(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210558415.5 (22)申请日 2022.05.20 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 吴思瑾　刘涵　胡腾　冯仕堃　 陈永锋　 (74)专利代理 机构 北京英赛 嘉华知识产权代理 有限责任公司 1 1204 专利代理师 王达佐　马晓亚 (51)Int.Cl. G06F 16/31(2019.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 训练文档信息抽取模 型、 文档信息抽取的方 法和装置 (57)摘要 本公开提供了训练文档信息抽取模型和文 档信息抽取的方法和装置， 涉及人工智 能领域， 尤其涉及自然语言处理领域。 具体实现方案为： 获取标注了预设问题对应的答案的训练数据和 文档信息抽取模型， 其中， 所述训练数据包括版 式文档训练数据和流式文档训练数据； 从所述训 练数据中提取出至少一项特征； 将所述至少一项 特征融合后得到融合特征； 将预设的问题、 所述 融合特征和所述训练数据输入文档信息抽取模 型， 得到预测结果； 基于所述预测结果和所述答 案调整文档信息抽取模型的网络参数。 该实施方 式能够将流式文档信息抽取能力和版式文档信 息抽取能力整合到统一架构的模 型中， 保持模型 信息抽取效果的同时提升了模型的通用性， 减少 了私有化成本 。 权利要求书2页 说明书10页 附图6页 CN 114860867 A 2022.08.05 CN 114860867 A 1.一种训练文档 信息抽取模型的方法， 包括： 获取标注了预设问题对应的答案的训练数据和文档信息抽取模型， 其中， 所述训练数 据包括版式文档训练数据和流式文档训练数据； 从所述训练数据中提取 出至少一项特 征； 将所述至少一项特 征融合后得到融合特 征； 将预设的问题、 所述融合特 征和所述训练数据输入文档 信息抽取模型， 得到预测结果； 基于所述预测结果和所述 答案调整 文档信息抽取模型的网络参数。 2.根据权利要求1所述的方法， 其中， 所述获取标注了预设问题对应的答案的训练数 据， 包括： 通过对网页的爬取和解析， 获取到网页的文本内容以及对应的键值对信息； 根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文 档训练数据。 3.根据权利要求1所述的方法， 其中， 所述获取标注了预设问题对应的答案的训练数 据， 包括： 获取流式文档训练数据和版式文档集 合； 将所述版式文档集 合中的文本内容清空， 保留文档结构； 将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。 4.根据权利要求1所述的方法， 其中， 所述从所述训练数据中提取出至少一项特征， 包 括： 从所述训练数据中提取出以下至少一项： 流式阅读顺序信息、 文本字符的空间位置信 息、 文本分段信息、 文档类型。 5.一种文档 信息抽取 方法， 包括： 获取待提取的文档 信息； 从所述文档 信息中提取 出至少一项特 征； 将所述至少一项特 征融合后得到融合特 征； 将预设的问题、 所述融合特征和所述文档信息输入根据权利要求1 ‑4中任一项所述的 方法训练出的文档 信息抽取模型， 得到答案 。 6.一种训练文档 信息抽取模型的装置， 包括： 获取单元， 被配置成获取标注了预设问题对应的答案的训练数据和文档信息抽取模 型， 其中， 所述训练数据包括版式文档训练数据和流式文档训练数据； 提取单元， 被配置成从所述训练数据中提取 出至少一项特 征； 融合单元， 被配置成将所述至少一项特 征融合后得到融合特 征； 预测单元， 被配置成将预设的问题、 所述融合特征和所述训练数据输入文档信息抽取 模型， 得到预测结果； 调整单元， 被配置成基于所述预测结果和所述答案调整文档信息抽取模型的网络参 数。 7.根据权利要求6所述的装置， 其中， 所述获取 单元进一步被配置成： 通过对网页的爬取和解析， 获取到网页的文本内容以及对应的键值对信息； 根据所述文本内容以及对应的键值对信息构建标注了预设问题对应的答案的流式文权　利　要　求　书 1/2 页 2 CN 114860867 A 2档训练数据。 8.根据权利要求6所述的装置， 其中， 所述获取 单元进一步被配置成： 获取流式文档训练数据和版式文档集 合； 将所述版式文档集 合中的文本内容清空， 保留文档结构； 将所述流式文档训练数据填充到所述文档结构中生成版式文档训练数据。 9.根据权利要求6所述的装置， 其中， 所述 提取单元进一步被配置成： 从所述训练数据中提取出以下至少一项： 流式阅读顺序信息、 文本字符的空间位置信 息、 文本分段信息、 文档类型。 10.一种文档 信息抽取装置， 包括： 获取单元， 被配置成获取待提取的文档 信息； 提取单元， 被配置成从所述文档 信息中提取 出至少一项特 征； 融合单元， 被配置成将所述至少一项特 征融合后得到融合特 征； 预测单元， 被配置成将预设的问题、 所述融合特征和所述文档信息输入根据权利要求 6‑9中任一项所述的装置训练出的文档 信息抽取模型， 得到答案 。 11.一种电子设备， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行权利要求1 ‑5中任一项所述的方法。 12.一种存储有计算机指令的非瞬时计算机可读存储介质， 其中， 所述计算机指令用于 使所述计算机执 行根据权利要求1 ‑5中任一项所述的方法。 13.一种计算机程序产品， 包括计算机程序， 所述计算机程序在被处理器执行时实现根 据权利要求1 ‑5中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114860867 A 3