[发明专利]一种文档逻辑结构重建方法

说明书

本发明实施例提供一种文档逻辑结构重建方法，包括：步骤1、提取源文档的分段，并识别出每一段落的类型；具体包括：步骤11、获取每一段落的特征向量M＝[m₁ m₂...m_n]；其中向量M具有n个分量：m₁、m₂……m_n；其中每个分量表示一种格式信息，所述格式信息为以下的至少一种：字体大小、字型、大纲级别、行距、是否加黑、是否粗体、是否斜体；步骤12、利用预设的向量模板集合，对所述每一段落的向量进行匹配，以确定每一段落的角色；其中预设的向量模板集合中包含多个预定义的向量，且每一向量对应一种特定的角色类型；步骤2、根据源文档的每一段落的角色类型，构建出源文档的逻辑模型。

技术领域

本发明涉及信息技术领域，尤其是指一种文档逻辑结构重建方法。

背景技术

随着信息技术的发展，越来越多的数据采用电子形式存储，其中最常见的文档存储形式就是OOXML的字处理文档。本发明实施例中所称的“word文档”其不仅是指Microsoft公司推出的office软件中的word软件产生的文档，还包括一切采用与word软件兼容、相同、相似格式的文档格式。

Word格式的文档，其底层虽然是由开放的文档格式OOXML形式存储的，但是其中描述了复杂的与显现相关的文档格式信息，而内容只是文档格式的一部分。由于内容在存储时没有任何语义信息，因此非常不利于自动化的信息处理。如果对文档内容的章节逻辑结构进行重构，将word文档转化为带有语义信息的数据，则可以提高文档处理的自动化程度，使文档处理更快速、更便捷。

Word格式的文档，其底层是采用OOXML形式存储的，且文档中的各级章节标题和正文在OOXML文档中都是以段落元素w:p存储的，只是段落的格式属性描述不同。例如，图1中给出了一个段示例性的word文档，包括一级章节标题“2系统方案”和一段正文“本文提出一种能够支持公式编辑的在线编辑器的实现方案。”，其对应的OOXML代码分别如图2a和图2b所示。

图2a示出了一级标题“2系统方案”在w:p标签中，w:p标签下包含属性标签w:pPr说明其引用a3样式。图2b示出了一级标题下的正文“本文提出一种能够支持公式编辑的在线编辑器的实现方案。”同样存储在w:p标签中，其属性标签w:rPr说明其引用aff8样式和首行缩进的值。这两个w:p标签在OOXML中是并列存储的，相互之间没有逻辑关系。虽然这种格式显现上的差别，可以使人非常轻易的理解，但是系统则无法进行自动化处理；即系统无法区分出哪一部分是标题哪一部分是正文。另外，段落在OOXML中是顺序存储的，章节标题和内容并没有逻辑上的包含关系。因此，自动化地识别word文档的章节逻辑结构对于后期文档信息处理、挖掘和利用是非常有用的。

发明内容

针对现有技术中存在的word格式的文档中的章节标题和正文无法被系统自动识别的问题，本发明实施例要解决的技术问题是提出一种能够帮助系统识别的文档逻辑结构重建方法。

为了解决上述问题，本发明实施例提出了一种文档逻辑结构重建方法，包括：

步骤1、针对源文档进行分段，并识别出每一段落的角色类型；具体包括：

步骤11、获取每一段落的特征向量M＝[m₁ m₂ ... m_n]；其中每一段落的特征向量M具有n个分量：m₁、m₂……m_n；其中每个分量表示一种格式信息，所述格式信息为以下的至少一种：字体大小、字型、大纲级别、行距、是否加黑、是否粗体、是否斜体；

步骤12、利用预设的向量模板集合，对所述每一段落的向量进行匹配，以确定每一段落的角色；其中预设的向量模板集合中包含多个预定义的向量，且每一向量对应一种特定的角色类型；