[发明专利]标题的确定方法、装置及终端设备

说明书

本申请提供一种标题的确定方法、装置及终端设备，该方法包括：获取目标原文件；根据目标原文件，获取目标原文件中目标段落的段落特征信息，段落特征信息包括多个特征字段及各特征字段对应的值；根据目标段落的段落特征信息，采用分类算法确定目标段落是否为标题段落以及标题等级。实现了自动对各式各样的标题的自动提取，提高了提取文章标题的效率和准确性，解决了现有技术中基于穷举有限的通配符进行匹配查找来确定文章标题，效率较低、且通配符的限制导致一些新的标题样式不能匹配到的问题。

技术领域

本申请涉及排版技术领域，尤其涉及一种标题的确定方法、装置及终端设备。

背景技术

随着排版技术的不断发展，人们对智能化自动化排版的需求愈加强烈。当前，期刊杂志等出版需求众多，而不同的期刊杂志文章标题格式各样，排版时，需要将非结构化的文件(比如word格式的文件)转换为结构化的XML文件。

现有技术中，对于文章各级标题的识别是基于穷举有限的通配符进行匹配查找的技术，但是面临众多期刊杂志文章标题各式各样，无限制增加通配符匹配查找新出现的标题样式不能从根本上解决此类问题。因此，如何能准确有效地提取文章标题成为亟需解决的技术问题。

发明内容

本申请提供一种标题的确定方法、装置及终端设备，以解决现有技术基于穷举有限的通配符进行匹配查找来确定文章标题，效率较低、且通配符的限制导致一些新的标题样式不能匹配到等缺陷。

本申请第一个方面提供一种标题的确定方法，包括：

获取目标原文件；

根据所述目标原文件，获取所述目标原文件中每个段落的段落特征信息，所述段落特征信息包括多个特征字段及各特征字段对应的值；

根据目标原文件中各段落的段落特征信息，采用分类算法确定出标题段落以及所述标题段落的标题等级。

根据如上所述的方法，可选地，

所述根据目标原文件中各段落的段落特征信息，采用分类算法确定出标题段落以及所述标题段落的标题等级，包括：

根据目标原文件中各段落的段落特征信息以及预设规则，计算获得各段落的各特征字段对应的代表值；

根据各特征字段对应的代表值以及各特征字段对应的预设特征权重，采用分类算法确定出标题段落以及所述标题段落的标题等级。

根据如上所述的方法，可选地，

所述根据各特征字段对应的代表值以及各特征字段对应的预设特征权重，采用分类算法确定出标题段落以及所述标题段落的标题等级，包括：

根据各特征字段对应的代表值以及各特征字段对应的预设特征权重，采用训练好的贝叶斯分类模型确定出标题段落以及所述标题段落的标题等级。

根据如上所述的方法，可选地，

在获取目标原文件之前，所述方法还包括：

获取多个原文件中的标题段落特征信息以及各标题段落的标题等级；

采用所述多个原文件中的标题段落特征信息以及各标题段落的标题等级，训练贝叶斯分类模型，获得所述训练好的贝叶斯分类模型。

根据如上所述的方法，可选地，

所述根据各特征字段对应的代表值以及各特征字段对应的预设特征权重，采用训练好的贝叶斯分类模型确定出标题段落以及所述标题段落的标题等级，包括：

将每个段落的各特征字段对应的代表值与对应预设特征权重值相乘，获得每个段落的各特征字段对应的乘积值；

分别将各段落的各特征字段对应的乘积值相加，获得各段落的待判定值；