系统、设备、介质及程序产品

说明书

本公开是关于一种表格的信息提取方法、系统、设备、介质及程序产品，包括：获得待进行信息提取的表格；将表格输入预先训练好的图神经网络中，得到图神经网络从表格中提取的目标单元格中的内容，其中，图神经网络是基于如下方式预先训练好的：获得表格样本，并根据所述表格样本的表头单元格和内容单元格进行标注分类，以及将关注内容对应的表头单元格和内容单元格进行标注分类；根据标注好的所述表格样本的表结构构造图结构，基于所述图结构以及训练任务训练所述图神经网络。本申请通过预训练的图神经网络来提取待进行信息提取的表格，可以在规则及不规则表格条件下，准确提取指定内容信息。

技术领域

本公开涉及表格信息提取技术领域，尤其涉及一种表格的信息提取方法、系统、设备、介质及程序产品。

背景技术

表格是一种非常重要和常见的半结构化数据，广泛使用在文档和网页中。表格信息对于人来说清晰明了，易于理解。但是手动从大量表格中提取指定信息通常是很繁琐耗时的，因此出现了机器自动提取表格中信息的方法。

现有相关技术中，表格相关的研究包括表格识别，表格结构提取，表格理解等，其中表格理解又分为基于表格的信息检索，表格问答，表格内容的提取。表格内容的提取方法面对复杂多样的表格形式时，基于规则的方法已经无法胜任，目前大多方法都是基于深度学习技术进行表格识别和理解。目前基于深度学习的表格理解技术目标可以分为：（1）提取其中指定的信息，（2）生成描述性文本。使用到的深度学习方法如：（1）基于卷积神经网络进行表格结构识别和提取（2）使用图神经网络和自然语言模型进行财务表格的识别和提取。而目前的基于深度学习的提取方法大都基于规则的方法比较繁琐，需要定义的规则比较多，难于维护，无法应对复杂多样的表格结构，并且还无法满足在不规则表格条件下，直接根据表头准确提取指定内容信息的需求。

发明内容

为克服相关技术中存在的问题，本公开提供一种表格的信息提取方法、系统、设备、介质及程序产品。

根据本公开实施例的第一方面，提供一种表格的信息提取方法，包括：

获得待进行信息提取的表格；

将所述表格输入预先训练好的图神经网络中，得到所述图神经网络从所述表格中提取的目标单元格中的内容，

其中，所述图神经网络是基于如下方式预先训练好的：

获得表格样本，并根据所述表格样本的表头单元格和内容单元格进行标注分类，以及将关注内容对应的表头单元格和内容单元格进行标注分类；

根据标注好的所述表格样本的表结构构造图结构，其中，所述图结构包括多个节点，每个节点对应一个表头单元格或内容单元格，并根据所述表结构、每个节点对应的表头单元格或内容单元格的内容，得到所述图结构的节点特征和边特征；

基于所述图结构以及训练任务训练所述图神经网络，其中，所述训练任务包括识别所述表格样本中的表头单元格、识别关注内容对应的表头单元格和内容单元格，其中，所述训练任务是基于交叉熵损失函数进行的。

在一些实施例中，所述根据标注好的所述表格样本的表结构构造图结构，其中，所述图结构包括多个节点，每个节点对应一个表头单元格或内容单元格，并根据所述表结构、每个节点对应的表头单元格或内容单元格的内容，得到所述图结构的节点特征和边特征，包括：

获得所述表格样本的表结构，其中，所述表结构包括所述表格样本的表头单元格和内容单元格所对应的行和列、以及表头单元格和内容单元格之间的位置关系；

根据所述表格样本的表头单元格和内容单元格所对应的行和列、以及表头单元格和内容单元格之间的位置关系，构造所述图结构；

根据所述表格样本的表头单元格和内容单元格所对应的行和列、以及所述表头单元格和内容单元格的内容，得到对应节点的节点特征；

根据所述表头单元格和内容单元格之间的位置关系得到所述边特征。