Question

我需要一些帮助，我正在处理一个问题，其中我有一张发票图像的OCR，我想从中提取某些数据，如OCR中存在的发票编号，金额，日期等。我尝试使用分类模型，在该模型中，我分别将每个句子从OCR传递到模型，并预测它的发票编号或日期或其他任何内容，但是这种方法会花费很多时间，我认为这是不正确的方法。

所以，我在考虑是否存在一种算法，在该算法中我可以有一个输入字符串，并具有从该字符串映射的输出，例如字符串中包含发票编号，日期和金额。

例如：

Inp string: The invoice 1234 is due on 12 oct 2018 with amount of 287 
Output: Invoice Number: 1234, Date: 12 oct 2018, Amount 287

所以，我的问题是，有没有一种算法可以对多张发票进行训练然后做出预测？

Answer 1

基本上，您正在寻找NER（命名实体识别）。有多种免费和付费工具可用于意图和实体映射。您可以使用Google DialogFlow，MS LUIS或开源RASA在给定的文本中标识实体。如果您想开发自己的解决方案，那么也可以查看OpenNLP。请根据您对这些问题的看法恢复您的问题

Answer 2

您要搜索的是发票数据提取ML。有很多ML算法可用，但是在您的用例中都没有完成。为什么？因为这是一个非常特殊的用例。尽管它可以返回多个输出，但不能只使用Tensorflow并使用句子作为输入。

您可以使用NLP（自然语言处理）方法来提取数据。 Taggun使用它从收据中提取数据。在这种情况下，您只能使用句子。但是您仍然需要将句子转换为NLP形式（令牌化）。

您可以使用深度学习（例如Tensorflow）。在这种情况下，您需要将句子矢量化为可以输入到神经网络的矢量。这种方法需要更多的创造力，而没有标准的方法可以做到。目的是尽可能描述每个句子。但是仍然存在一个问题-如何解析日期，金额等。如果您将句子标记为 contains_date True / False，这对NN有帮助吗？可能是。发票数据提取服务中使用了类似的方法，例如：

因此，如果您出于娱乐/研究目的而做，我建议您从一张非常简单的发票开始。尝试编写一个程序，该程序将使用解析和 if 语句提取发票编号，开票日期，供应商和总金额。这将帮助您定义NN的特征向量输入的属性。例如， contains_date ， contains_total_amount_word 等。请参见此tutorial，以NN开头。

如果您在工作中使用它，建议您查看一下用于发票数据提取的现有服务之一。

免责声明：我是typty的创造者之一。随时提出修改建议。

机器学习算法，可从单个输入映射多个输出

2 个答案: