[发明专利]一种文档结构化组织方法及装置

说明书

本发明公开了一种文档结构化组织方法及装置。一种文档结构化组织方法，包括：获得具有层次化结构的主题框架；利用所述主题框架中的主题文本构成搜索条件；利用所述搜索条件在预置的文档集合内进行搜索；根据搜索结果与搜索条件的匹配情况，将文档添加到所述主题框架中的相应主题文档集合中。与现有技术相比，本发明技术方案可以针对不同的知识领域，自动建立适当的分类体系。另一方面，主题框架是利用比较成熟的专家知识构建，因此能够较好地体现各个分类的内在联系，方便用户系统化地对海量的文本进行阅读。

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种文档结构化组织方法及装置。

背景技术

随着互联网技术的发展，互联网上的信息量呈爆炸式增长。为了更好地应用这些信息，需要对这些信息数据进行有效的管理。其中，文档分类（document classification）是目前应用较为广泛的一种管理技术。文档分类是指按照根据文档的内容或某种属性，对文档集合中的每一个文档确定一个类别。这样，用户不但能够方便地在特定的类别浏览文档，而且可以通过限制搜索范围来使文档的查找更为容易。

然而，对于海量的文档资源，即便是经过一定的分类处理，在每个分类下仍然会存在着大量的文档。一方面，这些文档可能依然对应着不同的子类，通过进一步建立各个分类的子分类，可以在一定程度上解决这个问题，但是分类体系不可能无限制地细化，而且不同的知识主题对细化的要求也是不尽相同的，难以统一管理。

另一方面，从文档的实际内容考虑，每个分类下的文档之间可能存在一些更为复杂的内在联系，例如，文档B是接续文档A内容的、文档C是对文档C1、C2内容的总结或概括，等等。也就是说，文档内容之间可能彼此存在顺序或者层次化的关系，而仅凭现有的文档分类体系，无法体现出这些关系。对于用户而言，只能在某个分类下盲目地阅读每篇文档，造成理解上的困难。

发明内容

为解决上述技术问题，本发明实施例提供一种文档结构化组织方法及装置，从而实现对海量文档的有序组织，技术方案如下：

一种文档结构化组织方法，包括：

获得具有层次化结构的主题框架；

利用所述主题框架中的主题文本构成搜索条件；

利用所述搜索条件在预置的文档集合内进行搜索；

根据搜索结果与搜索条件的匹配情况，将文档添加到所述主题框架中的相应主题文档集合中。

根据本发明的一种具体实施方式，所述获得具有层次化结构的主题框架，包括：

从已知的网站或图书中，提取目录内容，形成具有层次化结构的主题框架。

根据本发明的一种具体实施方式，所述获得具有层次化结构的主题框架，包括：

以目录特征词构成搜索条件，通过搜索发现包含目录内容的资源；

从所发现的资源中，提取目录内容，形成具有层次化结构的主题框架。

根据本发明的一种具体实施方式，所述利用所述主题框架中的主题文本构成搜索条件，包括：

去除所述主题文本中的目录特征词，以剩余内容构成搜索条件。

根据本发明的一种具体实施方式，所述利用所述主题框架中的主题文本构成搜索条件，包括：

利用所述层次化结构中每个节点的内容分别构成单一搜索条件。

根据本发明的一种具体实施方式，所述利用所述搜索条件在预置的文档集合内进行搜索，包括：

利用节点A内容所构成的搜索条件，在预置的文档集合内进行搜索，得到第一搜索结果；