[发明专利]一种处理文本的方法和装置

权利要求书

1.一种处理文本的方法，其特征在于，包括：

确定待处理的多个片段文本块；

对多个所述片段文本块进行聚类；

针对聚类的结果所指示的包含多个所述片段文本块的聚类文本块，执行在所述聚类文本块中查找满足预设合并策略的多个片段文本块，并对多个满足预设合并策略的片段文本块进行合并；

根据合并的结果，生成目标文本。

2.根据权利要求1所述的方法，其特征在于，所述对多个所述片段文本块进行聚类，包括：

利用预设的膨胀系数，对每一个所述片段文本块进行膨胀；

根据每一个所述片段文本块的膨胀结果，查找具有连通关系的多个片段文本块；

将具有连通关系的多个所述片段文本块聚类成一个聚类文本块。

3.根据权利要求2所述的方法，其特征在于，进一步包括：

获取每一个所述片段文本块的特征坐标；

基于每一个所述片段文本块的特征坐标，查找具有对齐关系的多个片段文本块；

所述利用预设的膨胀系数，对每一个所述片段文本块进行膨胀，包括：

利用第一膨胀系数，对具有对齐关系的每一个片段文本块进行膨胀；

利用第二膨胀系数，对剩余的每一个片段文本块进行膨胀。

4.根据权利要求2所述的方法，其特征在于，所述对多个所述片段文本块进行聚类，进一步包括：

在存在多个聚类文本块的情况下，进行迭代操作，将具有连通关系的所述聚类文本块进行聚类，生成新的聚类文本块。

5.根据权利要求4所述的方法，其特征在于，

进一步包括：根据聚类的结果生成聚类树；

基于所述聚类树查找满足预设合并策略的多个片段文本块，并执行对满足预设合并策略的多个片段文本块进行合并的步骤。

6.根据权利要求5所述的方法，其特征在于，根据聚类的结果生成聚类树，包括：

为所述聚类文本块包含的各个片段文本块构建对应的叶子节点；

基于所述聚类文本块和所述叶子节点，构建上级节点以及根节点；

将不属于任何一个所述聚类文本块的片段文本块对应的叶子节点关联到所述根节点。

7.根据权利要求3所述的方法，其特征在于，

基于每一个所述片段文本块的特征坐标，查找具有对齐关系的多个片段文本块，包括：

将各个所述片段文本块基于所述特征坐标包含的垂直坐标进行排序；

针对每一个所述片段文本块，执行步骤A1-A2：

A1：获取所述片段文本块、以及与所述片段文本块相邻的文本块的垂直坐标；计算所述片段文本块、与所述片段文本块相邻的文本块的垂直坐标的距离值；

A2：判断所述距离值是否小于第一预设值，若是，则确定与所述片段文本块相邻的文本块以及所述片段文本块具有水平对齐关系。

8.根据权利要求3所述的方法，其特征在于，

基于每一个所述片段文本块的特征坐标，查找具有对齐关系的多个片段文本块，包括：将各个所述片段文本块基于所述特征坐标包含的水平坐标进行排序；

针对每一个所述片段文本块，执行步骤B1-B2：

B1：获取所述片段文本块、以及与所述片段文本块相邻的水平坐标；计算片段文本块、与所述片段文本块相邻的文本块的水平坐标的距离值；

B2：判断所述距离值是否小于第二预设值，若是，则确定与所述片段文本块相邻的文本块以及所述片段文本块具有垂直对齐关系。