一种面向机构调研PDF的多模态解析方法

本发明公开了一种面向机构调研PDF的多模态解析方法，涉及电数字数据处理技术领域；其包括如下步骤，步骤1：基于版面分割模型解析PDF文件获得结构化区域和非结构化区域；步骤2：结构化区域的表格经跨页表格重组算法处理获得完整的表格数据，经规则模板匹配算法提取获得关键字段并形成结构化的数据；步骤3：版式自注意增强模型包括依次连接的输入层、Transformer编码层和预训练任务模块，在预训练阶段采用跨模态注意力机制和多模态掩码预训练任务，在微调阶段采用分层微调和对抗训练；步骤4：非结构化区域经版式自注意增强模型处理获得模块化的信息；其通过版式自注意增强模型等，实现解析效率高、完整性好、准确性好。