文档智能系列论文核心概念解读-来也科技

一.前言

文档图像有多个文本条目（Segment)或者词（Word）或者区域（Region），文档智能核心要解决的两个问题是：

预测这些 Segment（Word、Region）的类别：如下，左侧图的 Segment 的类别如绿色的 “Date”。
预测它们之间的配对Key-Value的关系，如下，右侧图的配对关系如 “From” 和 “Kevin Narko” 的有配对关系。

以上的业务转成技术问题后为以下三个子问题：

学习 Segment（Word、Region）良好的 Embedding 表示；
基于学习的 Embedding 来进行分类从而实现类别预测；
基于学习的 Embedding 计算相似度来预测配对关系，配对的 Segment（Word、Region）相似度很高；

本文选取这个领域比较有代表性的三篇论文，对里边核心技术做简单介绍，三个模型如下：

StrucText
LayoutLMv3
GraphDoc

以上论文的模型都是通过自监督学习来学习 Segment 、Word 或者 Region 的 Embedding 表示，从而得到一个 Pretrain 模型，Pretrain 模型通过领域类的数据做Finetune 来解决实际的 Segment 等分类或者 K-V 预测。

二.模型总览

StrucText、LayoutLMv3、GraphDoc 虽然属于不同的模型，但是核心点可以抽象成三部分：

输入特征
特征融合
自监督任务设计

输入特征是指模型都会采用哪些特征做为模型输入，目前这个领域最前沿的模型基本都会采用图像、文本、版式的多模态多种特征；

特征融合是指多个Segment（Word、Region）的输入特征如何相互融合，从而让每个Segment学习一个更有代表性的Embedding，目前基本两种做法：

基于多头注意力的Transformer
基于图论的图卷积 GCN

我们可以获取的文档是海量的，但是带有标注信息的却非常少，所以还有非常关键的一点是：通过文档数据的特点来设计自监督任务；

下边将对以上模型的这三个方面进行介绍。

三.StrucText

StrucText的模型整体架构图如下：

输入特征

StrucText 的输入公式如下：

其中 T 代表文本特征、V代表图像特征、S代表Segment Idx特征、P代表字符长度特征、M代表模态特征。简单总结，就是将图像和文本两类序列特征分别加上S、P、M 特征后再拼接起来作为一个特征序列

T文本特征

文本是通过OCR识别获得，除了文本还会得到文本Segment的坐标 (????0, ????0, ????1, ????1) ，代表Segment左上和右下的横纵坐标，通过坐标还能得到该Segment的宽和高 (????, ℎ )。

T的公式如下：

其中S代表整个文档中单词级别（若是汉字为字符级别）的序列，序列的按照单词左上角坐标顺序排序，在序列前后会补齐开始和结束字符。

S公式如下：

L代表的是Layout的编码特征，对文档的单词（或汉字的字符）的坐标进行Embedding编码。

L的公式如下：

L序列的长度、维度和T的长度、维度保持一致，因为一般OCR无法获取单词级别的坐标，这种情况下可以根据Segment的坐标估算

V图像特征

其中CNN代表ResNet50+FPN，要注意的这里用的是Segment位置（不是文本特征中的单词或者字符）对应的图像FPN特征，L也相应的用Segment坐标计算。

Segment Idx特征

所有的Segment 按照左上角坐标排序后，每个Segment会有一个唯一的Idx，对Idx进行编码作为S特征，注意在T中，同一个Segment的多个单词都要用对应S的特征

M模态特征

对于特征是文本或者图像，给予不同的特征。

特征融合

输入特征（文本、图像拼接）作为一个序列，进入多层的Transformer，通过多头自注意力算序列中不同Step特征的相关性，进行特征融合。最终得到的每个单词、每个Segment的学习的Embedding表示

自监督任务

StrucText 一共设计了三种自监督任务：

1.MLM 完形填空

Mask 掉输入文本中一些单词，通过最终学习的Embedding来预测Mask掉的单词

2.SLP 文本长度预测

通过Segment的学习的Embedding，来预测这个Segment有几个单词

3.PBD相对方向预测

根据不同Segment的相对方向分成8类，来预测两个Segment方向属于哪一类，类似做做法在图像的自监督任务中使用很多，可以参考我们以前发布的博客【4】

四. LayoutLMv3

LayoutLMv3 是微软提出的文档智能 Layout 的第三代模型，第一代预训练输入阶段只用文本，第二代输入的特征也考虑图片，并且在计算 Attention 矩阵时考虑了相对的位置关系，第三代的 Layout 最大的改进是用 VIT 取代预训练的各种 CNN 做视觉特征提取，v3 的模型架构如下图：

输入特征

输入特征由4部分组成：文本特征、1D Layout特征、2D Layout特征、图像特征。处理方法和StrucText类似：将文本序列特征分别加上1D Layout特征、2D Layout 特征得到文本特征，图像序列特征加上1D Layout特征后得到图像特征，再将文本、图像特征拼接起来作为一个特征序列（在文本序列特征首尾会增加[CLS]、[SEP]，在图像序列的开始会增加[SPE] 等特殊的Token）。

文本特征

和StrucText 一样将文档中单词拆分成序列，每个单词采用RoBERTa【7】预训练的字向量。

1D Layout特征

文本或图像序列中的Idx的Embedding表示，1D Layout特征在文本和图像上共享。

2D Layout特征

对于每个单词所在的Segment有四个标量 (????, ????, ????, ℎ) 代表左上角的横纵坐标和宽高，然后分别对这4个标量做Embedding表示得到4个2D Layout特征。能看出来和StrucText不同的地方：不是每个单词的用自己位置坐标而是一个Segment的单词共享了Segment的坐标。

图像特征

Layout V3 没有采用CNN+FPN类似的模型去提取特征，而是直接采用VIT类似的方案，将文档图像拆成固定大小的Patch，所有Patch按照从左到右、从上到下的顺序展开为序列，再对一个Patch做线性变换到和文本特征一样的维度，用得到序列特征加上1D Layout特征作为图像特征。

特征融合

同StrucText 类似，LayoutLM系列也采用多头的自注意力来计算特征的相关性，不同于传统的自注意力权重计算，如下公式（xi，xj为特征，WQ，WK为待学习参数矩阵）：

LayoutLM还考虑不同特征的相对位置关系，引入1D、2D-x、2D-y三个待学习参数，公式如下：

自监督任务

在LayoutLMv3 中，同样设计3种自监督任务

MLM 完形填空

同StrucText 一样，Mask单词时采样概率采用泊松分布

MIM 图像Patch的掩码预测

这里的基于图像的自监督任务采用BIET【6】模型，架构如下：

目标是预测原始图片中被Mask的Patch块，如果只是做最原始的图像像素重建可能缺乏全局语义信息，所以BIET先采用DVAE【7】的模型，将原始图像表示为一个固定数量的离散整数值，其中离散值数量等于Patch块，离散值范围[0,8192]，这样可以认为一个图片Patch有一个Idx值（类似Bert中的词的Idx），这样自监督任务可以设计为预测Mask掉Patch的Idx值。

WPA 文本图像对齐模块

在第2个自监督任务中提到，会有图像Patch被Mask掉，所以第三部分任务设计为：预测单词所对应的图像Patch有没有被Mask掉，需要注意的MLM 任务中被Mask掉单词不能参与这个任务

五.GraphDoc

前边提到两种算法都是通过Transformer 来捕获不同字符或Segment（Word、Region）的特征的相关性，现在还有一种前沿的方向就是通过图卷积来捕获不同Segment（Word、Region）的特征的相关性（可以认为Transformer也是一种特殊的图卷积，所有Item相互有边连接）。

在图卷积中核心的一个概念是邻接矩阵，对于一个N个节点图G，邻接矩阵A ∈ NxN，反映的是相连节点之间的相关性。

GraphDoc属于利用图卷积来做文档智能的代表模型，整体架构图如下：

输入特征

和以上两个模型不同的是，GraphDoc关注的是区域的表征信息，区域代表是一个连续语义区域如文档图上不同的颜色区域代表不同的区域。GraphDoc 依然采用的是文本、图片、Layout三种模态的信息。

文本特征

对每个区域的文本通过Sentence-Bert编码后加上Layout编码信息，公式如下：

注意Sentence-Bert采用预训练好的模型。li为layout编码，公式如下：

将X轴的layout信息（region的最小x坐标，最大x和宽度w）以及Y轴的layout信息（region的最小y坐标，最大y和高度y）。

注意一点：S0是代表一个占位符 [CLS]的编码特征。

图像特征

采用Swin Trasnformer【10】+FPN 作为骨干网络，在PubLayNet 【8】版面分析数据集合上进行预训练，最终采用1/4 下采样的FPN视觉特征P2。

对应的每个Region bi的视觉特殊是对P2 做RoIAlign 【9】并加上layout编码，公式如下：

注意：V0 是全图的特征

特征融合

在GraphDoc中的特征融合分两部分，一部分是每个Region的融合，另一部分是来融合不同的Region（Region和节点会在后文混用）。

Region融合

不同于StrucText 或者LayoutLM V2 【10】，SDMG_R【11】等模型将每个Region的不同模态特征进行简单的融合（如Concat，相加，hadamard 积）进入前向多层模型，GraphDoc认为在不同的前向层中视觉和文本贡献不一样，所以设计有一个简单的Attention Gate来融合每一个Region文本和视觉特征，公式如下：