[发明专利]文档碎化方法、数据检索方法、装置及电子设备

说明书

本申请公开了一种文档碎化方法、数据检索方法、装置及电子设备，该文档碎化方法包括：获取待碎化的目标文档；将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容；基于每个碎化章节对应的正文内容，生成每个碎化章节对应的子文档；将生成的子文档作为所述目标文档的碎化结果存储到数据库中。通过对文档的碎化处理，获得了更加细粒度的章节层级的内容，从而能够在数据检索时以章节为最小检索对象，进而将检索结果定位到具体的章节，使得用户可以直观看到需要参考的章节知识，让知识的定位与推荐更精准。

技术领域

本申请涉及文档处理技术领域，尤其涉及一种文档碎化方法、数据检索方法、装置及电子设备。

背景技术

在进行数据搜索和数据推荐时，一般会以一篇完整的文档作为最小的检索对象，将检索条件与数据库中的文档进行匹配，返回满足检索条件的文档，在展示检索结果时也是以文档为最小单位进行展示，因此用户只能定位到具体的文档。

发明内容

本申请实施例提供一种文档碎化方法、装置、电子设备及存储介质，以及基于碎化后的文档实现的数据检索方法、装置、电子设备及存储介质，通过对文档的碎化处理，获得了更加细粒度的章节层级的内容，进而将检索结果定位到具体的章节，使得用户可以直观看到需要参考的章节知识，让知识的定位与推荐更精准。

一方面，本申请一实施例提供了一种文档碎化方法，包括：

获取待碎化的目标文档；

将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容；

基于每个碎化章节对应的正文内容，生成每个碎化章节对应的子文档；

将生成的子文档作为所述目标文档的碎化结果存储到数据库中。

可选地，所述将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容，包括：

获取所述目标文档的目录信息，所述目录信息包括章节之间的层级关系以及每个章节在所述目标文档中的起始位置；

从所述目录信息中提取章节层级不高于碎化层级深度的章节，作为碎化章节；

针对每个碎化章节，从所述目标文档中提取出位于该碎化章节的起始位置和下一个碎化章节的起始位置之间的内容，作为该碎化章节的正文内容。

可选地，所述将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容，包括：

以段落为单位，将所述目标文档划分成多个碎化章节，每个碎化章节包含的段落数量不超过段落数量阈值；

针对每个碎化章节，从所述目标文档中提取该碎化章节包含的段落内容，作为该碎化章节的正文内容；

可选地，所述将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容，包括：

从所述目标文本中抽取出多个主题，每个主题对应一个碎化章节；

获取所述目标文档中每个段落与各主题之间的相似度，基于获取的相似度将各个段落划分到最相似的主题下；

针对每个碎化章节，从所述目标文档中提取该碎化章节对应的主题下的段落内容，作为该碎化章节的正文内容。

可选地，所述方法还包括：

建立子文档和所述目标文档之间的索引关系，并存储到所述数据库中。

一方面，本申请一实施例提供了一种文档碎化装置，包括：

获取模块，用于获取待碎化的目标文档；

碎化模块，用于将所述目标文档划分成多个碎化章节，并确定每个碎化章节对应的正文内容；