一种面向纸质试卷电子化的多学科题型Markdown结构化输出、解析与富文本转换方法及系统与流程

本发明属于教育信息化、智能文档处理、多模态大模型应用、试卷图像理解、结构化信息抽取和富文本转换，具体涉及一种面向纸质试卷电子化的多学科题型markdown 结构化输出、解析与富文本转换方法及系统。

背景技术：

1、在纸质试卷电子化过程中，常见流程为：先通过ocr、版面分析或多模态大模型识别试卷图像，再把识别结果转换为题库系统所需的结构化数据。现有技术通常采用以下方案：让大模型直接输出json结构化数据；由ocr或版面解析流水线抽取文字、公式、表格等内容，再通过规则或模型转换为json；让大模型直接输出html以保留展示格式；对多格式文档先转换成markdown中间文档，再进行指标抽取或规则验证。

2、上述方案在纸质试卷电子化场景中存在明显不足。

3、第一，直接要求大模型输出json时稳定性较差。试题内容中经常包含数学公式、反斜杠、分式、上下标、图表引用、嵌套小题等复杂内容，json字符串转义要求较高。模型容易出现引号遗漏、逗号遗漏、括号不闭合、反斜杠数量错误、字段嵌套错乱、输出过长甚至不收敛等问题，导致后端json解析失败。

4、第二，直接要求大模型输出html时复杂度过高。html标签、属性、嵌套关系、转义字符和安全过滤规则均较复杂，大模型容易生成不闭合标签、错误嵌套标签或不符合业务样式规范的html，后续清洗成本高。

5、第三，纸质试卷具有强烈的学科和题型差异。数学解答题、英语阅读理解、英语完形填空、语文阅读题、物理实验题等题型所需字段、层级和输出结构不同。使用单一结构化输出提示词难以兼顾多学科、多题型。

6、第四，现有技术虽然存在将文档解析结果重组为markdown的方案，但其重点通常在多格式文档解析、指标抽取或规则验证，并未针对纸质试卷电子化建立“多模态大模型原生markdown输出协议+学科题型模板矩阵+模板绑定解析器+富文本html转换”的完整工程闭环。

7、经检索，存在以下相近公开方案：cn121859835a公开了一种多格式文档解析与验证方法，其重点并非试卷题型字段、模板解析器绑定或题库富文本入库；cn121835650a公开了结构化数据解析方法，但未针对公式富文本、学科题型差异建立专门机制；cn121768021a公开了视觉文档分析方法，但其输出重点仍是通用文档结构，并未直接解决试题对象入库问题。

8、因此，现有技术尚未形成面向纸质试卷电子化资产转换的完整方案。

技术实现思路

1、本发明要解决的技术问题是在多学科、多题型、含公式和富文本的纸质试卷电子化场景下，如何降低模型输出格式复杂度，使识别结果稳定落入题库字段，保留公式和排版展示能力，支持人工复核和错误回溯，并形成可规模化维护的模板与解析器工程闭环，为解决上述问题，提供面向纸质试卷电子化的多学科题型 markdown 结构化输出、解析与富文本转换方法及系统。

2、本发明的目的是以下述方式实现的：

3、一种面向纸质试卷电子化的多学科题型markdown 结构化输出、解析与富文本转换方法，包括以下步骤：

4、s1：接收纸质试卷图像或题目图像，并获取题目所属的学科和题型信息；

5、s2：根据所述学科和题型，从预先构建的学科×题型模板矩阵中选择对应的提示词模板和解析器；其中，所述提示词模板规定了引导多模态大模型输出符合预设markdown结构的输出协议，所述解析器用于将所述预设markdown结构解析为结构化题目对象；

6、s3：基于选中的所述提示词模板生成完整提示词，将所述题目图像及所述完整提示词输入多模态大模型，获得所述多模态大模型输出的markdown结构化文本；

7、s4：调用与所述提示词模板绑定的所述解析器，对所述markdown结构化文本进行解析，生成内部结构化题目对象；

8、s5：对所述结构化题目对象中的markdown字段进行html富文本转换，得到字段级html富文本；

9、s6：对所述结构化题目对象及所述字段级html富文本执行结构化校验，并将校验通过的结果输出到题库系统。

10、所述学科×题型二维模板矩阵中的每个矩阵单元包括学科标识、题型标识、输出字段定义、markdown标题与字段映射规则、示例输入输出、解析器名称及版本号、校验规则；每个矩阵单元对应唯一的模板编号和版本号。

11、进一步地，所述学科×题型模板矩阵的每个矩阵单元至少包括：学科标识、题型标识、输出字段定义、markdown标题与字段映射规则、解析器标识及版本号；所述输出协议包括：

12、使用markdown标题层级表示题目结构，一级标题表示题目，二级标题表示字段；

13、使用markdown列表表示选项，选项标记采用- a.、- b.形式；

14、使用$...$表示行内公式，$$...$$表示块级公式，公式内latex反斜杠保持原样；

15、包含输出终止标记，且禁止输出json或html标签。

16、所述步骤s4中解析器解析markdown结构化文本时，执行以下子步骤：

17、根据模板标识和解析器版本获取解析器实例；

18、检查是否存在终止标记，若不存在则标记为输出不完整；

19、按模板声明的标题层级扫描markdown文本，将题干、选项、答案、解析、子题及插图引用切分为字段片段；

20、生成内部结构化题目对象，并保留原始markdown、模板版本、解析器版本及异常信息。

21、进一步地，所述步骤s5中html富文本转换包括公式处理子步骤：

22、从markdown字段中识别行内公式$...$和块级公式$$...$$$，将每个公式片段记录为公式对象并替换为公式占位符；

23、对markdown内容执行受控转换生成html片段，仅允许预设的安全标签白名单；

24、完成html安全过滤后，将所述公式占位符恢复为题库系统支持的公式渲染标记。

25、进一步地，在步骤s3获得markdown结构化文本之后、步骤s4解析之前，还包括预处理步骤：对模型输出进行清洗、终止标记检测、异常标记修复和非法内容过滤；当检测到缺失终止标记、关键标题缺失、公式标记不闭合或输出内容不完整时，触发重试、局部修复或人工复核流程。

26、进一步地，所述步骤s6中的结构化校验包括以下至少一项：必填字段校验、选项数量校验、答案范围校验、公式标记成对校验、子题层级连续性校验、html非法标签校验、模板版本与解析器版本一致性校验。

27、一种面向纸质试卷电子化的多学科题型markdown 结构化输出、解析与富文本转系统，用于实现所述的方法，所述系统包括：

28、试卷图像输入模块，用于接收纸质试卷图像或题目图像，并输出图像数据及上下文信息；

29、学科题型路由模块，其输入端连接所述试卷图像输入模块的输出端，用于确定题目的学科和题型；

30、模板矩阵管理模块，用于维护学科×题型二维模板矩阵，每个矩阵单元包含提示词模板及解析器标识；

31、提示词组装模块，其第一输入端连接所述学科题型路由模块的输出端，其第二输入端连接所述模板矩阵管理模块的输出端，用于生成完整提示词；

32、多模态大模型调用模块，其第一输入端连接所述提示词组装模块的输出端，其第二输入端连接所述试卷图像输入模块的输出端，用于获取markdown结构化文本；

33、模板绑定解析器模块，其输入端连接所述多模态大模型调用模块的输出端，且与所述模板矩阵管理模块中指定的解析器绑定，用于将markdown解析为内部结构化题目对象；

34、markdown到html富文本转换模块，其输入端连接所述模板绑定解析器模块的输出端，用于将markdown字段转换为html富文本；

35、结构化校验模块，其输入端分别连接所述模板绑定解析器模块和所述markdown到html富文本转换模块的输出端，用于执行校验；

36、结果输出模块，其输入端连接所述结构化校验模块的输出端，用于将校验通过的结构化对象输出到题库系统。

37、所述markdown到html富文本转换模块内嵌有公式占位与恢复子模块，所述公式占位与恢复子模块用于在markdown解析前将公式片段替换为占位符，并在html安全过滤后将占位符恢复为公式渲染标记；所述模板绑定解析器模块包括：用于去除包裹噪声并检查终止标记的markdown预处理单元、用于按模板约定的标题层级切分字段片段的字段切分单元、以及用于输出包含原始markdown及版本信息的内部结构化题目对象的结构化对象生成单元。

38、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。

39、本发明的有益效果：通过学科×题型二维模板矩阵，解决了不同学科、不同题型字段差异大、单一提示词难以稳定适配的问题，提高了题目结构化提取的扩展性。

40、采用多模态大模型原生markdown结构化输出协议，避免了直接json输出导致的括号不闭合、字段嵌套混乱、反斜杠转义失败和输出不收敛等问题。

41、通过提示词模板与后端解析器绑定及版本同步机制，解决了提示词格式调整后解析器失配的问题，使模板和解析器成为可维护的结构化提取单元。

42、采用面向公式和教学富文本的markdown到html受控转换机制，在降低模型输出复杂度的同时，保留了题库展示所需的公式、加粗、下划线、列表、表格等富文本信息。）