特許ウォッチ

公開番号2025034410
公報種別公開特許公報(A)
公開日2025-03-13
出願番号2023140773
出願日2023-08-31
発明の名称情報処理装置、情報処理方法、及びプログラム
出願人キヤノン株式会社
代理人弁理士法人谷・阿部特許事務所
主分類G06V 30/418 20220101AFI20250306BHJP(計算;計数)
要約【課題】文書画像の文書種別を特定する際の負担を減らす情報処理装置、情報処理方法及びプログラムを提供する。
【解決手段】情報処理システム100において、情報処理サーバ103は、処理対象の文書の画像に対して文字認識処理を行う文字画像解析部154と、文字認識処理の結果に基づいて、処理対象の文書が示す文書種別を大規模言語モデルに回答させるための指示文を生成し、指示文に対する回答を大規模言語モデルから得るために、指示文を送信する指示文生成部155と、大規模言語モデルによる指示文に対する回答を受信する回答受信部156と、を有する。
【選択図】図1
特許請求の範囲【請求項１】
処理対象の文書の画像に対して文字認識処理を行う文字認識手段と、
前記文字認識処理の結果に基づいて、前記処理対象の文書が示す文書種別を大規模言語モデルに回答させるための指示文を生成する生成手段と、
前記指示文に対する回答を前記大規模言語モデルから得るために、前記指示文を送信する送信手段と、
前記大規模言語モデルによる前記指示文に対する回答を受信する受信手段と、
を有することを特徴とする情報処理装置。
続きを表示（約 1,100 文字）【請求項２】
前記生成手段は、前記文字認識処理の結果得られた文字列が含まれる文書の文書種別を前記大規模言語モデルに回答させる前記指示文を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項３】
前記文字認識処理の結果得られた文字列から、少なくとも所定の項目に対応する文字列を抽出する抽出手段をさらに有し、
前記生成手段は、前記所定の項目に対応する文字列が含まれる文書の文書種別を前記大規模言語モデルに回答させる前記指示文を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項４】
前記所定の項目はタイトルである
ことを特徴とする請求項３に記載の情報処理装置。
【請求項５】
前記所定の項目は複数の項目で構成される
ことを特徴とする請求項３に記載の情報処理装置。
【請求項６】
前記抽出手段は、前記文字認識処理の結果得られた文字列群を学習済みモデルに入力することで得られた結果に基づいて、前記文字列群から前記所定の項目を含む項目に対応する文字列である項目値を抽出し、
前記生成手段は、前記項目値から前記所定の項目に対応する文字列を取得して、前記指示文を生成する
ことを特徴とする請求項３に記載の情報処理装置。
【請求項７】
前記指示文には、前記処理対象の文書が示す文書種別が、予め設定された複数の文書種別のうちの何れかに該当するかを回答させる第１の設問が含まれる
ことを特徴とする請求項１に記載の情報処理装置。
【請求項８】
前記指示文には、前記処理対象の文書が示す文書種別が、前記複数の文書種別のうちの何れにも該当しない場合、前記処理対象の文書が示す文書種別として前記複数の文書種別以外の文書種別を回答させる第２の設問が含まれる
ことを特徴とする請求項７に記載の情報処理装置。
【請求項９】
前記指示文には、前記第１の設問および前記第２の設問において回答した理由を回答させる第３の設問が含まれる
ことを特徴とする請求項８に記載の情報処理装置。
【請求項１０】
前記文字認識処理の結果得られた文字列群を学習済みモデルに入力すること得られた結果に基づいて、前記処理対象の文書が示す文書種別を決定する決定手段をさらに有し、
前記学習済みモデルは、前記複数の文書種別のうちの何れかの文書種別を示す情報を出力するように学習された学習済みモデルである
ことを特徴とする請求項８に記載の情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、文書画像から情報を抽出する処理に関する。
続きを表示（約 1,900 文字）【背景技術】
【０００２】
入力された文書画像の文書種別を決定する技術がある。請求書、見積書、納品書のような文書種別を決定する方法として、複数の文書画像を機械学習することにより得られた学習済みモデルを用いる方法がある。
【０００３】
特許文献１には、学習済みの文書種別へ分類することができる分類器（学習済みモデル）を用いて、入力された文書画像の文書種別を決定する方法が開示されている。この特許文献１では、入力された文書画像に対して複数の文書種別それぞれの信頼度を算出し、信頼度が第１の閾値を超える文書種別が存在する場合はその文書種別を分類先とする。また、信頼度が第１の閾値以下でかつ第２の閾値を超える文書種別が複数存在する場合は、その文書種別を分類先候補として提示してユーザから正しい文書種別の指示を受け付ける。さらに、信頼度が第２の閾値を超える文書種別が存在しない場合は、ユーザから新しい文書種別の指定を受け付け可能にすることも開示されている。
【先行技術文献】
【特許文献】
【０００４】
特開２０１７－１０７４５５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１の手法では、信頼度が第２の閾値を超える文書種別が存在しない場合に、ユーザが新しい文書種別の入力を行う必要があり、ユーザにとっては新しい文書種別を示す文字列を入力するという手間がかかる。
【０００６】
また、一般的に追加学習には多くの類似データの収集と学習時間が必要である。このため、学習済みモデルが新たな文書種別を分類できるようになるまでは、分類に失敗するたびにユーザは新しい文書種別を入力したり、複数の選択肢から適切なものを選択して修正したりしなければならず、ユーザに掛かる負荷が大きくなってしまう。
【課題を解決するための手段】
【０００７】
本開示の情報処理装置は、処理対象の文書の画像に対して文字認識処理を行う文字認識手段と、前記文字認識処理の結果に基づいて、前記処理対象の文書が示す文書種別を大規模言語モデルに回答させるための指示文を生成する生成手段と、前記指示文に対する回答を前記大規模言語モデルから得るために、前記指示文を送信する送信手段と、前記大規模言語モデルによる前記指示文に対する回答を受信する受信手段と、を有することを特徴とする。
【発明の効果】
【０００８】
本開示によれば、文書画像の文書種別を特定する際の負担を減らすことができる。
【図面の簡単な説明】
【０００９】
情報処理システムの構成例を示す図。
情報処理システムを構成する各装置のハードウェア構成例を示す図。
情報処理システムのシーケンス図。
機械学習モデルの生成処理の詳細を説明するフローチャート。
文書種別をユーザに表示する処理の詳細を説明するフローチャート。
機械学習モデルによる文書解析処理の詳細を説明するフローチャート。
処理対象の文書画像の一例を示す図。
大規模言語モデルからの回答取得処理の詳細を説明するフローチャート。
指示文を説明するための図。
文書種別確認画面の一例を示す図。
情報処理システムのシーケンス図。
オプション設定画面および文書種別確認画面を示す図。
文書種別をユーザに表示する処理の詳細を説明するフローチャート。
大規模言語モデルからの回答取得処理の詳細を説明するフローチャート。
指示文を説明するための図。
情報処理システムのシーケンス図。
設定画面および文書種別確認画面を示す図。
文書種別をユーザに表示する処理の詳細を説明するフローチャート。
大規模言語モデルからの回答取得処理の詳細を説明するフローチャート。
情報処理システムの構成例を示す図。
情報処理システムのシーケンス図。
設定画面および文書種別確認画面を示す図。
文書種別をユーザに表示する処理の詳細を説明するフローチャート。
機械学習モデルによる文書解析処理の詳細を説明するフローチャート。
【発明を実施するための形態】
【００１０】
以下、本開示の技術の実施形態について図面を用いて説明する。なお、以下の実施形態に記載された構成要素は例示であって、本開示の技術の範囲を限定する趣旨のものではない。
（【００１１】以降は省略されています）

関連特許