(19)中华 人民共和国 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 202111178976.4 (22)申请日 2021.10.08 (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 章玥　史亚冰　蒋烨　柴春光　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 代理人 刘丽丽 (51)Int.Cl. G06F 16/35(2019.01) G06N 20/00(2019.01) (54)发明名称 数据标注、 表格信息的提取方法、 装置及电 子设备 (57)摘要 本公开提供了一种数据标注、 表格信息的提 取方法、 装置及电子设备， 涉及人工智 能和大数 据领域， 尤其涉及机器学习、 深度学习、 知识图 谱、 智能搜索和智 能推荐等领域， 可以用于表格 信息的智能提取场景。 具体实现方案为： 基于表 格中多行单元格和/或多列单元格的特征进行聚 类， 以确定表格中的候选表头单元格； 以及基于 候选表头单元格， 对表格进行数据标注， 以将表 格中的表头单元格和非表头单元格标注为不同 的数据。 权利要求书4页 说明书19页 附图5页 CN 113901216 A 2022.01.07 CN 113901216 A 1.一种数据标注方法， 包括： 基于表格中多行单元格和/或多列单元格的特征进行聚类， 以确定所述表格中的候选 表头单元格； 以及 基于所述候选表头单元格， 对所述表格进行数据标注， 以将所述表格中的表头单元格 和非表头单 元格标注为 不同的数据。 2.根据权利要求1所述的方法， 其中， 所述基于表格中多行单元格和/或多列单元格的 特征进行聚类， 以确定所述表格中的候选表头单 元格， 包括： 针对所述表格的M行单元格 中的每行单元格， 基于行内各单元格的行特征进行聚类， 以 确定对应的候选列表头单 元格； 针对所述表格的N列单元格 中的每列单元格， 基于列内各单元格的列特征进行聚类， 以 确定对应的候选行表头单 元格。 3.根据权利要求2所述的方法， 其中， 所述基于所述候选表头单元格， 对所述表格进行 数据标注， 包括： 在基于所述候选列表头单元格和所述候选行表头单元格确定所述表格为行表头表格 的情况下， 执行第一操作， 其中， 所述第 一操作包括： 基于所述候选行表头单元格， 确定所述表格的至少一个表头 行和至少一个非表头行； 将所述至少一个表头行中每个表头单元格统一标注为标注一， 将 所述至少一个非表头行中每 个非表头单 元格统一标注为标注二。 4.根据权利要求2或3所述的方法， 其中， 所述基于所述候选表头单元格， 对所述表格进 行数据标注， 包括： 在基于所述候选列表头单元格和所述候选行表头单元格确定所述表格为列表头表格 的情况下， 执行第二操作， 其中， 所述第 二操作包括： 基于所述候选列表头单元格， 确定所述表格的至少一个表头 列和至少一个非表头列； 将所述至少一个表头列中每个表头单元格统一标注为标注三， 将 所述至少一个非表头列中每 个非表头单 元格统一标注为标注四。 5.根据权利要求2至4中任一项所述的方法， 其中， 所述基于所述候选表头单元格， 对所 述表格进行数据标注， 包括， 在基于所述候选列表头单元格和所述候选行表头单元格确定 所述表格同时包括行表头和列表头的情况 下， 执行以下操作中的至少之一： 响应于确定所述表格中各列的内容相似， 执 行所述第一操作； 响应于确定所述表格中各 行的内容相似， 执 行所述第二操作； 响应于确定所述表格中各行的内容的相似度与 各列的内容的相似度一致， 不对所述表 格进行数据标注。 6.根据权利要求5所述的方法， 其中， 通过以下操作确定所述表格中各行内容的相似度 和各列内容的相似度： 确定所述表格的行内平均距离； 确定所述表格的列内平均距离； 以及 比较所述行内平均距离和所述列内平均距离， 以确定所述表格中各行内容的相似度和 各列内容的相似度。 7.根据权利要求2所述的方法， 其中， 所述基于行内各单元格的行特征进行聚类， 以确权　利　要　求　书 1/4 页 2 CN 113901216 A 2定对应的候选列表头单 元格， 包括： 针对所述每行 单元格， 基于所述行内各 单元格的行 特征进行聚类， 得到 两个簇； 以及 将所述两个簇中元素数量较少的一个簇对应的至少一个单元格作为本行的候选列表 头单元格。 8.根据权利要求2所述的方法， 其中， 所述基于行内各单元格的行特征进行聚类， 以确 定对应的候选列表头单 元格， 包括： 针对所述每行 单元格， 基于所述行内各 单元格的行 特征进行聚类， 得到 两个簇； 以及 将所述两个簇中元素没有命中黑名单且元素数量较少的一个簇对应的单元格作为本 行的候选列表头单 元格， 其中， 所述 黑名单中记录有特定单 元格特征。 9.根据权利要求1所述的方法， 其中， 所述特征包括以下中的至少之一： 数据特征、 统计 特征和语义特 征。 10.根据权利要求9所述的方法， 其中， 所述统计特 征包括： 词频统计特 征。 11.根据权利要求1所述的方法， 其中， 所述表格为以二维矩阵形式组织的表格。 12.根据权利要求1所述的方法， 还包括： 在基于表格中多行单元格和/或多列 单元格的 特征进行聚类之前， 针对所述多行 单元格和/或所述多列单 元格， 先将各单元格中的数字替换为统一的数字， 再提取 所述各单元格的特 征。 13.根据权利要求1所述的方法， 还 包括： 在得到关于所述表格的标注数据后， 基于表格特性， 对所述标注数据进行筛 选。 14.根据权利要求13所述的方法， 其中， 所述表格特性包括： 表格中表头的位置特性和/ 或表头的层数 特性。 15.一种表格信息的提取 方法， 包括： 确定待处 理的表格； 以及 利用表格信息提取模型， 提取 所述表格中的属性与对应的属性 值对， 其中， 所述表格信息提取模型 是基于标注数据训练得到的， 所述标注数据是通过权利要求1至14中任一项所述的方法进行 数据标注得到的。 16.一种模型训练方法， 包括： 获取标注数据； 以及 利用所述标注数据， 训练得到对应的表格信息提取模型， 其中， 所述标注数据是通过权利要求1至14中任一项所述的方法进行 数据标注得到的。 17.一种数据标注装置， 包括： 聚类模块， 用于基于表格 中多行单元格和/或多列 单元格的特征进行聚类， 以确定所述 表格中的候选表头单 元格； 以及 数据标注模块， 用于基于所述候选表头单元格， 对所述表格进行数据 标注， 以将所述表 格中的表头单 元格和非表头单 元格标注为 不同的数据。 18.根据权利要求17 所述的装置， 其中， 所述聚类模块包括： 第一聚类单元， 用于针对所述表格的M行单元格 中的每行单元格， 基于行内各单元格的 行特征进行聚类， 以确定对应的候选列表头单 元格； 第二聚类单元， 用于针对所述表格的N列单元格 中的每列单元格， 基于列内各单元格的 列特征进行聚类， 以确定对应的候选行表头单 元格。权　利　要　求　书 2/4 页 3 CN 113901216 A 3