端到端的票据类版面分析算法（二）

端到端的票据类版面分析算法（二）

---

前言

前段时间分享的票据类版面分析解决方案，得到不少小伙伴的认可，在此非常感谢~。大家在使用过程中也遇到不少问题，其中最集中的就是：适用场景、句向量。因此引出本篇内容，顺便对算法做个小小的升级。github

---

一、算法适用场景

1.适用场景

当时设计算法的初衷是解决OCR之后，版面不容易解析的问题，如果版面规规矩矩，根据坐标和正则进行解析即可，不用这么麻烦。

不好解析的版面包括：

• 关键信息漂移的增值税发票、出租车发票
• 位置不固定、倾斜的扫描件
• 版面有干扰，关键锚点被遮挡
• 版面复杂，提取信息较多
  此类场景下，不能很好的利用位置、正则等有效信息，此时版面分析算法才比较适用。

2.关于表格

先说结论，目前的版面分析算法只限票据类的数据，表格不适用。表格的信息提取是一个key-value的数据结构，不仅要提取对应的key-value，而且很可能是一个key对应多个value，比如财务报表，里边还涉及到表格的重构，以后会做专门的分享。

二、句向量升级

1.无监督句向量的问题

句向量虽好，但是在票据类场景确实不太好训练，因为版式里的文本来来回回也就那么几条，大部分训练出来的句向量很可能就没有起到句向量应有的作用，而且有的小伙伴反应，训练出的句向量都是10的负三次方级别的，和位置信息的10的负一次方级别差距还是非常大的，上一版效果不错，完全就是seq2seq和坐标信息在力挽狂澜。

2.有监督的句向量训练方法

既然已经对每个文本框的groupid打标签了，那就把信息利用起来吧，直接训练一个基于lstm的文本分类模型，目的不是为了文本分类，因为本身信息就不足，目的只是为了获取分类模型的隐层向量。

模型也非常简单，基于单层单向的lstm即可，模型大小也就700K,在不提供位置信息的条件下准确率也能达到90%多了，稍后会在项目中提供一个rnn的工具包(有需要私聊我)，欢迎大家star交流~