从非结构化文档中查询语义数据实用新型专利

专利名称：从非结构化文档中查询语义数据

专利类型：实用新型专利

专利申请号：CN202110947380.X

专利申请（专利权）人：SAP欧洲公司
权利人地址：德国瓦尔多夫

专利发明（设计）人：J.霍尼,C.雷斯维格

专利摘要：本文公开了查询文档术语和从文档识别目标数据的系统、方法和计算机程序产品实施例。在实施例中，文档处理系统可以接收文档和查询字符串。文档处理系统可以执行光学字符识别，以获得文档的字符的字符信息和定位信息。文档处理系统可以生成文档的二维字符网格。文档处理系统可以将卷积神经网络应用于字符网格和查询字符串，以识别对应于查询字符串的来自文档的目标数据。然后，卷积神经网络可以产生分割掩码和/或边界框来识别目标数据。

主权利要求：
1.一种计算机实现的方法，包括：
对文档执行光学字符识别；
使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；
将卷积神经网络CNN应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码，其中，所述应用还包括：
通过将所述CNN的第一编码器应用于所述字符网格来生成编码的字符网格；
通过将所述CNN的第二编码器应用于所述查询字符串来生成特征向量；
通过将第一解码器应用于所述编码的字符网格来生成中间分割掩码，其中，所述中间分割掩码识别来自所述文档的数据的一个或多个键值对；以及将所述CNN的第二解码器应用于所述字符网格、所述中间分割掩码和所述特征向量，以生成识别目标数据的所述分割掩码。
2.根据权利要求1所述的计算机实现的方法，其中，生成所述特征向量还包括：池化对应于所述查询字符串的特征向量序列。
3.根据权利要求1所述的计算机实现的方法，其中，所述第二解码器包括单个卷积层。
4.一种系统，包括：
存储器；和
至少一个处理器，被耦合到所述存储器并且被配置为：对文档执行光学字符识别；
使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；
将卷积神经网络CNN应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码，其中，为应用所述CNN，所述至少一个处理器还被配置为：通过将所述CNN的第一编码器应用于所述字符网格来生成编码的字符网格；
通过将所述CNN的第二编码器应用于所述查询字符串来生成特征向量；通过将第一解码器应用于所述编码的字符网格来生成中间分割掩码，其中，所述中间分割掩码识别来自所述文档的数据的一个或多个键值对；以及将所述CNN的第二解码器应用于所述字符网格、所述中间分割掩码和所述特征向量，以生成识别目标数据的所述分割掩码。
5.根据权利要求4所述的系统，其中，为生成所述特征向量，所述至少一个处理器还被配置为：池化对应于所述查询字符串的特征向量序列。
6.根据权利要求4所述的系统，其中，所述第二解码器包括单个卷积层。
7.一种其上存储有指令的非暂时性计算机可读设备，当由至少一个计算设备执行时，使得所述至少一个计算设备执行操作，所述操作包括：对文档执行光学字符识别；
使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；
将卷积神经网络CNN应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码，其中，所述应用还包括：
通过将所述CNN的第一编码器应用于所述字符网格来生成编码的字符网格；
通过将所述CNN的第二编码器应用于所述查询字符串来生成特征向量；
通过将第一解码器应用于所述编码的字符网格来生成中间分割掩码，其中，所述中间分割掩码识别来自所述文档的数据的一个或多个键值对；以及将所述CNN的第二解码器应用于所述字符网格、所述中间分割掩码和所述特征向量，以生成识别目标数据的所述分割掩码。
8.根据权利要求7所述的非暂时性计算机可读设备，其中，生成所述特征向量还包括：池化对应于所述查询字符串的特征向量序列。
9.根据权利要求7所述的非暂时性计算机可读设备，其中，所述第二解码器包括单个卷积层。 说明书 : 从非结构化文档中查询语义数据技术领域[0001] 本公开涉及文档处理技术领域，并且更具体地，涉及用于从非结构化文档中查询语义数据的方法、系统和计算机可读设备。背景技术[0002] 已经创建系统来自动从文档中提取结构化信息。这些系统通常使用预先训练的模型从文档中提取预定义的类信息，以从文档中识别和提取值。基础机器学习模型可能已经使用指示期望值的历史示例来训练。例如，机器学习模型可以使用许多结算单训练示例来训练，以识别结算单文档的总额。然而，当期望的是不同的值时，这种传统的提取技术就达不到要求。例如，用户可能试图从结算单中提取序列号，但是机器学习模型可能只被训练来提取总额值。以这种方式，传统的数据提取技术缺乏提取期望数据的灵活性。发明内容[0003] 根据本公开的一方面，提供了一种计算机实现的方法，包括：对文档执行光学字符识别；使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；将卷积神经网络(CNN)应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码。[0004] 根据本公开的另一方面，提供了一种系统，包括：存储器；和至少一个处理器，被耦合到所述存储器并且被配置为：对文档执行光学字符识别；使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；将卷积神经网络(CNN)应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码。[0005] 根据本公开的又一方面，提供了一种其上存储有指令的非暂时性计算机可读设备，当由至少一个计算设备执行时，使得所述至少一个计算设备执行操作，所述操作包括：对文档执行光学字符识别；使用从所述光学字符识别获得的字符信息生成字符网格，其中，所述字符网格是所述文档的二维下采样版本；将卷积神经网络(CNN)应用于所述字符网格和查询字符串；以及响应于所述应用，生成识别对应于所述查询字符串的所述文档的目标数据的分割掩码。附图说明[0006] 附图被并入本文并形成说明书的部分。[0007] 图1A描绘了根据一些实施例的示例文档处理环境的框图。[0008] 图1B描绘了根据一些实施例的采用单独解码器的示例文档处理环境的框图。[0009] 图2A描绘了根据一些实施例的示例文档的框图。[0010] 图2B描绘了根据一些实施例的示例字符处理流程的框图。[0011] 图2C描绘了根据一些实施例的识别目标数据的示例分割掩码的框图。[0012] 图2D描绘了根据一些实施例的识别键值对的示例分割掩码的框图。[0013] 图3描绘了根据一些实施例的示出识别目标数据的方法的流程图。[0014] 图4描绘了根据一些实施例的示出使用单独解码器识别目标数据的方法的流程图。[0015] 图5描绘了对实现各种实施例有用的示例计算机系统。[0016] 在附图中，相同的附图标记通常指示相同或相似的元素。此外，通常来说，附图标记的(多个)最左边的数位标识该附图标记在其中第一次出现的附图。具体实施方式[0017] 本文提供了用于查询文档术语和从文档识别目标数据的系统、装置、设备、方法和/或计算机程序产品实施例、和/或其组合和子组合。[0018] 在实施例中，文档处理系统可以使用机器学习技术来处理查询术语并从文档中提取对应的目标数据。文档处理系统可以接收文档和查询字符串。然后，文档处理系统可以处理文档和查询字符串，以提取由查询字符串识别的目标数据。例如，文档可以是结算单文档，并且查询字符串可以寻找“汽车识别符(Car‑ID)”序列号。然后，文档处理系统可以处理文档和查询字符串，以识别结算单中指定的“Car‑ID”序列号。文档处理系统还可以概括查询字符串，以返回相同的结果。如下文将进一步说明的，文档处理系统可以接收和处理类似的查询字符串，诸如“汽车#(Car#)”、“机动车识别符(AutoID)”或“汽车号(carnumber)”，并返回相同的结果。[0019] 文档处理系统可以通过利用深度学习、文档理解和视觉对象检测技术来提供从文档中查询语义信息的灵活方法。文档处理系统可以使用字符网格表示来处理文档，这可以帮助识别文本语义以及二维布局信息。与文档结构化相关的该信息以及文档内容可以提供用于由神经网络处理的深层结构。处理该信息可以允许神经网络构建文档的丰富二维表示。该表示和结构可以允许机器学习模型将所接收的查询字符串与文档的本地内容进行匹配，以识别包含相关信息的目标位置。[0020] 以这种方式，文档处理系统可以提取其机器学习模型之前可能没有接触过的类信息。以这种方式，文档处理系统可以使用所识别的文档的二维结构来识别目标数据。此外，该二维结构的处理还可以帮助识别相似但不匹配的术语。例如，文档处理系统可以使用该结构来概括“Car‑ID”的查询术语并识别文档本身中指定的“汽车序列号(SerialNumberofCar)”的相关术语。以这种方式，即使当查询字符串不完全匹配时，文档处理系统也可以识别文档的内容。[0021] 如下面将进一步描述的，文档处理系统可以使用卷积神经网络来处理查询并从文档提取目标数据。文档处理系统可以识别键值对。键可以对应于数据的分类表示(例如，“汽车序列号”)，而其对应的值可以是实际数据(例如，“ABC1654”)。这些对可以用它们对应的值来识别数据的分类。文档处理系统还可以以词框(wordbox)的形式识别与文档内容相关的位置信息，以帮助识别字符分组。通过使用键值对和/或位置数据，文档处理系统可以应用文档理解和/或语义分割技术来提取相关数据。[0022] 如下面将进一步描述的，文档处理系统可以生成文档的字符网格表示，以允许对文档进行编码，同时保持位置和文本信息。然后，文档处理系统可以用第一编码器对字符网格进行编码，同时用第二编码器对查询字符串进行编码。然后，取决于期望配置，文档处理系统的神经网络可以使用不同的解码器配置来处理该编码数据。[0023] 在一些实施例中，神经网络可以使用单个解码器。两个编码器的输出可以在进入单个解码器之前被合并。然后，解码器可以输出识别目标数据的分割掩码。例如，分割掩码可以指定背景类以及指定包括要提取的信息的区域的目标数据类。[0024] 在一些实施例中，神经网络可以使用多个解码器。例如，字符网格编码器的输出可以被输入到第一解码器，该第一解码器生成具有键值对的分割掩码。该分割掩码可以包括几个类，包括背景类、“键”类(例如，“结算单日期(InvoiceDate)”)和“值”类(例如，“2020年02月02日(02/02/2020)”)。然后，该分割掩码可以被与对应于查询字符串的编码器输出以及字符网格合并，并且被传递到另一解码器。该另一解码器可以是轻量级解码器。然后，该解码器可以输出对应于查询字符串的键的期望“值”。[0025] 这些解码器配置可以提供针对准确性和效率的若干益处。例如，当使用单个解码器时，处理可以是端到端的，并且可以对属于输入查询字符串(即，键)的字段的值使用标签或带注释的框。以这种方式，该配置可以是更高效标记的。使用多个解码器可以提供微调模型的优点。例如，使用多个解码器可以避免调整完整的解码器分支。由于有大量可优化参数，这可以节省计算工作量以及对许多训练样本的处理。相反，相对于第一解码器，第二轻量级解码器可以具有更少的参数。以这种方式，在微调新的域时，训练样本的训练和使用可以是更有效的，并且需要更少的计算开销。更少的训练样本可以被用于该训练。[0026] 现在，将针对对应的附图讨论这些特征的各种实施例。[0027] 图1A描绘了根据一些实施例的描绘文档处理环境100A的框图。文档处理环境100A包括文档处理系统110A。文档处理系统110A可以使用一个或多个处理器来实现和/或可以包括硬件和/或软件，并且可以被配置为处理文档。文档处理系统110A可以包括光学字符识别(opticalcharacterrecognition，OCR)扫描器130、卷积神经网络(convolutionalneuralnetwork，CNN)140A、边界框检测器150和/或语义分割生成器160。文档处理系统110A可以接收文档120，以供处理。文档120可以是图像、PDF、文字处理文档、文档文件和/或数据的其他视觉表示或表现形式。文档120的示例可以包括结算单、指导手册和/或幻灯片演示。[0028] 在实施例中，文档处理系统110A可以是被配置为接收文档120并确定来自文档120的语义信息和/或数据的独立系统。文档处理系统110A可以将该语义数据存储在存储器设备和/或数据库中。在实施例中，文档处理系统110A可以与单独的系统通信。文档处理系统110A可以将所提取的目标数据发送到单独的系统。在实施例中，文档处理系统110A可以与另一系统集成。例如，文档处理系统110A可以充当更大系统的组件。在该实施例中，文档处理系统110A可以从由更大系统引导的位置接收文档120。在实施例中，更大系统可以引导文档处理系统110A，以将所识别的语义信息引导到特定位置。[0029] 文档处理系统110A可以被配置为从所接收的文档120中识别相关信息。取决于应用和/或由CNN140A建立的参数，文档处理系统110A可以被配置为从文档120中提取目标数据。该目标数据可以基于所接收的查询字符串170来识别。如上所述，取决于文档处理系统110A的实现方式，查询字符串170可以从外部系统接收和/或可以从与文档处理系统110A集成的系统接收。在一些实施例中，查询字符串170可以是字符的字符串和/或可以是由文档处理系统110A解析来识别字符的字符串的计算机命令。查询字符串170可以指示要从文档120提取的期望数据。[0030] 图2A中描绘了文档120的示例。图2A描绘了根据一些实施例的描绘示例文档200A的框图。在实施例中，文档200A可以是结算单并且可以由文档处理系统110A分析。在实施例中，文档200A可以包括诸如姓名、地址、文档识别符、标题(header)、行项目、概要描述、签名框、价格、成本的信息和/或其他信息。在实施例中，文档200A可以包括具有对应值215、225和235的识别符210、220和230。识别符210、220和230可以是描述感兴趣的类和/或分类的一个或多个字符，而值215、225和235可以是对应于查询字符串170所指定的键的文档200A的内容。例如，识别符210可以是指示对应于数据的类的键类型的标题。识别符210可以指示文档200A是结算单。通过连同文档200A的二维布局信息使用识别符210，文档处理系统110A可以将对应的值215识别为文档号。取决于查询字符串170指示的期望信息，该值215可以由文档处理系统110A返回。文档处理系统110A还可以返回其他值，诸如如值225所描绘的汽车序列号和/或如值235所描绘的总额。[0031] 为了处理文档120并基于查询字符串170提取目标数据，文档处理系统110A可以检索文档120，作为文件或描绘图像。在实施例中，控制文档处理系统110A的单独的系统可以选择将文档处理系统110A应用于文档120。基于文档处理系统110A内设置的参数和/或基于由单独的系统建立的新参数，文档处理系统110A可以基于查询字符串170从文档200A中识别和提取期望数据。例如，文档处理系统110A可以提取结算单信息，诸如产品描述、购买数量、购买价格或购买金额。类似地，文档处理系统110A可以识别概要销售信息和/或指名的实体信息。[0032] 返回图1A，为了处理文档120，文档处理系统110A可以应用OCR扫描器130。OCR扫描器130可以是由文档处理系统110A的一个或多个处理器执行的模块。OCR扫描器130可以分析文档，以例如从文档120中提取一维(1D)字符序列。在实施例中，OCR扫描器130可以提取与文档120的字符相关的字符串信息和/或位置信息。在实施例中，文档120可以包括二维(2D)布局信息和/或元数据。当扫描文档120时，OCR扫描器130可以识别该元数据。[0033] 在实施例中，OCR扫描器130可以确定文档120中的词边界框。词边界框可以表示由词占据的像素区域(例如，宽度x高度)。例如，参照图2B，OCR扫描器130可以识别文档120中的字符串205A。OCR扫描器130可以将该字符串205A中的两个单独的词识别为“INVOICE”和“34289”。在实施例中，OCR扫描器130可以辨识这些词并且将每个词与词边界框相关联。OCR扫描器130还可以识别词边界框在文档120中的位置。例如，OCR扫描器130可以利用坐标系统或相对像素位置。[0034] 在实施例中，OCR扫描器130可将词框划分为字符框，并且将字符串205A转换为字符串205B。例如，OCR扫描器130可以识别包括不同字符的词边界框内的像素。以这种方式，OCR扫描器130可将词框转换成字符框。这种划分可以保持与字符相关的定位信息。[0035] 在实施例中，OCR扫描器130可以直接识别字符框。例如，OCR扫描器130可以从文档120中提取字符和像素尺寸，而无需首先识别词框。在实施例中，OCR扫描器130可以利用与文档120相关联的元数据来识别字符框和/或词框。基于由OCR扫描器130执行的分析，文档处理系统110A可以辨识文档120的特定字符、字符占据的区域和/或字符的位置。[0036] 使用由OCR扫描器130导出的信息，文档处理系统110A可以生成字符网格。OCR扫描器130和/或文档处理系统110A的一个或多个处理器可以生成字符网格。字符网格可以表示文档120的二维下采样版本。字符网格可以包括对应于文档120的字符的网格单元。如先前所述，文档120的字符网格表示可以允许机器学习算法或神经网络更快地分析文档120。[0037] 为了生成字符网格，文档处理系统110A可以用索引值替换文档120的字符。索引值可以根据映射函数来分配。在实施例中，索引值可以经由使用最近邻插值的下采样来分配。在实施例中，文档处理系统110A可以利用字典来将字符映射到索引值。在实施例中，索引值可以是向量。文档处理系统110A可以使用诸如例如Word2vec的模型技术来生成向量。生成字符的索引值允许文档处理系统110A编译具有字符的索引值包含在其中的字符网格。[0038] 图2B描绘了示范用字符边界框将字符串205B转换为具有对应于字符的索引值的字符串205C的示例实施例。在实施例中，索引值可以替换字符所占据的像素区域。通过使用索引值表示，字符网格可以利用与文档120的像素相比明显更少的空间。通过使用这种转换，文档处理系统110A能够将文档120下采样为具有多个索引值的字符网格。这些索引值可以是无损的，并且可以产生在尺寸小于文档120的同时没有丢失字符信息的字符网格。在保持该无损转换的同时，文档处理系统110A能够生成2D字符网格，该2D字符网格可以更容易地由机器学习算法处理。[0039] 在实施例中，文档处理系统110A可以对文档120的每个字符分配索引值。集体的索引值连同索引值的定位信息一起可以构成字符网格。在实施例中，字符网格可以进行1‑hot编码，以产生N通道输入图像，其中N对应于包括可能的“背景”类的索引字符的数量。例如，背景类可以指文档120的背景或“空白空间”。在实施例中，为了出于计算原因而减少通道的数量，文档处理系统110A可以应用索引散列。在一些实施例中，字符网格可以被认为是具有多个通道的图像。[0040] 尽管图2B描绘了字符的矩形表示，在实施例中，文档处理系统110A可以附加地或替代地利用其他形式来表示。例如，文档处理系统110A可以使用1‑hot编码空间中的连续分布而不是2D矩形窗函数来表示字符。在这种情况下，对应于字符的通道中字符所占据的像素区域可以从字符中心位置处的值“一”向字符所占据的区域的边缘平滑地下降到“零”。例如，这种表示可以看起来类似于高斯分布。分布可以在字符边界处被截断。[0041] 在实施例中，高斯分布可以覆盖相邻的网格单元。在这种情况下，字符可以与相邻字符重叠。如果发生这种情况，转换可以从1‑hot编码改变为multi‑hot编码。通过使用该非矩形表示模型，文档处理系统110A在应用机器学习算法时可以潜在地学习更好的局部依赖性。[0042] 在实施例中，字符网格可以在1‑hot编码空间中进一步被下采样。先前占据一个网格单元的字符现在可以由小于“一”的值在子单元级别表示。这种表示可以由网格单元的双线性插值产生。[0043] 在生成文档120的字符网格表示之后，文档处理系统110A可以应用将字符网格输入到卷积神经网络(CNN)140A。CNN140A可以包括查询编码器142A、文档编码器142B和/或解码器144。CNN140A可以是人工智能网络和/或可以应用机器学习算法来识别文档120的期望字符和/或方面。CNN140A可以使用查询编码器142A将所提供的查询字符串170编码到能够与解码器合并的嵌入空间中。查询字符串170可以是字符序列、词片段序列、词序列和/或这些字符的组合。这些字符或词符(token)可以使用例如word2vec、GloVe或诸如例如BERT的语言模型进行1‑hot编码或嵌入到词符嵌入空间中。该词符嵌入序列还可以由一个或多个卷积层、双向LSTM层和/或组合层处理。查询编码器142A的输出可以是被池化为特征向量的特征向量序列。特征向量序列可以每输入词符生成为一个。在一些实施例中，查询编码器142A可以使用例如最大池化或平均池化技术将这些特征向量池化为特征向量。[0044] CNN140A可以包括文档编码器142B，以处理基于文档120生成的字符网格。文档编码器142B可以使用计算机视觉和/或语义分割技术，以处理文档120的字符网格表示。例如，文档编码器142B可以有助于确定语义含义、提取键值和/或表信息。因为字符网格利用索引值，所以CNN140A可以相对于处理文档120更快速地处理字符网格。例如，因为文档120已经被转换成更简单的形式，所以CNN140A可以更快地采用计算机视觉技术或自然语言处理技术。[0045] 在一些实施例中，为了实现查询编码器142A、文档编码器142B和/或解码器144，CNN140A可以应用一个或多个卷积层块。在一些实施例中，每个卷积块可以包括一个或多个卷积层。这些卷积层可以用于查询编码器142A和/或文档编码器142B中的下采样和/或池化操作。类似地，卷积层可以用于解码器144中的上采样操作。操作可以在每个块之后或之前被执行。[0046] 查询编码器142A和文档编码器142B的输出可以被合并，并且被应用于解码器144。在一些实施例中，查询编码器142A生成的特征向量可以与文档编码器142B生成的编码的字符网格融合，并且被应用于解码器144。CNN140A可以在相应的解码器输入分辨率下为每个像素生成特征向量。该分辨率可以是对应于编码的字符网格的下采样的编码器分辨率。以这种方式，具有跨图像复制的相同特征向量的二维图像可以被用作解码器输入。解码器输入可以被连结和/或相加在一起。以这种方式，解码器144可以接收两个输入：文档编码器142B的输出以及二维查询字符串编码器特征向量。[0047] 然后，使用这些输入，解码器144可以识别由查询字符串170指定的目标数据。解码器144可以执行转置卷积、去卷积或部分步幅卷积(fractionallystridedconvolution)，以对编码的结果进行上采样。以这种方式，解码器144可将新确定的索引值上采样为像素位置表示。上采样可以允许用户将文档处理系统110A的输出视为覆盖文档120的掩码。该掩码可以是文档120上的覆盖或者可以单独存在。使用像素表示，用户可以经由显示屏幕查看语义信息。在一些实施例中，文档处理系统110A可以将目标数据提取为文本字符串。[0048] 在处理字符网格和查询字符串170之后，CNN140A可以利用边界框检测器150和/或语义分割生成器160来识别目标数据。在实施例中，语义分割生成器160可以产生分割掩码，指示对应于查询字符串170的字符或词。图2C描绘了图2A中描绘的文档200A的分割掩码200C的示例实施例。分割掩码200C可以包括背景类240A、240B和/或目标数据类245。背景类240A、240B可以表示不是查询字符串170所寻找的目标数据的文档200A的部分。例如，背景类240A、240B可以识别文档200A中的“空白空间”和/或不对应于目标数据的数据。相反，目标数据类245可以指示对应于查询字符串170的文档的部分。在一些实施例中，分割掩码200C可以使用图案和/或颜色，从而用文档200A的部分对应的类来表征文档200A的部分。分割掩码200C对于文档处理系统110A的用户可以是可见的和/或可以是经格式化的文件。在实施例中，分割掩码200C可以对每个类利用不同的图案。[0049] 虽然分割掩码200C包括对应于目标数据类245的数据实例，但在一些实施例中，分割掩码200C还可以识别类的多个实例。在这种情况下，文档处理系统110A还可以使用边界框检测器150生成边界框掩码。边界框检测器150可以帮助识别类的不同实例。边界框检测器150可以产生边界框掩码来帮助该过程。边界框掩码可以包括边界框，该边界框可以在视觉上识别目标数据类245的不同实例。基于应用，区分目标数据类245的实例可以帮助更准确地分析文档120的内容。[0050] 通过用文档120的字符网格表示处理查询字符串170，相对于将传统计算机视觉技术应用于文档，文档处理系统110A可以快速地生成分割掩码200C和/或边界框掩码。文档处理系统110A可以返回分割掩码200C、边界框掩码和/或由分割掩码200C识别的特定目标数据值，作为对查询字符串170的响应。以这种方式，文档处理系统110A可以促进查询和识别来自文档120的内容。然后，文档处理系统110A可以将结果数据返回到提供查询字符串170的系统。在一些实施例中，文档处理系统110A可以存储分割掩码200C和/或边界框掩码，以及查询字符串170、文档120和/或文档120的OCR版本。文档处理系统110A可以使该信息可用于其他系统，以执行与文档相关的进一步分析。在一些实施例中，文档处理系统110A可以在软件应用中利用该信息和/或可以在用于用户操纵的显示屏上显示分割掩码200C和/或边界框掩码。利用文档处理系统110A，计算机系统可以容易地辨识对应于查询字符串170的文档120的相关内容。[0051] 图1B描绘了根据一些实施例的具有单独的解码器144A、144B的示例文档处理环境100B的框图。类似于参考图1A描述的文档处理环境100A，文档处理环境100B包括类似于文档处理系统110A的文档处理系统110B。文档处理系统110B类似地基于所接收的查询字符串170从文档120中提取目标数据。文档处理系统110B还可以包括光学字符识别扫描器130、卷积神经网络(CNN)140B、边界框检测器150和/或语义分割生成器160。[0052] 类似于CNN140A，CNN140B可以处理查询字符串170和文档120的字符网格，以基于查询字符串170提取目标数据。此外，CNN140B可以类似地使用查询编码器142A和文档编码器142B。这些编码器可以以与来自CNN140A的编码器类似的方式操作。与CNN140A相反，CNN140B可以使用两个解码器144A和144B。CNN140B还可以不同地处理来自查询编码器142A和文档编码器142B的输出。[0053] 类似于CNN140A，查询编码器142A可以处理查询字符串170并将输出传递到解码器144A。该输出可以是被池化为单个特征向量的特征向量序列。如先前所述，这些向量可以使用最大池化或平均池化技术来池化。[0054] 然而，与CNN140A相反，CNN140B可以将文档编码器142B的输出传递到不同的解码器144B。解码器144B可以操作以产生指示文档120中的键和值的语义分割掩码。该语义分割掩码的示例实施例在图2D中描绘。为了产生该语义分割掩码，中间训练目标可能已经被使用来识别键和值。[0055] 参照图2D，图2D描绘了根据一些实施例的识别键值对的示例分割掩码200D的框图。分割掩码200D可以由解码器144B产生，作为用于提取目标数据的中间过程。分割掩码200D可以检测背景类240、键250、260、270和/或值255、265、275。鉴于文档200A，键和值可以指示从文档识别的类和内容。例如，键250可以对应于指示“INVOICE(结算单)”的标题，而值可以是结算单序列号。类似地，键260可以指示“汽车#”，而值265可以对应于实际的车辆序列号。键270可以指示总销售价格类，而值275可以指示总额的值。另一键可以是例如“日期(Date)”，而对应的值可以是“2020年02月02日”。虽然图2D描绘了分割掩码200D的可视化，但是在一些实施例中，键区域可以是不需要的。例如，解码器144B可以产生值255、265、275而不指示键250、260、270。[0056] 返回图1B，在生成分割掩码200D之后，解码器144B可以将分割掩码200D传递给解码器144A。连同分割掩码200D一起，解码器144A可以接收分割掩码200D连同查询编码器142A的输出以及文档120的字符网格表示。类似于CNN140A，查询编码器142A的输出可以是通过池化特征向量序列来生成的特征向量。单个特征可以被生成和复制，以生成由解码器144A使用的二维图像。对于解码器144A，CNN140B可以使用字符网格的分辨率来生成该二维图像。以这种方式，解码器144A可以具有三个输入：文档120的字符网格表示、由解码器144B生成的键值分割掩码200D和/或来自查询编码器142A的经构造的二维特征向量。然后，解码器144A可以连结(concatenate)和/或添加这些输入。然后，解码器144A可以产生类似于参考图2C所描述的分割掩码200C的分割掩码。该分割掩码可以识别从查询字符串170中期望的目标数据。[0057] 在一些实施例中，解码器144A可以是相对于解码器144B的轻量级解码器。例如，解码器144A可以是单个卷积层。解码器144A可以从如从解码器144B接收到的键值提议中选择正确的值。该选择可以在从查询编码器142A生成的经构造的二维特征向量上被调节(condition)。以这种方式，解码器144A可以识别来自文档120的目标数据。[0058] 如先前所述，文档处理系统110A、110B为从文档中提取目标数据提供了若干益处。具体地，文档处理系统110A、110B是可端到端训练的。为了训练这些系统，训练数据可以包括可以不完全匹配文档120中包括的任何字符串的查询字符串。例如，查询字符串170可以列出“日期(Date)”，而文档120可以具有列出“日期为(dated)”的键。为了提供这种灵活性，文档处理系统110A、110B可以使用指示对应于特定类的值的边界框注释。这些边界框可以表示(denote)包括对应于键或查询字符串170的值的文档区域。以这种方式，训练样本可以包括字符网格输入、查询字符串170和/或目标边界框。对于CNN140B，训练样本还可以包括一组值边界框，以构造中间分割掩码(例如，分割掩码200D)。这些边界框可以指定值255、265、275和/或键250、260、270。以这种方式，训练CNN140B可以包括使用指定字符网格、查询字符串170、值和/或键提议边界框、和/或目标值边界框的训练数据。[0059] 文档处理系统110A、110B的训练还可以被微调。在一些实施例中，为了微调CNN140A、140B，文档编码器142B可以保持固定，而CNN140A、140B的其他元素可以被调整。例如，CNN140A可以训练诸如查询编码器142A和解码器144的其他元素。在一些实施例中，该训练可以以更低的学习率被执行。对于CNN140B，文档编码器142B和解码器144B可以保持固定。在这种情况下，查询编码器142A和/或解码器144A可以被更新。为了微调这些元素，微调样本可以被使用来训练或重新训练这些元素。该训练可以产生专为微调目标样本的特定域定制的模型。在一些实施例中，完整的训练集可以与额外的微调样本一起被使用。该类型的训练可以产生模型，该模型既可以是通用的，也可以被扩展到新的域。[0060] 图3描绘了根据一些实施例的示出识别目标数据的方法300的流程图。方法300将参考图1A进行描述；然而，方法300不限于该示例实施例。[0061] 在实施例中，文档处理系统110A可以利用方法300，以基于所接收的查询字符串170从文档120中提取目标数据。前面的描述将描述针对文档处理系统110A执行方法300的实施例。虽然方法300参考文档处理系统110A进行描述，但是方法300可以在任何计算设备上执行，诸如例如参考图5描述的计算机系统和/或可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(例如，在处理设备上执行的指令)或其组合的处理逻辑。[0062] 应当理解，不是所有的步骤都被需要来执行本文提供的公开。此外，如本领域普通技术人员将理解的，一些步骤可以被同时执行，或者以与图3所示不同的顺序被执行。[0063] 在305，文档处理系统110A可以接收文档120和查询字符串170。文档120可以是包括文本的文件。例如，文档120可以是图像、文字处理文档、PDF文件、屏幕截图和/或文本和图像的组合。在实施例中，文档120可以是扫描文档和/或可以包含多个页面和/或幻灯片。查询字符串170可以是字符的字符串和/或可以是由文档处理系统110A解析来识别字符的字符串的计算机命令。查询字符串170可以指示要从文档120中提取的期望数据。[0064] 在实施例中，文档处理系统110A可以是被配置为从文档120识别目标数据的独立系统。文档处理系统110A可以将该目标数据存储在存储器设备和/或数据库中。在实施例中，文档处理系统110A可以与单独的系统通信。文档处理系统110A可以将所识别的目标数据发送到单独的系统。在实施例中，文档处理系统110A可以被与另一系统集成。例如，文档处理系统110A可以充当更大系统的组件。在该实施例中，文档处理系统110A可以从由更大系统引导的位置接收文档120和/或查询字符串170。在实施例中，更大系统可以引导文档处理系统110A，以将所识别的目标数据引导到特定位置。[0065] 在310，文档处理系统110A可以对文档120执行光学字符识别，以获得字符和位置信息。字符信息可以涉及文档上的字母、数字、符号、词、字母数字和/或符号的集合或组合、符号标记、图像和/或其他视觉指示符。文档处理系统110A可以利用OCR扫描器130来执行字符识别。OCR扫描器130可以识别词和/或字符的字符串。OCR扫描器130可以识别文档120内的字符的位置。OCR扫描器130可以执行基于像素的分析，以识别字符和位置信息。[0066] 在315，文档处理系统110A可以使用字符和位置信息生成文档120的字符网格。生成字符网格可以包括用索引值替换文档120的字符。索引值可以根据映射函数来分配。在实施例中，索引值可以经由使用最近邻插值的下采样来被分配。在实施例中，文档处理系统110A可以利用字典来将字符映射到索引值。在一些实施例中，索引值可以是向量。文档处理系统110A可以使用诸如例如Word2vec的模型技术来生成向量。生成字符的索引值允许文档处理系统110A编译具有字符的索引值包含在其中的字符网格。[0067] 在一些实施例中，生成字符网格的结果可以是文档120的下采样版本。下采样版本可以导致文档120的更快处理。[0068] 在320，文档处理系统110A可以通过将卷积神经网络(CNN)140A的第一编码器应用于字符网格来生成编码的字符网格。第一编码器可以是文档编码器142B。文档编码器142B可以使用计算机视觉和/或语义分割技术来处理文档120的字符网格表示。例如，文档编码器142B可以帮助确定语义含义、提取键值和/或表格信息。因为字符网格利用索引值，所以CNN140A可以相对于处理文档120快速地处理字符网格。例如，因为文档120已经被转换成更简单的形式，所以CNN140A可以更快地采用计算机视觉技术或自然语言处理技术。[0069] 在325，文档处理系统110A可以通过将CNN140A的第二编码器应用于查询字符串170来生成特征向量。第二编码器可以是查询编码器142A。CNN140A可以使用查询编码器142A，以将所提供的查询字符串170编码到能够与解码器合并的嵌入空间中。查询字符串170可以是字符序列、词片段序列、词序列和/或这些字符的组合。这些字符或词符(token)可以使用例如word2vec、GloVe或诸如例如BERT的语言模型进行1‑hot编码或嵌入到词符嵌入空间中。该词符嵌入序列还可以由一个或多个卷积层、双向LSTM层和/或组合层处理。查询编码器142A的输出可以是被池化为特征向量的特征向量序列。特征向量序列可以每输入词符生成为一个。在一些实施例中，查询编码器142A可以使用例如最大池化或平均池化技术将这些特征向量池化为特征向量。[0070] 在330，文档处理系统110A可以将CNN140A的解码器144应用于编码的字符网格和特征向量。在一些实施例中，查询编码器142A和文档编码器142B的输出可以被合并，并且被应用于解码器144。在一些实施例中，查询编码器142A生成的特征向量可以与文档编码器142B生成的编码的字符网格融合，并且被应用于解码器144。CNN140A可以在相应的解码器输入分辨率下为每个像素生成特征向量。该分辨率可以是对应于编码的字符网格的下采样的编码器分辨率。以这种方式，具有跨图像复制的相同特征向量的二维图像可以被用作解码器输入。解码器输入可以被连结和/或相加在一起。以这种方式，解码器144可以接收两个输入：文档编码器142B的输出以及二维查询字符串编码器特征向量。[0071] 然后，使用编码的字符网格和特征向量，解码器144可以识别由查询字符串170指定的目标数据。解码器144可以执行转置卷积、去卷积或部分步幅卷积，以对编码的结果进行上采样。以这种方式，解码器144可将新确定的索引值上采样为像素位置表示。上采样可以允许用户将文档处理系统110A的输出视为覆盖文档120的掩码。该掩码可以是文档120上的覆盖或者可以单独存在。使用像素表示，用户可以经由显示屏幕查看语义信息。在一些实施例中，文档处理系统110A可以将目标数据提取为文本字符串。[0072] 在335，文档处理系统110A可以生成识别对应于查询字符串170的来自文档120的目标数据的分割掩码。在一些实施例中，该分割掩码可以是在文档120上定位对应于查询字符串170的信息的二进制分割掩码。该分割掩码可以是例如参考图2C所描绘的分割掩码200C。分割掩码200C可以识别由查询字符串170指定的目标数据。在一些实施例中，解码器144可以通过在从查询编码器142A生成的构造的二维特征向量上调节编码的字符网格来选择目标数据。以这种方式，解码器144A可以识别来自文档120的目标数据。然后，文档处理系统110A可以将结果数据返回到提供查询字符串170的系统。[0073] 图4描绘了根据一些实施例的示出使用单独解码器识别目标数据的方法400的流程图。方法400将参照图1B进行描述；然而，方法400不限于该示例实施例。[0074] 在实施例中，文档处理系统110B可以利用方法400，以基于所接收的查询字符串170从文档120中提取目标数据。前面的描述将描述针对文档处理系统110B执行方法400的实施例。虽然方法400参考文档处理系统110B进行描述，但是方法400可以在任何计算设备上执行，诸如例如参考图5描述的计算机系统和/或可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(例如，在处理设备上执行的指令)或其组合的处理逻辑。[0075] 应当理解，不是所有的步骤都被需要来执行本文提供的公开。此外，如本领域普通技术人员将理解的，一些步骤可以被同时执行，或者以与图4所示不同的顺序被执行。[0076] 在405，文档处理系统110B可以接收文档120和查询字符串170。文档120可以是包括文本的文件。例如，文档120可以是图像、文字处理文档、PDF文件、屏幕截图和/或文本和图像的组合。在实施例中，文档120可以是扫描文档和/或可以包含多个页面和/或幻灯片。查询字符串170可以是字符的字符串和/或可以是由文档处理系统110B解析来识别字符的字符串的计算机命令。查询字符串170可以指示要从文档120中提取的期望数据。[0077] 在实施例中，文档处理系统110B可以是被配置为从文档120中识别目标数据的独立系统。文档处理系统110B可以将该目标数据存储在存储器设备和/或数据库中。在实施例中，文档处理系统110B可以与单独的系统通信。文档处理系统110B可以将所识别的目标数据发送到单独的系统。在实施例中，文档处理系统110B可以被与另一系统集成。例如，文档处理系统110B可以充当更大系统的组件。在该实施例中，文档处理系统110B可以从由更大系统引导的位置接收文档120和/或查询字符串170。在实施例中，更大系统可以引导文档处理系统110B将所识别的目标数据引导到特定位置。[0078] 在410，文档处理系统110B可以对文档120执行光学字符识别，以获得字符和位置信息。该操作可以以类似于310的方式执行。[0079] 在415，文档处理系统110B可以使用字符和位置信息生成文档120的字符网格。该操作可以以类似于315的方式执行。[0080] 在420，文档处理系统110B可以通过将卷积神经网络(CNN)140B的第一编码器应用于字符网格来生成编码的字符网格。该操作可以以类似于320的方式执行。第一编码器可以是文档编码器142B。[0081] 在425，文档处理系统110B可以通过将CNN140B的第一解码器应用于编码的字符网格来生成第一分割掩码。第一解码器可以是解码器144B。第一分割掩码可以是中间分割掩码。解码器144B可以操作以产生指示文档120中的键和值的该中间分割掩码。中间语义分割掩码的示例实施例在图2D中被描绘。为了产生该语义分割掩码，中间训练目标可能已经被使用来识别键和值。如先前所述，分割掩码200D可以基于先前的训练来识别键值对。生成该中间分割掩码可以有助于提取目标数据。[0082] 在430，文档处理系统110B可以通过将CNN140B的第二编码器应用于查询字符串170来生成特征向量。第二编码器可以是查询编码器142A。该操作可以以类似于325的方式执行。[0083] 在435，文档处理系统110B可以将CNN140B的第二解码器144A应用于字符网格、第一分割掩码和特征向量。连同分割掩码200D一起，解码器144A可以接收分割掩码200D连同查询编码器142A的输出以及文档120的字符网格表示。查询编码器142A的输出可以是通过池化特征向量序列生成的特征向量。单个特征可以被生成和复制，以生成解码器144A使用的二维图像。对于解码器144A，CNN140B可以使用字符网格的分辨率生成该二维图像。以这种方式，解码器144A可以具有三个输入：文档120的字符网格表示、由解码器144B生成的键值分割掩码200D和/或来自查询编码器142A的经构造的二维特征向量。然后，解码器144A可以连结和/或添加这些输入。然后，解码器144A可以产生类似于参考图2C所描述的分割掩码200C的分割掩码。该分割掩码可以识别从查询字符串170中期望的目标数据。[0084] 在一些实施例中，解码器144A可以是相对于解码器144B的轻量级解码器。例如，解码器144A可以是单个卷积层。解码器144A可以从如从解码器144B接收到的键值提议中选择正确的值。该选择可以在从查询编码器142A生成的经构造的二维特征向量上被调节。以这种方式，解码器144A可以识别来自文档120的目标数据。[0085] 在440，文档处理系统110B可以生成识别对应于查询字符串170的来自文档120的目标数据的第二分割掩码。该操作可以以类似于335的方式执行。[0086] 各种实施例可以被例如使用一个或多个公知的计算机系统(诸如图5所示的计算机系统500)来实现。一个或多个计算机系统500可被用于例如实现本文讨论的任何实施例及其组合和子组合。[0087] 计算机系统500可以包括一个或多个处理器(也称为中央处理单元或CPU)，诸如处理器504。处理器504可以被连接到通信基础设施或总线506。[0088] 计算机系统500还可以包括(多个)用户输入/输出设备503，诸如监视器、键盘、定点设备等，其可以通过(多个)用户输入/输出接口502与通信基础设施506进行通信。[0089] 一个或多个处理器504可以是图形处理单元(graphicsprocessingunit，GPU)。在实施例中，GPU可以是作为被设计来处理数学密集型应用的专用电子电路的处理器。GPU可以具有有效用于大型数据块(诸如常见于计算机图形应用、图像、视频等的数学密集型数据)的并行处理的并行结构。[0090] 计算机系统500还可以包括主存储器或主要存储器508，诸如随机存取存储器(randomaccessmemory，RAM)。主存储器508可以包括一级或多级的高速缓存。主存储器508可以在主存储器508中存储控制逻辑(即，计算机软件)和/或数据。[0091] 计算机系统500还可以包括一个或多个辅助存储设备或存储器510。辅助存储器510可以包括例如硬盘驱动器512和/或可移动存储设备或驱动器514。可移动存储驱动器514可以是软盘驱动器、磁带驱动器、光盘驱动器、光存储设备、磁带备份设备和/或任何其他存储设备/驱动器。[0092] 可移动存储驱动器514可以与可移动存储单元518交互。可移动存储单元518可以包括其上存储有计算机软件(控制逻辑)和/或数据的计算机可用或可读存储设备。可移动存储单元518可以是软盘、磁带、光盘、DVD、光存储盘和/或任何其他计算机数据存储设备。可移动存储驱动器514可以从可移动存储单元518读取和/或向可移动存储单元518写入。[0093] 辅助存储器510可以包括用于允许计算机程序和/或其他指令和/或数据被计算机系统500访问的其他装置(means)、设备、组件、工具或其他方法。这种装置、设备、组件、工具或其他方法可以包括例如可移动存储单元522和接口520。可移动存储单元522和接口520的示例可以包括程序卡盒和卡盒接口(诸如在视频游戏设备中发现的)、可移动存储器芯片(诸如EPROM或PROM)和相关的插槽、记忆棒和USB端口、存储器卡和相关的存储器卡插槽，和/或任何其他可移动存储单元和相关的接口。[0094] 计算机系统500还可以包括通信或网络接口524。通信接口524可以使得计算机系统500能够与外部设备、外部网络、外部实体等的任何组合进行通信和交互(由附图标记528单独引用和共同引用)。例如，通信接口524可以允许计算机系统500通过通信路径526与外部或远程设备528进行通信，该通信路径526可以是有线的和/或无线的(或其组合)，并且可以包括LAN、WAN、互联网等的任何组合。控制逻辑和/或数据可以经由通信路径526被发送到计算机系统500以及从计算机系统500经由通信路径526被发送。[0095] 计算机系统500还可以是(仅举几个非限制性示例)个人数字助理(personaldigitalassistant，PDA)、台式工作站、膝上型计算机或笔记本计算机、上网本、平板电脑、智能手机、智能手表或其他可穿戴设备、器具、物联网的部分和/或嵌入式系统、或其任何组合。[0096] 计算机系统500可以是客户端或服务器，通过任何交付范式访问或托管任何应用和/或数据，包括但不限于远程或分布式云计算解决方案；本地或内部部署软件(基于“内部部署”云的解决方案)；“即服务”模型(例如，内容即服务(contentasaservice，CaaS)、数字内容即服务(digitalcontentasaservice，DCaaS)、软件即服务(softwareasaservice，SaaS)、管理软件即服务(managedsoftwareasaservice，MSaaS)、平台即服务(platformasaservice，PaaS)、桌面即服务(desktopasaservice，DaaS)、框架即服务(frameworkasaservice，FaaS)、后端即服务(backendasaservice，BaaS)、移动后端即服务(mobilebackendasaservice，MBaaS)、基础设施即服务(infrastructureasaservice，IaaS)等)；和/或包括上述示例或其他服务或交付范式的任何组合的混合模型。[0097] 计算机系统500中的任何适用的数据结构、文件格式和模式(schema)可以从标准导出，该标准包括但不限于Javascript对象简谱(JavaScriptObjectNotation，JSON)、可扩展标记语言(ExtensibleMarkupLanguage，XML)、另一种标记语言(YetAnotherMarkupLanguage，YAML)、可扩展超文本标记语言(ExtensibleHypertextMarkupLanguage，XHTML)、无线标记语言(WirelessMarkupLanguage，WML)、MessagePack、XML用户界面语言(XMLUserInterfaceLanguage，XUL)或任何其他功能相似的单独或组合的表示。或者，专有的数据结构、格式或模式可以被排他地使用或与已知或开放标准结合使用。[0098] 在一些实施例中，包括其上存储有控制逻辑(软件)的有形、非暂时性计算机可用或可读介质的有形、非暂时性装置或制品在本文中也可被称为计算机程序产品或程序存储装备。这包括但不限于计算机系统500、主存储器508、辅助存储器510和可移动存储单元518和522，以及体现上述任何组合的有形制品。当由一个或多个数据处理设备(诸如计算机系统500)执行时，这种控制逻辑可以导致这种数据处理设备按本文所述来操作。[0099] 基于本公开中包含的教导，(多个)相关领域的技术人员将清楚如何使用图5中所示的那些以外的数据处理设备、计算机系统和/或计算机体系结构来准备和使用本公开的实施例。具体地，实施例可以使用本文描述的那些以外的软件、硬件和/或操作系统实现方式来操作。[0100] 应当理解，具体实施方式部分(而不是任何其他部分)旨在被用于解释权利要求。其他部分可以阐述(多个)发明人所设想的一个或多个但不是所有的示例性实施例，并且因此，其他部分不旨在以任何方式限制本公开或所附权利要求。[0101] 虽然本公开描述了示例性领域和应用的示例性实施例，但是应当理解，本公开不限于此。其他实施例及其修改是可能的，并且是在本公开的范围和精神内。例如(但不限制本段的概论)，实施例不限于附图中所示和/或本文描述的软件、硬件、固件和/或实体。此外，实施例(无论是否在本文中明确描述)对于超出本文描述的示例的领域和应用具有重要效用。[0102] 实施例已经在本文在示出特定功能及其关系的实现方式的功能构建框的帮助下进行描述。为便于描述，这些功能构建框的边界已经在本文被任意限定。只要适当地执行指定的功能和关系(或其等同物)，替代边界就可以被限定。此外，替代实施例可以使用不同于本文描述的顺序来执行功能框、步骤、操作、方法等。[0103] 本文对“一个实施例”、“实施例”、“示例实施例”或类似短语的引用指示所描述的实施例可以包括特定的特征、结构或特性，但每个实施例都不一定包括特定的特征、结构或特性。此外，这种短语不一定指相同的实施例。此外，当特定特征、结构或特性被结合实施例进行描述时，将这种特征、结构或特性并入其他实施例中将会在相关领域(多个)技术人员的知识范围内，而无论是否被本文明确提及或描述。此外，一些实施例可以被使用表述“耦合”和“连接”连同它们的派生词来描述。这些术语不一定是彼此的同义词。例如，一些实施例可以被使用术语“连接”和/或“耦合”来描述，以指示两个或更多个元素彼此直接物理接触或电接触。然而，术语“耦合”也可以表示两个或更多个元素彼此不直接接触，但仍彼此合作或相互作用。[0104] 本公开的广度和范围不应受上述示例性实施例中的任一个限制，而应仅根据所附权利要求及其等同物来限定。

专利地区：德国

专利申请日期：2021-08-18

专利公开日期：2024-07-26

专利公告号：CN114254071B