林鑫 余華娟 閆奕臻

（1. 華中師范大學(xué)信息管理學(xué)院，武漢 430079；2. 湖北省數(shù)據(jù)治理與智能決策研究中心，武漢 430079）

因具有簡潔規(guī)范、信息密度高、數(shù)據(jù)關(guān)系清晰等優(yōu)點，表格被廣泛應(yīng)用于各行各業(yè)的企事業(yè)單位日常管理、政務(wù)工作和科學(xué)交流中。與非結(jié)構(gòu)化文檔相比，盡管其具有結(jié)構(gòu)化程度高的優(yōu)勢，但由于常常以獨立文檔或文檔的組成部分存在，為實現(xiàn)對此類數(shù)據(jù)的系統(tǒng)管理、共享、復(fù)用與挖掘分析，還需要重新對其進(jìn)行數(shù)據(jù)化處理，即通過表格區(qū)域檢測、結(jié)構(gòu)識別、單元格語義關(guān)系識別，將表格從文檔中提取出來并實現(xiàn)機(jī)器可理解[1-2]。其中，表格區(qū)域檢測是指從包含表格的文檔或圖片中識別其邊界；結(jié)構(gòu)識別是指識別表格的布局結(jié)構(gòu)、層次結(jié)構(gòu)，確定各單元格的具體位置及單元格間的位置關(guān)系；單元格語義關(guān)系識別首先需要識別單元格的類型，單元格的類型包括表頭、表體、說明性單元格3種，并在此基礎(chǔ)上，建立具有對應(yīng)關(guān)系的3種單元格間的語義關(guān)聯(lián)，即將其轉(zhuǎn)換為表頭單元格、表體單元格、說明性單元格的元組形式。

根據(jù)表頭、表體、說明性單元格間的位置關(guān)系，可以將表格分成簡單結(jié)構(gòu)表格與復(fù)雜表格，前者是指表頭單元格集中分布在前1行/列或前幾行/列的行列表頭表格；后者是指表頭與表體單元格混合分布的表格，其在實踐中也廣泛應(yīng)用，如科研項目申請書、職稱評審表、信息登記表、報名表等。當(dāng)前圍繞單元格語義關(guān)系識別，國內(nèi)外學(xué)者主要圍繞簡單結(jié)構(gòu)表格展開研究，對復(fù)雜表格關(guān)注較少。復(fù)雜表格不但結(jié)構(gòu)復(fù)雜、單元格類型多樣，而且表頭類單元格的取值多樣，既難以復(fù)用行列表頭類表格的處理方法，也難以通過簡單的詞典或規(guī)則匹配的方法實現(xiàn)單元格語義關(guān)系識別，因此需要開展專門研究。

1 相關(guān)研究

表格數(shù)據(jù)化是實現(xiàn)表格數(shù)據(jù)的系統(tǒng)管理與挖掘分析的重要基礎(chǔ)，因此受到國內(nèi)外學(xué)者的關(guān)注，相關(guān)研究主要從表格區(qū)域檢測、表格結(jié)構(gòu)識別、單元格語義關(guān)系識別這三個方面展開。

1.1 表格區(qū)域檢測與結(jié)構(gòu)識別

表格區(qū)域檢測與結(jié)構(gòu)識別在早期主要針對的是具有表格形式標(biāo)記的文檔形態(tài)，多將其視為兩個任務(wù)獨立進(jìn)行，但隨著時間的推移，研究與實踐關(guān)注的重點集中到pdf文檔、紙質(zhì)文件掃描件等不具備表格形式標(biāo)記的情形下，相關(guān)研究多基于表格結(jié)構(gòu)實現(xiàn)表格檢測，二者逐漸一體化。早期的研究主要是根據(jù)表格特征構(gòu)建啟發(fā)式規(guī)則來完成表格區(qū)域檢測和結(jié)構(gòu)識別任務(wù)。例如：Watanabe等[3]和Hirayama[4]對于掃描文檔，利用文檔的水平線和垂直線來定位表格區(qū)域；國內(nèi)學(xué)者Fang等[5]提出了一種基于表格結(jié)構(gòu)特征和視覺分隔符的表格區(qū)域檢測方法，該方法通過解析pdf文件的線條和頁面分隔符來獲得表格的位置；于豐暢等[6]針對pdf格式的學(xué)術(shù)文獻(xiàn)，提出了一種幾何對象聚類的表格區(qū)域檢測方法。隨著深度學(xué)習(xí)的發(fā)展，為克服啟發(fā)式規(guī)則法受限于表格數(shù)據(jù)集的特征明顯程度以及數(shù)據(jù)集的規(guī)模大小的缺陷，逐漸將深度學(xué)習(xí)引入表格區(qū)域檢測和結(jié)構(gòu)識別過程中，如Schreiber等[7]采用改進(jìn)一種循環(huán)神經(jīng)網(wǎng)絡(luò)Faster R-CNN進(jìn)行表格區(qū)域檢測，Hao等[8]通過結(jié)合松散規(guī)則和改進(jìn)的卷神經(jīng)網(wǎng)絡(luò)確定表格位置。由于深度學(xué)習(xí)能夠適應(yīng)的場景非常廣泛，因此在通過深度學(xué)習(xí)定位表格區(qū)域和結(jié)構(gòu)識別的研究中，文本特征[9]、單元格位置特征[10]、表格空白特征[11]也被加入模型中，大大提升了表格區(qū)域檢測和結(jié)構(gòu)識別的精確度。

1.2 單元格語義關(guān)系識別

與表格區(qū)域檢測和結(jié)構(gòu)識別相似，單元格語義關(guān)系識別的方法也可以分為啟發(fā)式規(guī)則法和機(jī)器學(xué)習(xí)法。前者主要基于表格的結(jié)構(gòu)特征、內(nèi)容特征等構(gòu)建啟發(fā)式規(guī)則來完成單元格語義關(guān)系識別。代表性研究包括：張建東等[12]通過詞向量計算進(jìn)行表格內(nèi)容文本的劃分，識別表格表頭和表體；趙洪等[13]基于規(guī)則完成了表頭的語義分析和數(shù)值信息的抽取，將政府報表信息表示為六元組形式的結(jié)構(gòu)化數(shù)據(jù)；張元鳴等[14]根據(jù)字典抽取非結(jié)構(gòu)化表格文檔的表頭，在此基礎(chǔ)上設(shè)計了單值區(qū)域與多值區(qū)域數(shù)據(jù)抽取的算法，最終將抽取結(jié)果組織為六元組DataStr結(jié)構(gòu)化數(shù)據(jù)模型；Seth等[15]根據(jù)表格中所有數(shù)據(jù)單元格均可以索引到行列表頭路徑的特征，將單元格分為行表頭、列表頭、數(shù)據(jù)、存根表頭和額外信息5類?；跈C(jī)器學(xué)習(xí)的技術(shù)思路，將單元格語義關(guān)系識別視為分類問題，進(jìn)而采用相應(yīng)的機(jī)器學(xué)習(xí)算法進(jìn)行實現(xiàn)，在具體的技術(shù)模型選用上，既有傳統(tǒng)的機(jī)器學(xué)習(xí)模型（如隨機(jī)森林[16]、決策樹、支持向量機(jī)[17]），也包括深度學(xué)習(xí)[18]、預(yù)訓(xùn)練模型[19]等。

綜上所述，國內(nèi)外圍繞表格的數(shù)據(jù)化進(jìn)行了多方面研究，針對不同應(yīng)用場景提出了多種技術(shù)解決方案，具有較強(qiáng)的現(xiàn)實性。然而，在單元格語義關(guān)系識別方面，相關(guān)研究多以行列表頭表格為對象，較少關(guān)注表頭、表體單元格混合分布的復(fù)雜表格。針對這一問題，本文擬采用無監(jiān)督學(xué)習(xí)思想，綜合機(jī)器視覺與啟發(fā)式規(guī)則技術(shù)，構(gòu)建一種面向復(fù)雜表格數(shù)據(jù)化的單元格語義關(guān)系識別模型，為復(fù)雜表格知識抽取提供支持。

2 基于無監(jiān)督學(xué)習(xí)的單元格語義關(guān)系識別模型構(gòu)建

實踐工作中，復(fù)雜表格除了因表頭與表體單元格混合分布帶來的結(jié)構(gòu)復(fù)雜外，常常還具有以下特點：①同模板的表格常常不止一份，如教育部每年會收到數(shù)萬份同模板的教育部人文社科基金申請書；②表格填寫過程中可能會對其結(jié)構(gòu)進(jìn)行微調(diào)，如刪除一些不需要填寫的空行或者增加行、改變行高、單元格寬度等，但表頭類單元格一般不會被刪除；③單元格類型上，除了表頭、表體兩類外，還包括輔助性單元格，用于說明對應(yīng)單元格的取值范圍或填寫要求等，如2022年國家社會科學(xué)基金申請書數(shù)據(jù)表第3行的第3個單元格內(nèi)容為“A.重點項目B.一般項目C.青年項目D.一般自選項目E.青年自選項目”，限定了其左側(cè)臨近單元格“項目類別”的取值范圍；④表頭與表體單元格的關(guān)系多樣，數(shù)量上存在1:1、1：n、n：1等不同情形，位置關(guān)系上存在左右、上下兩種情形。結(jié)合上述特點，擬采用無監(jiān)督學(xué)習(xí)方法進(jìn)行復(fù)雜表格單元格語義關(guān)系識別模型構(gòu)建：首先利用機(jī)器視覺技術(shù)將樣本數(shù)據(jù)中的同模板表格聚合到一起；其次利用同模板申請書表頭單元格、說明性單元格取值一致的特點，將表體類單元格識別出來；最后結(jié)合表頭單元格、說明性單元格、表體單元格的取值、位置特點，設(shè)置啟發(fā)式規(guī)則進(jìn)行單元格關(guān)聯(lián)關(guān)系的識別。

遵循這一思路，構(gòu)建了如圖1所示的單元格語義關(guān)系識別模型，模型輸入為未標(biāo)注單元格類型的復(fù)雜表格數(shù)據(jù)，輸出是表格模板及其對應(yīng)的單元格語義關(guān)系；處理流程上，包括基于機(jī)器視覺的表格分割、基于結(jié)構(gòu)與內(nèi)容相似度的同模板表格識別和基于啟發(fā)式規(guī)則的單元格元組識別三個環(huán)節(jié)。

圖1 基于無監(jiān)督學(xué)習(xí)的單元格語義關(guān)系識別模型

2.1 基于機(jī)器視覺的表格分割

為避免表格填寫過程中的行列增刪、寬高調(diào)整等微調(diào)操作對同模板表格識別的干擾，需要對表格進(jìn)行模塊分割與規(guī)范化處理，從而實現(xiàn)對其核心視覺與內(nèi)容特征的提取。鑒于復(fù)雜表格以縱向布局為主，增刪對象主要是行而非列，因此表格分割中采用橫向區(qū)域最大化為主進(jìn)行分割，使得物理上連續(xù)且縱線、橫線長度均一致的最大區(qū)域成為獨立模塊。如圖2所示的復(fù)雜表格可以分解為5個模塊，規(guī)范化處理后，模塊3是縱向合并單元格，包括1個單元格；模塊1～2、4～5分別包含4個、6個、70個、5個單元格。

圖2 復(fù)雜表格分割示例

鑒于從pdf文檔、圖片等對象中提取的表格缺乏語義信息，無法準(zhǔn)確知曉哪些單元格進(jìn)行了縱向或橫向合并，因此，為提升表格分割算法的通用性，本文擬采用機(jī)器視覺技術(shù)進(jìn)行實現(xiàn)。實現(xiàn)步驟為：①表格預(yù)處理，將表格統(tǒng)一轉(zhuǎn)換為圖片，并進(jìn)行灰度化、二值化、腐蝕與膨脹處理、縱橫線掃描，使表格僅保留縱線與橫線特征；②基于橫線特征的區(qū)域分割，依據(jù)表格中橫線的長度、位置及是否相鄰（相鄰橫線長度不一時，將長的橫線截斷成多條），將復(fù)雜表格初步分割成多個區(qū)域，每個區(qū)域內(nèi)每條橫線起終點的縱坐標(biāo)均保持一致；③基于縱橫線特征的細(xì)粒度模塊分割，對分割后區(qū)域進(jìn)行逐行分析，若后一行與前一行內(nèi)的縱線數(shù)量一致且每條縱線的橫坐標(biāo)都一致，則將其視為同一模塊，否則將其分割為不同模塊。

2.2 基于結(jié)構(gòu)與內(nèi)容相似度的同模板表格識別

經(jīng)分割處理后，復(fù)雜表格的結(jié)構(gòu)有所簡化，若僅考慮結(jié)構(gòu)特征，同模板表格識別中存在誤判的可能。為此，擬綜合考慮結(jié)構(gòu)與內(nèi)容相似度兩個方面進(jìn)行同模板表格的識別。實現(xiàn)過程中，首先根據(jù)表格分割結(jié)果，借鑒HTML的表格編碼規(guī)則對其進(jìn)行重新編碼，然后將結(jié)構(gòu)與內(nèi)容特征轉(zhuǎn)換為一體化格式，最后根據(jù)編碼結(jié)果的一致性進(jìn)行同模板表格識別。

（1）考慮結(jié)構(gòu)與內(nèi)容的表格信息編碼。該環(huán)節(jié)可以借鑒HTML中有關(guān)表格的語法規(guī)則進(jìn)行實現(xiàn)，但為了在突出表格結(jié)構(gòu)與內(nèi)容特征的同時，又避免對同模板表格識別造成干擾，需要在表格信息編碼中注意三個方面。第一，若待編碼分割模塊包含多行，則只保留前兩行，從而在盡量保留表格結(jié)構(gòu)特征的前提下，避免增刪行操作對同模板表格識別的影響。同時，在此過程中需要關(guān)注對關(guān)聯(lián)模塊編碼的影響，并作出相應(yīng)的調(diào)整。第二，同一個分割模塊編碼時，不考慮單元格合并問題，即默認(rèn)所有的單元格寬度保持一致。第三，內(nèi)容信息編碼主要通過保留每個分割模塊左上角單元格取值的方式進(jìn)行實現(xiàn)。這是因為每個分割區(qū)域都可以視為一個獨立的表格，無論表頭、表體及說明性單元格的分布多復(fù)雜，左上角單元格都不可能是表體或說明性單元格，但其他任何一個單元格則無法排除這種可能。

（2）基于編碼信息的結(jié)構(gòu)與內(nèi)容相似度計算。鑒于編碼信息中已經(jīng)包含結(jié)構(gòu)信息與內(nèi)容信息，即各個單元格的位置信息與取值信息，因此，表格間的結(jié)構(gòu)與內(nèi)容相似度計算可以通過編碼的相似度進(jìn)行計算。具體實現(xiàn)方法上，鑒于相似度計算的目標(biāo)是用于同模板表格識別，因此只需要將相似度的取值范圍限定為0和1即可，若待計算表格編碼結(jié)果字符串完全匹配，則相似度為1；否則，相似度為0。假設(shè)表格i和表格j的編碼信息相似度為s（coni，conj），則表格i與表格j的相似度s（vi，vj）的計算方法如公式（1）所示。

2.3 基于啟發(fā)式規(guī)則的單元格元組識別

識別單元格間語義關(guān)系的最終目標(biāo)是將具有語義關(guān)系的表頭單元格、表體單元格及說明性單元格關(guān)聯(lián)起來，從而為復(fù)雜表格的知識抽取提供支持。基于此，可以將單元格語義關(guān)系識別問題轉(zhuǎn)換為元組識別問題，將復(fù)雜表格中的所有單元格識別為（表頭單元格，表體單元格，說明性單元格）元組，每個元組中表頭單元格可以為1個或多個，表體單元格僅有1個，說明性單元格可以為0個或1個。具體實現(xiàn)上，可以進(jìn)一步分為單元格類型識別與元組識別兩個環(huán)節(jié)。

（1）基于頻次統(tǒng)計的單元格類型識別。只要同模板表格的樣本規(guī)模不過小，表體單元格的取值不可能完全一致，據(jù)此可以設(shè)計表體單元格識別策略：對每一組同模板表格，統(tǒng)計每個單元格取值的頻次，若單元格取值頻次小于表格數(shù)量，則將其視為表體類單元格。對于說明性單元格，若是用于明確表體單元格取值范圍，則臨近表體單元格的取值應(yīng)是其子集；若是用于解釋填寫規(guī)則，則常常位于同行單元格的最右側(cè)，據(jù)此可以設(shè)計啟發(fā)式規(guī)則，實現(xiàn)表頭單元格與說明性單元格的區(qū)分。

（2）單元格元組識別啟發(fā)式規(guī)則設(shè)計。通過對多種類型的復(fù)雜表格調(diào)研，表頭與對應(yīng)表體單元格的位置分布遵循先右后下的原則，即表頭單元格優(yōu)先與右側(cè)臨近單元格構(gòu)成元組。據(jù)此，可以按如下方法進(jìn)行單元格元組的識別。①若表頭單元格的右側(cè)和下方臨近單元格均為表體類單元格，則與右側(cè)臨近單元格組成元組。②若表頭單元格的右側(cè)和下方臨近單元格均非表體類單元格，則該元組包含多個表頭單元格。③涉及單元格合并時，則將該合并單元格與臨近的所有表頭類單元格都組成元組。④涉及說明性單元格時，若屬于取值范圍說明型，則將其與對應(yīng)單元格組成元組即可；若屬于填寫規(guī)則說明型，則將其與臨近的左側(cè)或上面單元格組成元組。

2.4 面向增量更新的復(fù)雜表格單元格語義關(guān)系識別流程

隨著時間的推移，待處理的復(fù)雜表格類型可能會增加，因此，基于無監(jiān)督學(xué)習(xí)的復(fù)雜表格單元格語義關(guān)系識別在流程上既要支持符合已有模板的表格處理，也需要支持新模板的自動發(fā)現(xiàn)與加工，適應(yīng)復(fù)雜表格增量更新的基本現(xiàn)實。為此，設(shè)計了如圖3所示的面向增量更新的復(fù)雜表格單元格語義關(guān)系識別流程。

圖3 面向增量更新的復(fù)雜表格單元格語義關(guān)系識別流程

概括地說，當(dāng)新增一批待處理的復(fù)雜表格時，首先對符合既有模板的表格進(jìn)行處理；其次，以無法處理的表格為訓(xùn)練數(shù)據(jù)，進(jìn)行新表格模板的學(xué)習(xí)；最后，對之前未成功處理的表格再次進(jìn)行處理，直至實現(xiàn)全部表格的單元格語義關(guān)系識別。

具體而言，面向增量更新的復(fù)雜表格單元格語義關(guān)系識別流程為：①若待處理表格集合非空，則從中讀取一條數(shù)據(jù)并將其從數(shù)據(jù)集中刪除，之后轉(zhuǎn)步驟②；否則，判斷“已有模板未覆蓋”數(shù)據(jù)集是否為空，若為空則結(jié)束整個流程，反之轉(zhuǎn)步驟④；②讀取各單元格取值，并與模板中表頭單元格取值進(jìn)行比較判斷，若模板表格的表頭單元格被全部覆蓋，而且表頭單元格相對位置一致，則將其視為該表格對應(yīng)的模板并轉(zhuǎn)步驟③，否則，將其存入“已有模板未覆蓋”集合；③根據(jù)模板對應(yīng)的單元格語義關(guān)聯(lián)關(guān)系對該表格進(jìn)行處理，之后轉(zhuǎn)步驟①；④若“已有模板未覆蓋”數(shù)據(jù)集非空，隨機(jī)抽取一定規(guī)模的樣本，按照前文所述方法進(jìn)行新模板的學(xué)習(xí)；⑤將新學(xué)習(xí)的模板及對應(yīng)的單元格語義關(guān)系映射規(guī)則更新至模板庫；⑥將“已有模板未覆蓋”集合中的數(shù)據(jù)全部存入待處理表格集合，再次啟動處理流程。

3 實驗

為驗證基于無監(jiān)督學(xué)習(xí)的復(fù)雜表格單元格語義關(guān)系識別模型的效果，從互聯(lián)網(wǎng)上搜集了多種類型的復(fù)雜表格進(jìn)行了實驗，下面對實驗設(shè)置與結(jié)果進(jìn)行說明。

3.1 實驗數(shù)據(jù)

為保證數(shù)據(jù)的多樣性與代表性，通過互聯(lián)網(wǎng)搜集了包含復(fù)雜表格的180篇文檔文件，包括國家社科成果文庫申請書、國家重點研發(fā)計劃項目預(yù)申報書、國家自然科學(xué)基金項目申請書、科技基礎(chǔ)調(diào)查基金項目申請書、國家社科基金項目申請書、華中師范大學(xué)學(xué)位申請與評定書在內(nèi)的6種模板180篇文檔，每類模板均為30個文檔。文檔的格式包括doc、docx和pdf，每篇文檔包含待處理的復(fù)雜表格1個，其中前五類文檔的復(fù)雜表格為基本信息表/數(shù)據(jù)表，包括項目基本信息、負(fù)責(zé)人信息、單位信息等內(nèi)容，后一類文檔的復(fù)雜表格包括申請人基本信息、學(xué)位申請信息等內(nèi)容。數(shù)據(jù)集分割上，2/3作為訓(xùn)練數(shù)據(jù)，用于表格解析模型的無監(jiān)督學(xué)習(xí)；1/3作為測試數(shù)據(jù)。

3.2 評價指標(biāo)

鑒于各類模板的單元格數(shù)量不一，為減少這一因素的影響，效果評價時首先對每類表格的識別效果進(jìn)行計算，之后再對其取均值。

（1）單類表格識別效果評價指標(biāo)。單類表格識別效果的計算是總體效果評價的基礎(chǔ)和核心。假設(shè)表格類型i中包含的單元格元組有m個，算法識別出來的元組有n個，其中q個正確，則準(zhǔn)確率pi和召回率ri計算方法如公式（2）和（3）所示。

（2）模型總體效果評價指標(biāo)。假設(shè)共有s類表格，則模型的準(zhǔn)確率aj和召回率bj計算方法如公式（4）和（5）所示。

3.3 實驗過程

實驗按照前文所構(gòu)建的復(fù)雜表格單元格語義關(guān)系識別模型進(jìn)行，因此對與模型完全一致的操作步驟不再贅述，僅對表格區(qū)域檢測及結(jié)構(gòu)識別、表格分割的具體操作方法進(jìn)行說明。

（1）表格區(qū)域檢測及結(jié)構(gòu)識別。鑒于doc和docx文檔中的表格存在對應(yīng)的語義標(biāo)簽信息，因此首先讀取兩類文檔中的表格，之后根據(jù)規(guī)則篩選出待解析的復(fù)雜表格。pdf格式文檔的表格區(qū)域檢測與結(jié)構(gòu)識別通過pdfminer工具完成，并采用同樣的規(guī)則進(jìn)行復(fù)雜表格篩選。

（2）表格分割。該環(huán)節(jié)主要利用OpenCV機(jī)器視覺庫實現(xiàn)，主要流程包括：①調(diào)用word2pdf工具包將doc、docx格式的表格文件轉(zhuǎn)換為pdf文件，并調(diào)用pymupdf工具包將pdf表格文件轉(zhuǎn)換為png圖片；②調(diào)用OpenCV組件對圖片進(jìn)行灰度化、二值化處理，將原圖片轉(zhuǎn)換為更加清晰的黑白圖片；通過適當(dāng)?shù)母g與膨脹使橫線和豎線更加清晰；同時利用長為100，寬為1的矩形掃描得到m條橫線；利用長為1，寬為50矩形掃描得到n條豎線；③按照前文模型對表格進(jìn)行分割處理。

3.4 實驗結(jié)果分析

在基于120個表格完成6類復(fù)雜表格單元格語義關(guān)聯(lián)關(guān)系規(guī)則學(xué)習(xí)后，對剩余的60個測試表格進(jìn)行處理，效果如表1所示。總體來說，各類表格模板的識別效果均較好，準(zhǔn)確率和召回率絕大多數(shù)都在90%以上，全部模板的平均召回率92.7%，準(zhǔn)確率96.6%，能夠較好地滿足實踐應(yīng)用需求。

表1 實驗結(jié)果

實驗中同時發(fā)現(xiàn)，各類模板都出現(xiàn)了不同程度的誤判，其主要原因在于：①部分表體類單元格的取值較為集中，導(dǎo)致各個訓(xùn)練集中對應(yīng)單元格的取值一致，從而被誤判為表頭類單元格，如國家社科基金申請書中的“身份證件類型”表頭對應(yīng)的取值絕大多數(shù)都是“身份證”，課題負(fù)責(zé)人的“最后學(xué)歷”“最后學(xué)位”兩個表頭單元格對應(yīng)的表體單元格取值在樣本中均為“研究生”“博士”；②華中師范大學(xué)學(xué)位申請與評定書模板中，右上角單元格是照片粘貼處，由于所采集的都是表格電子版，此處并未粘貼申請人的照片，導(dǎo)致系統(tǒng)將其誤判為說明性單元格。對于前一個問題，一方面可以根據(jù)實踐工作建立知識庫，收錄取值分布易集中的單元格元組，進(jìn)而指導(dǎo)單元格間語義關(guān)系識別；另一方面可以建立預(yù)警機(jī)制，將包含表頭類單元格過多的元組提供給用戶進(jìn)行審核，從而減少單元格間語義關(guān)系誤識別。對于后一個問題，需要優(yōu)化單元格元組的概念界定，并探索僅包含單個單元格元組的識別方法。

4 結(jié)語

數(shù)據(jù)化是實現(xiàn)表格數(shù)據(jù)分析挖掘、重用的重要環(huán)節(jié)，但受結(jié)構(gòu)復(fù)雜、規(guī)律性弱的特點，申請表、登記表、報名表等復(fù)雜表格的單元格間語義關(guān)系難以識別，導(dǎo)致此類表格的知識抽取較為困難。針對這一問題，本文利用待抽取復(fù)雜表格常包含多個副本、不同類型單元格間存在一定分布規(guī)律的特點，設(shè)計了基于無監(jiān)督學(xué)習(xí)的復(fù)雜表格單元格語義關(guān)系識別方法，以便于將具有對應(yīng)關(guān)系的表頭、表體及說明性單元格關(guān)聯(lián)起來，從而為表格數(shù)據(jù)化提供支撐。通過對6類表格進(jìn)行試驗，證實了所構(gòu)建模型的可行性和有效性。然而，該方法也存在一定局限性，構(gòu)成未來需要進(jìn)一步深化研究的問題：一是若訓(xùn)練集中的表體單元格取值一致，容易發(fā)生單元格類型誤判；二是鑒于表格分割與同模板表格識別時對原始表格進(jìn)行了簡化，因此若待處理表格中存在結(jié)構(gòu)類似的表格時，可能會出現(xiàn)同模板表格識別錯誤，進(jìn)而影響單元格語義分析的結(jié)果；三是模型默認(rèn)輸入的表格為復(fù)雜表格，未考慮復(fù)雜表格與行列表頭表格混合處理的情況。