CN111460083B - 文档标题树的构建方法、装置、电子设备及存储介质 - Google Patents

文档标题树的构建方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111460083B
CN111460083B CN202010247461.4A CN202010247461A CN111460083B CN 111460083 B CN111460083 B CN 111460083B CN 202010247461 A CN202010247461 A CN 202010247461A CN 111460083 B CN111460083 B CN 111460083B
Authority
CN
China
Prior art keywords
paragraph
document
title
level
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010247461.4A
Other languages
English (en)
Other versions
CN111460083A (zh
Inventor
张真
张亦鹏
刘明浩
郭江亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010247461.4A priority Critical patent/CN111460083B/zh
Publication of CN111460083A publication Critical patent/CN111460083A/zh
Priority to US17/023,721 priority patent/US20210303772A1/en
Priority to EP21164267.3A priority patent/EP3889823A1/en
Priority to KR1020210038357A priority patent/KR102509836B1/ko
Priority to JP2021049630A priority patent/JP7169389B2/ja
Application granted granted Critical
Publication of CN111460083B publication Critical patent/CN111460083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/14—Tree-structured documents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/189—Automatic justification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/253—Grammatical analysis; Style critique
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本申请公开了文档标题树的构建方法、装置、电子设备及存储介质，可应用于计算机技术领域，尤其是人工智能领域。具体实现方案为：根据预定义规则将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配；在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级；在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级；基于各个段落的段落层级，构建待处理文档的文档标题树。本申请实施例适用于多种非结构化文档的标题识别和文档标题树的构建，基于预定义规则以及机器学习模型相结合的方式具有较强的容错能力，使识别结果更加准确。

Description

文档标题树的构建方法、装置、电子设备及存储介质
技术领域
本申请可应用于计算机技术领域，尤其是人工智能领域。
背景技术
现有技术中关于文档标题识别通常是基于排版格式比较和语法比较的方法。基于排版格式比较的方法主要是通过预先定义排版格式的模板规则，比较待处理文档与模板规则的关系，进而完成标题识别。基于语法比较的方法首先定义表示语法关系的树或图形，然后构建文档标题的语法结构，比较待处理文档中的段落与文档标题的语法结构是否相符，进而完成标题识别。但是，由于目前很多文档在写作过程中存在许多非规范的现象，例如没有设置大纲级别或者大纲级别设置错误、标题格式错误等，以上情况均可导致文档标题识别困难。因此，采用上述方法可能会存在容错能力较低的问题。
发明内容
本申请实施例提出一种文档标题树的构建方法、装置、电子设备及存储介质，以解决现有技术中的以上技术问题中的至少一个。
第一方面，本申请实施例提供了一种文档标题树的构建方法，包括：
根据预定义规则将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配；
在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级；
在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级；
基于各个段落的段落层级，构建待处理文档的文档标题树。
第二方面，本申请实施例提供了一种文档标题树的构建装置，包括：
匹配单元，用于：根据预定义规则将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配；
第一确定单元，用于：在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级；
第二确定单元，用于：在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级；
构建单元，用于：基于各个段落的段落层级，构建待处理文档的文档标题树。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本申请任意一项实施例所提供的方法。
上述申请中的一个实施例具有如下优点或有益效果：适用于多种非结构化文档的标题识别和文档标题树的构建，基于预定义规则以及机器学习模型相结合的方式具有较强的容错能力，使识别结果更加准确。
本申请可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一实施例的文档标题树的构建方法的流程图；
图2是根据本申请一实施例的文档标题树的构建方法的文档标题树的示意图；
图3是根据本申请一实施例的文档标题树的构建方法的段落层级识别流程图；
图4是根据本申请一实施例的文档标题树的构建方法的利用机器学习模型确定段落层级的流程图；
图5是根据本申请一实施例的文档标题树的构建方法的文档标题树构建的流程图；
图6是根据本申请一实施例的文档标题树的构建方法的文档标题树合并示意图；
图7是根据本申请一实施例的文档标题树的构建方法的流程图；
图8是根据本申请一实施例的文档标题树的构建装置的示意图；
图9是根据本申请另一实施例的文档标题树的构建装置的构建单元的示意图；
图10是用来实现本申请实施例的文档标题树的构建方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请一实施例的文档标题树的构建方法的流程图。参见图1，该文档标题树的构建方法包括：
步骤S112，根据预定义规则将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配；
步骤S114，在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级；
步骤S116，在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级；
步骤S120，基于各个段落的段落层级，构建待处理文档的文档标题树。
本申请实施例适用于多种非结构化文档的标题识别和文档标题树的构建。非结构化文档可包括Word文档、HTML(HyperText Markup Language，超级文本标记语言)文档、OCR(Optical Character Recognition，光学字符识别)转换文档等。这类文档由若干基本单元构成，每个单元在文章中都具有不同的角色，例如标题、正文等。通常一个段落为文本的一个基本单元。文档标题树的构建就是识别文档中的标题并根据识别结果建立标题树。利用文档标题树能够有效地挖掘文档中所蕴含的信息，是排版格式检查等诸多应用的基础。此外，文档标题树构建对于一些自然语言处理应用，如文档分类、结构化检索、文档理解等也有重要的作用。
文档标题树的构建任务要求根据给定的待处理文档，给出待处理文档中对应标题的结构化信息。通过确定待处理文档中各个段落的出现顺序以及嵌套结构，最终形成一颗规则语法树。该规则语法树也就是表示文档标题及文档正文的层次结构的文档标题树。图2是根据本申请一实施例的文档标题树的构建方法的文档标题树的示意图。图2示出了根据输入文档举例重建的文档标题树。图2中的“ROOT”为虚拟的根节点，根节点代表文档本身。图2中的“T”为标题节点。图2中的“C”为文档正文节点。正文节点通常叶子节点。
以word文档为例，当word文档中正确设置大纲级别时，可以使用Apache POI、Libreoffice等word文档解析工具导出文档标题树。但是当文档写作不规范的情况下，则无法构建文档标题树。
针对以上问题，本申请提出一种适用于非结构化文档的标题树构建方法。在本申请实施例中，采用基于预定义规则的规则匹配和机器学习模型，对待处理文档中的至少一个段落进行段落角色识别，即识别待处理文档中的各个段落是否为标题。进一步地，还可以判断各个段落的段落层级。例如在图2的示例中，“T：2.算法设计”为一级标题，“T：2.1规则匹配”为二级标题。在步骤S120中，基于步骤S114或S116中得到的各个段落的段落层级构建文档标题树。参见图2的示例，构建后的文档标题树能够清晰地描述文档段落之间的层次嵌套关系。
在步骤S112中，首先基于预定义规则的规则匹配的方法，对待处理文档中的各个段落进行标题识别。具体地，可将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配。在规则匹配成功的情况下，执行步骤S114，根据规则匹配的结果确定待处理文档中各个段落的段落层级。例如，所述预定义规则中的段落特征包括段落文本中包含逗号或句号等预定标点。则在识别到待处理文档中的当前段落中包含逗号或句号等预定标点的情况下，将当前段落的段落层级识别为文档正文。在规则匹配失败的情况下，执行步骤116，利用机器学习模型确定待处理文档中各个段落的段落层级。例如，可利用LSTM(Long Short-Term Memory，长短期记忆网络)模型对待处理文档中各个段落的段落层级进行识别。
上述实施例中，将基于预定义规则的规则匹配和机器学习模型相结合，对待处理文档中的各个段落进行标题识别，得到各个段落的段落层级。将基于预定义规则的规则匹配和机器学习模型相结合的方法可以从多角度判断段落的段落层级，摆脱了仅仅使用模板规则比较存在的容错能力不足的问题，提升了标题识别能力。
在另一个实施中，还可以基于预定义规则的规则匹配和机器学习模型的二者之一，对待处理文档中的各个段落进行标题识别，得到各个段落的段落层级。然后根据通过各个段落的段落层级构建文档标题树，呈现出整篇文档段落之间的层次嵌套关系。
对于现有技术中的基于排版格式比较的方法，标题识别过程中需要计算模板与待处理文档之间的相似度，通过相似度的大小关系来判断待处理文档与模板中标题的关系。如果待处理文档的排版格式不规范，很难通过相似度大小进行标题识别。对于现有技术中的语法比较的方法也存在同样的问题，如果待处理文档的语法格式不规范，也会导致无法进行标题识别。目前很多文档在写作过程中存在许多非规范的现象，例如没有设置大纲级别或者大纲级别设置错误、标题格式错误等，以上情况均可导致文档标题识别困难。
有鉴于此，本申请实施例提出一种文档标题树的构建方法，该方法适用于多种非结构化文档的标题识别和文档标题树的构建，基于预定义规则以及机器学习模型相结合的方式具有较强的容错能力，使识别结果更加准确。
本申请实施例中，段落层级可包括文档正文和文档标题的标题层级。其中，文档标题的标题层级可包括一级标题、二级标题、三级标题等层级依次由高到低的一系列标题。参见图2的示例中，“C”为文档正文节点，“T：2.算法设计”为一级标题，“T：2.1规则匹配”为二级标题。
在一种实施方式中，可预先设定各个段落层级对应的权重值。其中，权重值小对应的标题层级相应高，最大的权重值对应于文档正文。例如在图2的示例中，可将表示一级标题的节点“T：2.算法设计”赋予权重值1，将表示二级标题的节点“T：2.1规则匹配”赋予权重值2，将表示文档正文的节点“C”赋予权重值100。
本申请实施例中，基于预定义规则的规则匹配的方法可包括基于文档正文特征的标题格式限制、标题数字匹配以及关键词匹配中的至少一种。上述几种方法的具体实施方式如下：
1)基于文档正文特征的标题格式限制
在一种实施方式中，预定义规则中的段落特征包括文档正文特征。文档正文特征可包括：段落文本中包含预定标点、预定段落长度阈值、段落文本中包含的预定字符、段落文本中不包含除数字之外的字符等。
在一种实施方式中，图1中的步骤S114：在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级，具体可包括：在待处理文档中的当前段落与文档正文特征匹配成功的情况下，将当前段落的段落层级确定为文档正文。
通常情况下，文档的标题段落有着特殊的标题格式限制条件。例如标题不含标点符号、标题内容有着长度限制、特殊字符例如“公式”不会出现在标题中。基于以上特点，可根据上述标题格式限制条件针对待处理的当前段落内容进行检查。如果符合上述标题格式限制条件，则将该段落识别为非标题段落，即文档正文，并赋予权重为100。在一个示例中，标题格式限制条件具体如表1所示。
表1、标题格式限制条件
本申请实施例可将具有明显的文档正文特征的段落识别为文档正文，在准确识别的基础上，可在后续构建的文档标题树中明确显示文档结构。
2)标题数字匹配
在一种实施方式中，预定义规则中的段落特征包括文档标题的标题内容之前的数字符号的格式；
图1中的步骤S114：在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级，具体可包括：
在识别到文档标题的标题内容之前包括数字符号的情况下，基于样本文档获得由各个标题层级组成的标题层级集合，并获得各个标题层级对应的数字符号的格式的正则表达式；
将当前段落中的标题内容之前的数字符号的格式与各个标题层级对应的正则表达式相匹配，根据匹配结果确定当前段落的标题层级。
在这种实施方式中，可采用标题内容之前的数字符号的格式来确定标题级别。例如，可预先收集各种场景中使用的样本文档。然后抽取出样本文档中的以数字开头的多个标题段落，并从多个标题段落中获得各种不同的数字符号的格式。详见下表2中的“第一章”、“(1.1)”等，即为数字符号的格式的示例。
进一步地，可将从样本文档中获得的各种不同的数字符号的格式用正则表达式表示出来，参见表2所示。不同的数字符号的格式代表不同的标题层级，而不同的标题层级又对应于不同的权重值，因此可得到各个正则表达式对应的权重值。表2中的第三列示出了各个数字符号的格式对应的权重值。例如，“第一章”较大概率为一级标题，对应的标题权重值为1；“(1.1)”较大概率为二级标题，对应的标题权重值为5。表2是预先使用样本文档总结得到的通用性表格。在表2中示出了对不同的数字符号的格式赋予不同的权重。其中，权重越小，表示其对应的标题层级越高。
表2、标题数字匹配表
在以上表格数据的基础上可通过正则匹配的方式，在识别到文档标题的标题内容之前包括数字符号的情况下，将当前段落中的标题内容之前的数字符号的格式与各个标题层级对应的正则表达式相匹配。如果当前段落满足以上的正则匹配条件，则输出标题权重值，程序结束识别。
本申请实施例通过数字符号的格式的正则表达式可准确识别各个段落的标题层级，即可以利用以上方法总结通用的标题数字匹配表，还可以针对特定场景总结出适用于个性应用的表格，该方式可操作性强、准确率高。
3)关键词匹配
在一种实施方式中，预定义规则中的段落特征包括关键词集合；关键词集合包括黑名单和白名单，黑名单中包括文档标题中包括的关键词，白名单中包括文档标题中不包括的关键词；
在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级，包括：
将当前段落的文本与关键词集合相匹配；
在当前段落的文本与白名单匹配成功的情况下，将当前段落的段落层级确定为预先设定的对应于白名单的标题层级；
在当前段落的文本与黑名单匹配成功的情况下，将当前段落的段落层级确定为文档正文。
文档标题内容代表整个子章节的中心思想，通过特定的关键词可以判断出是否为文档标题。例如，包含“基本信息”、“背景介绍”和“方法介绍”等关键词的段落有较大概率是文档标题。本申请实施例中，可预定义白名单和黑名单，用于对段落内容进行判断，见表3所示。在表3的第三列中还示出了白名单和黑名单对应的权重值。其中，在当前段落的文本与黑名单匹配成功的情况下，将当前段落的段落层级确定为文档正文，将可将当前段落的对应的权重值设置为100。在当前段落的文本与的白名单匹配成功的情况下，将当前段落的段落层级确定为文档标题。在一种实施方式中，将可将与白名单匹配成功的文档段落的对应的权重值全部设置为第一预定数值，例如该数值可以是2。
表3、关键词匹配表
名单 描述 权重
白名单 标题关键词，例如“基本信息”等 2
黑名单 不可能作为标题的词，例如“了”、“在此之前”等 100
本申请实施例中，名单可根据实际需求自由适配，且根据需求随时进行扩展和更新，该方式可根据场景和需求灵活运用，扩展性好。
如前述，本申请实施例中，基于预定义规则的规则匹配的方法可包括基于文档正文特征的标题格式限制、标题数字匹配以及关键词匹配中的至少一种。在一个示例中，可将上述几种基于预定义规则的规则匹配的方法结合起来，以进一步提升标题识别的准确性。图3是根据本申请一实施例的文档标题树的构建方法的段落层级识别流程图。如图3所示，可首先利用基于文档正文特征的标题格式限制的方式对文档段落进行识别，在识别有结果的情况下将该文档段落确定为文档正文并输出权重。在上述识别无结果的情况下利用标题数字匹配的方式对文档段落进行识别，在识别有结果的情况下将该文档段落确定为文档标题并输出对应的权重。在上述识别无结果的情况下利用关键词匹配的方式对文档段落进行识别，在识别有结果的情况下将该文档段落确定为文档正文或文档标题，并输出对应的权重。在上述识别无结果的情况下利用机器学习模型对文档段落进行识别，最终输出该文档段落对应的权重。本申请实施例针对文档段落标题的特征，从预定义规则和机器学习模型多角度识别段落角色，可保证识别的准确性。
图4是根据本申请一实施例的文档标题树的构建方法的利用机器学习模型确定段落层级的流程图。参见图1和图4，步骤S116中的在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级，具体可包括：
步骤S310，从当前段落中提取词向量序列特征和词性序列特征；
步骤S320，将词向量序列特征和词性序列特征输入机器学习模型；
步骤S330，利用机器学习模型输出待处理文档中各个段落的段落层级。
在一个示例中，可利用机器学习模型针对当前段落做二分类判断，即判断当前段落是否为文档标题。
由于文档标题文本通常在内容上体现为总结性的语句，一方面，可采用词向量序列作为特征，用于提取语义信息。其中，词向量是一种把词处理成向量的技术，并且保证向量间的相对相似度和语义相似度是相关的。词向量是将词映射到一个语义空间而得到的向量。另一方面，文档标题文本在词性上也有对应的特点，通常为名词和名动词的结合，例如“经验总结”、“规律概括”等。因此可同时添加词性序列作为机器学习模型的输入特征，使得机器学习模型能够利用词向量序列特征和词性序列特征进行学习。
在步骤S310中，对待输入机器学习模型的当前段落进行分词处理，得到当前段落的词向量序列特征和词性序列特征。在步骤S320中将上述特征输入机器学习模型。在一个示例中，可利用LSTM模型判断待处理文档中各个段落的段落层级。LSTM模型的判断公式如下：
y＝LSTM(x_emb,x_pos)
其中，x_emb表示分词后的词向量序列特征，x_pos表示分词后的词性序列特征，y表示最终得到输出结果。其中，当y为1时，代表预测结果为：当前段落是文档标题。在一种实施方式中，将可被LSTM模型识别为标题的文档段落的对应的权重值全部设置为第二预定数值，例如该数值可以是7。当y为0时，代表预测结果为：当前段落不是文档标题，赋予权重值100。
本申请实施例采用的机器学习模型在处理序列特征相关的问题上有着天然的优势，采用机器学习模型学习词向量序列特征和词性序列特征，得到收敛的模型用于预测，可得到理想的预测效果。
在一种实施方式中，图1中的步骤S120：基于各个段落的段落层级，构建待处理文档的文档标题树，包括：
创建文档标题树的根节点，并将根节点对应的段落层级赋值为最高层级；
根据待处理文档中各个段落的段落层级将各个段落对应的段落节点添加到文档标题树中。
如前述，文档标题树中的根节点代表文档本身。可首先创建根节点，并将根节点对应的段落层级赋值为最高层级，对应地将根节点赋予最小的权重值。例如可将根节点赋予权重值0。然后将待处理文档中各个段落对应的段落节点添加到文档标题树中。在前述步骤中已经识别出待处理文档中各个段落的段落层级，且可得到各个段落对应的权重值。可根据权重值将各个段落对应的段落节点添加到文档标题树中，构建一颗排序树。在排序树中根节点的权重值最小，根节点的子节点是一级标题对应的节点，一级标题对应的节点的子节点是二级标题对应的节点，依次类推，直到最底层的叶子节点对应于文档正文。
本申请实施例能够获取具有层次结构的文档标题树，适用于多种非结构化文档，例如word文档、txt文档和html文档等。利用生成的标题树能够有效地挖掘文档中所蕴含的信息，是排版格式检查、文档分类、结构化检索和文档理解等诸多应用的基础。
图5是根据本申请一实施例的文档标题树的构建方法的文档标题树构建的流程图。如图5所示，在一种实施方式中，根据待处理文档中各个段落的段落层级将各个段落对应的段落节点添加到文档标题树中，可包括：
步骤S510：将待处理文档中的第一个段落作为当前段落，将根节点作为文档标题树的最后一个节点；
步骤S520：将当前段落的段落层级与最后一个节点的段落层级相比较；
步骤S530：根据比较的结果将当前段落对应的段落节点添加到文档标题树中；
步骤S540：将当前段落的下一个段落作为新的当前段落，将当前段落对应的段落节点作为新的最后一个节点；
步骤S550：针对新的当前段落和新的最后一个节点，重复执行将当前段落的段落层级与最后一个节点的段落层级相比较、以及根据比较的结果将当前段落对应的段落节点添加到文档标题树中的步骤。
本申请实施例利用循环结构构建具有层次结构的文档标题树，构建后的文档标题树能够清晰地描述文档段落之间的层次嵌套关系，使整篇文档结构化，克服了非结构化文档难以进行处理和信息挖掘的问题。
在一种实施方式中，步骤S530：根据比较的结果将当前段落对应的段落节点添加到文档标题树中，具体可包括：
在当前段落的段落层级高于最后一个节点的段落层级的情况下，将最后一个节点的父节点作为新的最后一个节点，重复执行将当前段落的段落层级与最后一个节点的段落层级相比较的步骤；
在当前段落的段落层级低于最后一个节点的段落层级的情况下，将当前段落对应的段落节点作为最后一个节点的子节点。
本申请实施例通过逐层比较将当前段落对应的段落节点***到文档标题树中，最终构建成为一颗排序有序的文档标题树，为后续进行的文档检查、文档检索、文档理解和信息挖掘等应用提供了可靠的基础。
本申请实施例中，为了获取文档标题树的层次关系，通过比较当前段落的文档标题对应的权重来确定节点合入文档标题树中位置。一个示例性的构建过程如下：
1)新建文档根节点，并赋予权重为0。
2)遍历文档段落集合，判断输入的当前段落对应的权重，根据该权重新建当前段落对应的节点。
3)比较文档标题树最后一个节点和当前段落节点的权重大小。其中，在初始状态下将待处理文档中的第一个段落作为当前段落，将根节点作为文档标题树的最后一个节点。在以下的每一次循环中可以重新确定当前段落和最后一个节点。
具体比较方法如下：如果当前段落节点的权重小于文档标题树的最后一个节点的权重，这种情况下当前段落的段落层级高于最后一个节点的段落层级。则将最后一个节点的父节点作为新的最后一个节点，继续比较最后一个节点的父节点的权重和当前段落节点的权重，依次类推，直到最后一个节点的权重小于当前段落节点的权重为止。根据比较结果，将当前段落节点合入到文档标题树中。
图6是根据本申请一实施例的文档标题树的构建方法的文档标题树合并示意图。如图6所示，当前标题树中，“root:0”代表根节点；“node1:1”代表node1节点的权重为1；“node3:1”代表node3节点的权重为1；“node2:100”代表node2节点的权重为100；“node4:100”代表node4节点的权重为100。假设当前需要合入的段落节点node5的权重为3，在node5之前最后一个合入文档标题的节点是node4。则首先比较文档标题树的最后一个节点node4和node5的权重，因为node4权重100大于node5的权重3，继续比较node4的父节点node3和node5的权重。由于node3的权重小于node5的权重，比较结束。将node5合入树中，即node5的父节点指向node3，node3添加子节点node5。
4)判断文档段落集合中的所有段落是否合入完毕，若所有段落合入完毕则程序结束，否则重复执行步骤2)和步骤3)。
图7是根据本申请一实施例的文档标题树的构建方法的流程图。如图7所示，将待处理的word文档拆分成段落集合，首先利用预定义规则的规则匹配的方法进行段落识别。其中，规则匹配包括标题格式限制、标题数据匹配和关键词匹配。若规则匹配不成功，则通过模型判断的方法进行段落识别。例如具体可使用LTSM模型，通过学习词性特征和词向量特征识别段落。若规则匹配成功，则段落内容合入文档标题树，具体步骤可包括创建根节点、节点标题级别比较和关联父节点。在段落集合全部合入的情况下文档标题树构建完成。以上过程的具体方法及实现方式如前文所述，在此不再赘述。
图8是根据本申请一实施例的文档标题树的构建装置的示意图。如图8所示，本申请实施例的文档标题树的构建装置包括：
匹配单元100，用于：根据预定义规则将待处理文档中各个段落的文本特征与预定义规则中的段落特征进行规则匹配；
第一确定单元200，用于：在规则匹配成功的情况下，根据规则匹配的结果确定待处理文档中各个段落的段落层级；
第二确定单元300，用于：在规则匹配失败的情况下，利用机器学习模型确定待处理文档中各个段落的段落层级；
构建单元400，用于：基于各个段落的段落层级，构建待处理文档的文档标题树。
在一种实施方式中，所述机器学习模型包括长短期记忆网络模型；所述第二确定单元300用于：
从当前段落中提取词向量序列特征和词性序列特征；
将词向量序列特征和词性序列特征输入机器学习模型；
利用机器学习模型输出待处理文档中各个段落的段落层级。
在一种实施方式中，预定义规则中的段落特征包括文档正文特征；
第一确定单元200用于：在待处理文档中的当前段落与文档正文特征匹配成功的情况下，将当前段落的段落层级确定为文档正文。
在一种实施方式中，预定义规则中的段落特征包括文档标题的标题内容之前的数字符号的格式；
第一确定单元200用于：
在识别到文档标题的标题内容之前包括数字符号的情况下，基于样本文档获得由各个标题层级组成的标题层级集合，并获得各个标题层级对应的数字符号的格式的正则表达式；
将当前段落中的标题内容之前的数字符号的格式与各个标题层级对应的正则表达式相匹配，根据匹配结果确定当前段落的标题层级。
在一种实施方式中，预定义规则中的段落特征包括关键词集合；关键词集合包括黑名单和白名单，黑名单中包括文档标题中包括的关键词，白名单中包括文档标题中不包括的关键词；
第一确定单元200用于：
将当前段落的文本与关键词集合相匹配；
在当前段落的文本与白名单匹配成功的情况下，将当前段落的段落层级确定为预先设定的对应于白名单的标题层级；
在当前段落的文本与黑名单匹配成功的情况下，将当前段落的段落层级确定为文档正文。
图9是根据本申请另一实施例的文档标题树的构建装置的构建单元的示意图。如图9所示，在一种实施方式中，构建单元400包括：
创建子单元410，用于：创建文档标题树的根节点，并将根节点对应的段落层级赋值为最高层级；
添加子单元420，用于：根据待处理文档中各个段落的段落层级将各个段落对应的段落节点添加到文档标题树中。
在一种实施方式中，添加子单元420用于：
将待处理文档中的第一个段落作为当前段落，将根节点作为文档标题树的最后一个节点；
将当前段落的段落层级与最后一个节点的段落层级相比较；
根据比较的结果将当前段落对应的段落节点添加到文档标题树中；
将当前段落的下一个段落作为新的当前段落，将当前段落对应的段落节点作为新的最后一个节点；
针对新的当前段落和新的最后一个节点，重复执行将当前段落的段落层级与最后一个节点的段落层级相比较、以及根据比较的结果将当前段落对应的段落节点添加到文档标题树中的步骤。
在一种实施方式中，添加子单元420用于：
在当前段落的段落层级高于最后一个节点的段落层级的情况下，将最后一个节点的父节点作为新的最后一个节点，重复执行将当前段落的段落层级与最后一个节点的段落层级相比较的步骤；
在当前段落的段落层级低于最后一个节点的段落层级的情况下，将当前段落对应的段落节点作为最后一个节点的子节点。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图10所示，是根据本申请实施例的文档标题树的构建方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图10中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的文档标题树的构建方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文档标题树的构建方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文档标题树的构建方法对应的程序指令/模块(例如，附图8所示的匹配单元100、第一确定单元200、第二确定单元300和构建单元400以及图9所示的创建子单元410和添加子单元420)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文档标题树的构建方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据文档标题树的构建的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至文档标题树的构建的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文档标题树的构建方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与文档标题树的构建的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例适用于多种非结构化文档的标题识别和文档标题树的构建，基于预定义规则以及机器学习模型相结合的方式具有较强的容错能力，使识别结果更加准确。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种文档标题树的构建方法，其特征在于，包括：
根据预定义规则将待处理文档中各个段落的文本特征与所述预定义规则中的段落特征进行规则匹配；
在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级；
在规则匹配失败的情况下，利用机器学习模型确定所述待处理文档中各个段落的段落层级；
基于所述各个段落的段落层级，构建所述待处理文档的文档标题树；
所述预定义规则中的段落特征包括文档正文特征，文档标题的标题内容之前的数字符号的格式和关键词集合；所述关键词集合包括黑名单和白名单，所述白名单中包括文档标题中包括的关键词，所述黑名单中包括文档标题中不包括的关键词；
所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：
在利用基于文档正文特征的标题格式限制的方式对文档段落进行识别无结果的情况下，利用标题数字匹配的方式对文档段落进行识别；
在利用标题数字匹配的方式对文档段落进行识别无结果的情况下，利用关键词匹配的方式对文档段落进行识别；
所述利用关键词匹配的方式对文档段落进行识别，包括：
将当前段落的文本与所述关键词集合相匹配；
在所述当前段落的文本与所述白名单匹配成功的情况下，将所述当前段落的段落层级确定为预先设定的对应于白名单的标题层级；
在所述当前段落的文本与所述黑名单匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括长短期记忆网络模型；所述在规则匹配失败的情况下，利用机器学习模型确定所述待处理文档中各个段落的段落层级，包括：
从当前段落中提取词向量序列特征和词性序列特征；
将所述词向量序列特征和所述词性序列特征输入机器学习模型；
利用所述机器学习模型输出所述待处理文档中各个段落的段落层级。
3.根据权利要求1或2所述的方法，其特征在于，所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：在所述待处理文档中的当前段落与所述文档正文特征匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。
4.根据权利要求1-3中任一项所述的方法，其特征在于，
所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：
在识别到所述文档标题的标题内容之前包括数字符号的情况下，基于样本文档获得由各个标题层级组成的标题层级集合，并获得所述各个所述标题层级对应的数字符号的格式的正则表达式；
将当前段落中的标题内容之前的数字符号的格式与各个所述标题层级对应的正则表达式相匹配，根据匹配结果确定当前段落的标题层级。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述基于所述各个段落的段落层级，构建所述待处理文档的文档标题树，包括：
创建文档标题树的根节点，并将所述根节点对应的段落层级赋值为最高层级；
根据所述待处理文档中各个段落的段落层级将所述各个段落对应的段落节点添加到所述文档标题树中。
6.根据权利要求5所述的方法，其特征在于，所述根据所述待处理文档中各个段落的段落层级将所述各个段落对应的段落节点添加到所述文档标题树中，包括：
将待处理文档中的第一个段落作为当前段落，将所述根节点作为所述文档标题树的最后一个节点；
将所述当前段落的段落层级与所述最后一个节点的段落层级相比较；
根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中；
将所述当前段落的下一个段落作为新的当前段落，将所述当前段落对应的段落节点作为新的最后一个节点；
针对所述新的当前段落和所述新的最后一个节点，重复执行所述将所述当前段落的段落层级与所述最后一个节点的段落层级相比较、以及所述根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中的步骤。
7.根据权利要求6所述的方法，其特征在于，所述根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中，包括：
在所述当前段落的段落层级高于所述最后一个节点的段落层级的情况下，将所述最后一个节点的父节点作为新的最后一个节点，重复执行所述将所述当前段落的段落层级与所述最后一个节点的段落层级相比较的步骤；
在所述当前段落的段落层级低于所述最后一个节点的段落层级的情况下，将所述当前段落对应的段落节点作为所述最后一个节点的子节点。
8.一种文档标题树的构建装置，其特征在于，包括：
匹配单元，用于：根据预定义规则将待处理文档中各个段落的文本特征与所述预定义规则中的段落特征进行规则匹配；
第一确定单元，用于：在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级；
第二确定单元，用于：在规则匹配失败的情况下，利用机器学习模型确定所述待处理文档中各个段落的段落层级；
构建单元，用于：基于所述各个段落的段落层级，构建所述待处理文档的文档标题树；
所述预定义规则中的段落特征包括文档正文特征，文档标题的标题内容之前的数字符号的格式和关键词集合；所述关键词集合包括黑名单和白名单，所述白名单中包括文档标题中包括的关键词，所述黑名单中包括文档标题中不包括的关键词；
所述第一确定单元用于：
在利用基于文档正文特征的标题格式限制的方式对文档段落进行识别无结果的情况下，利用标题数字匹配的方式对文档段落进行识别；
在利用标题数字匹配的方式对文档段落进行识别无结果的情况下，利用关键词匹配的方式对文档段落进行识别；
所述利用关键词匹配的方式对文档段落进行识别，包括：
将当前段落的文本与所述关键词集合相匹配；
在所述当前段落的文本与所述白名单匹配成功的情况下，将所述当前段落的段落层级确定为预先设定的对应于白名单的标题层级；
在所述当前段落的文本与所述黑名单匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。
9.根据权利要求8所述的装置，其特征在于，所述机器学习模型包括长短期记忆网络模型；所述第二确定单元用于：
从当前段落中提取词向量序列特征和词性序列特征；
将所述词向量序列特征和所述词性序列特征输入机器学习模型；
利用所述机器学习模型输出所述待处理文档中各个段落的段落层级。
10.根据权利要求8或9所述的装置，其特征在于，所述第一确定单元用于：在所述待处理文档中的当前段落与所述文档正文特征匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。
11.根据权利要求8-10中任一项所述的装置，其特征在于，所述第一确定单元用于：
在识别到所述文档标题的标题内容之前包括数字符号的情况下，基于样本文档获得由各个标题层级组成的标题层级集合，并获得所述各个所述标题层级对应的数字符号的格式的正则表达式；
将当前段落中的标题内容之前的数字符号的格式与各个所述标题层级对应的正则表达式相匹配，根据匹配结果确定当前段落的标题层级。
12.根据权利要求8-11中任一项所述的装置，其特征在于，所述构建单元包括：
创建子单元，用于：创建文档标题树的根节点，并将所述根节点对应的段落层级赋值为最高层级；
添加子单元，用于：根据所述待处理文档中各个段落的段落层级将所述各个段落对应的段落节点添加到所述文档标题树中。
13.根据权利要求12所述的装置，其特征在于，所述添加子单元用于：
将待处理文档中的第一个段落作为当前段落，将所述根节点作为所述文档标题树的最后一个节点；
将所述当前段落的段落层级与所述最后一个节点的段落层级相比较；
根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中；
将所述当前段落的下一个段落作为新的当前段落，将所述当前段落对应的段落节点作为新的最后一个节点；
针对所述新的当前段落和所述新的最后一个节点，重复执行所述将所述当前段落的段落层级与所述最后一个节点的段落层级相比较、以及所述根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中的步骤。
14.根据权利要求13所述的装置，其特征在于，所述添加子单元用于：
在所述当前段落的段落层级高于所述最后一个节点的段落层级的情况下，将所述最后一个节点的父节点作为新的最后一个节点，重复执行所述将所述当前段落的段落层级与所述最后一个节点的段落层级相比较的步骤；
在所述当前段落的段落层级低于所述最后一个节点的段落层级的情况下，将所述当前段落对应的段落节点作为所述最后一个节点的子节点。
15.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202010247461.4A 2020-03-31 2020-03-31 文档标题树的构建方法、装置、电子设备及存储介质 Active CN111460083B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010247461.4A CN111460083B (zh) 2020-03-31 2020-03-31 文档标题树的构建方法、装置、电子设备及存储介质
US17/023,721 US20210303772A1 (en) 2020-03-31 2020-09-17 Method and Apparatus for Constructing Document Heading Tree, Electronic Device and Storage Medium
EP21164267.3A EP3889823A1 (en) 2020-03-31 2021-03-23 Method and apparatus for constructing document heading tree, electronic device and storage medium
KR1020210038357A KR102509836B1 (ko) 2020-03-31 2021-03-24 문서 타이틀 트리의 구축 방법, 장치, 전자기기, 저장매체 및 컴퓨터 프로그램
JP2021049630A JP7169389B2 (ja) 2020-03-31 2021-03-24 文書タイトルツリーの構築方法、装置、電子設備、記憶媒体、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010247461.4A CN111460083B (zh) 2020-03-31 2020-03-31 文档标题树的构建方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111460083A CN111460083A (zh) 2020-07-28
CN111460083B true CN111460083B (zh) 2023-07-25

Family

ID=71681599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010247461.4A Active CN111460083B (zh) 2020-03-31 2020-03-31 文档标题树的构建方法、装置、电子设备及存储介质

Country Status (5)

Country Link
US (1) US20210303772A1 (zh)
EP (1) EP3889823A1 (zh)
JP (1) JP7169389B2 (zh)
KR (1) KR102509836B1 (zh)
CN (1) CN111460083B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111984589A (zh) * 2020-08-14 2020-11-24 维沃移动通信有限公司 文档处理方法、文档处理装置和电子设备
CN112507666B (zh) * 2020-12-21 2023-07-11 北京百度网讯科技有限公司 文档转换方法、装置、电子设备及存储介质
CN113568901B (zh) * 2021-01-29 2024-04-19 腾讯科技（深圳）有限公司 一种数据处理方法、装置及存储介质
CN112818687B (zh) * 2021-03-25 2022-07-08 杭州数澜科技有限公司 一种用于构建标题识别模型的方法、装置、电子设备以及存储介质
CN112908487B (zh) * 2021-04-19 2023-09-22 中国医学科学院医学信息研究所 一种临床指南更新内容的自动识别方法及***
CN113361256A (zh) * 2021-06-24 2021-09-07 上海真虹信息科技有限公司 一种基于Aspose技术的Word文档快速解析方法
CN113378539B (zh) * 2021-06-29 2023-02-14 华南理工大学 一种面向标准文档编写的模板推荐方法
CN113723078A (zh) * 2021-09-07 2021-11-30 杭州叙简科技股份有限公司 一种文本逻辑信息结构化方法、装置及电子设备
CN113779235B (zh) * 2021-09-13 2024-02-02 北京市律典通科技有限公司 一种Word文档大纲识别处理方法及装置
KR102601932B1 (ko) * 2021-11-08 2023-11-14 (주)사람인 핑거프린트와 머신러닝을 활용한 기업별 문서의 데이터 추출 시스템 및 방법
CN115438628B (zh) * 2022-11-08 2023-03-17 宏景科技股份有限公司 结构化文档协作管理方法、***及文档结构
CN117763206B (zh) * 2024-02-20 2024-06-11 暗物智能科技(广州)有限公司 知识树的生成方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391650A (zh) * 2017-07-14 2017-11-24 北京神州泰岳软件股份有限公司 一种文档的结构化拆分方法，装置及***

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5289375A (en) * 1990-01-22 1994-02-22 Sharp Kabushiki Kaisha Translation machine
JP2680540B2 (ja) * 1994-05-09 1997-11-19 株式会社東芝 文書レイアウト方法
US6298357B1 (en) * 1997-06-03 2001-10-02 Adobe Systems Incorporated Structure extraction on electronic documents
US7493253B1 (en) * 2002-07-12 2009-02-17 Language And Computing, Inc. Conceptual world representation natural language understanding system and method
JP2007164705A (ja) * 2005-12-16 2007-06-28 S Ten Nine Kyoto:Kk 電子化文書の変換方法及びプログラム
US20080221892A1 (en) * 2007-03-06 2008-09-11 Paco Xander Nathan Systems and methods for an autonomous avatar driver
US8521512B2 (en) * 2008-04-30 2013-08-27 Deep Sky Concepts, Inc Systems and methods for natural language communication with a computer
US8180629B2 (en) * 2008-07-10 2012-05-15 Trigent Softward Ltd. Automatic pattern generation in natural language processing
CN102541948A (zh) * 2010-12-23 2012-07-04 北大方正集团有限公司 用于提取文档结构的方法和装置
US9361049B2 (en) * 2011-11-01 2016-06-07 Xerox Corporation Systems and methods for appearance-intent-directed document format conversion for mobile printing
US9262404B2 (en) * 2012-01-12 2016-02-16 Accenture Global Services Limited System for generating test scenarios and test conditions and expected results
US8577671B1 (en) * 2012-07-20 2013-11-05 Veveo, Inc. Method of and system for using conversation state information in a conversational interaction system
US20140297264A1 (en) * 2012-11-19 2014-10-02 University of Washington through it Center for Commercialization Open language learning for information extraction
US9880997B2 (en) * 2014-07-23 2018-01-30 Accenture Global Services Limited Inferring type classifications from natural language text
US10169453B2 (en) * 2016-03-28 2019-01-01 Microsoft Technology Licensing, Llc Automatic document summarization using search engine intelligence
CN106776495B (zh) * 2016-11-23 2020-06-09 北京信息科技大学 一种文档逻辑结构重建方法
US10783262B2 (en) * 2017-02-03 2020-09-22 Adobe Inc. Tagging documents with security policies
US11550835B2 (en) * 2017-06-16 2023-01-10 Elsevier, Inc. Systems and methods for automatically generating content summaries for topics
US10783314B2 (en) * 2018-06-29 2020-09-22 Adobe Inc. Emphasizing key points in a speech file and structuring an associated transcription
JP7200530B2 (ja) * 2018-08-06 2023-01-10 コニカミノルタ株式会社 情報処理装置および情報処理プログラム
CN109992761A (zh) * 2019-03-22 2019-07-09 武汉工程大学 一种基于规则的自适应文本信息提取方法及软件存储器
CN110427614B (zh) * 2019-07-16 2023-08-08 深圳追一科技有限公司 段落层级的构建方法、装置、电子设备及存储介质
CN110598191B (zh) * 2019-11-18 2020-04-07 江苏联著实业股份有限公司 一种基于神经网络的复杂pdf结构解析方法及装置
CN111274815B (zh) * 2020-01-15 2024-04-12 北京百度网讯科技有限公司 用于挖掘文本中的实体关注点的方法和装置
US11544456B2 (en) * 2020-03-05 2023-01-03 Adobe Inc. Interpretable label-attentive encoder-decoder parser

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391650A (zh) * 2017-07-14 2017-11-24 北京神州泰岳软件股份有限公司 一种文档的结构化拆分方法，装置及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于有向图的流式文档逻辑结构重构方法;赵林;李宁;彭欣;;计算机工程与设计(第05期);全文 *

Also Published As

Publication number Publication date
CN111460083A (zh) 2020-07-28
EP3889823A1 (en) 2021-10-06
US20210303772A1 (en) 2021-09-30
KR20210040862A (ko) 2021-04-14
KR102509836B1 (ko) 2023-03-14
JP2021108153A (ja) 2021-07-29
JP7169389B2 (ja) 2022-11-10

Similar Documents

Publication Publication Date Title
CN111460083B (zh) 文档标题树的构建方法、装置、电子设备及存储介质
KR102448129B1 (ko) 엔티티 연결 방법, 장치, 기기 및 저장 매체
CN111967262B (zh) 实体标签的确定方法和装置
CN110717327B (zh) 标题生成方法、装置、电子设备和存储介质
EP3851975A1 (en) Method and apparatus for generating text topics, and electronic device
AU2017408800B2 (en) Method and system of mining information, electronic device and readable storable medium
JP7108675B2 (ja) 意味マッチング方法、装置、電子機器、記憶媒体及びコンピュータプログラム
CN111488740B (zh) 一种因果关系的判别方法、装置、电子设备及存储介质
CN111797216B (zh) 检索项改写方法、装置、设备以及存储介质
CN111563385A (zh) 语义处理方法、装置、电子设备和介质
CN111126061B (zh) 对联信息生成方法和装置
CN111858905B (zh) 模型训练方法、信息识别方法、装置、电子设备及存储介质
US20210216710A1 (en) Method and apparatus for performing word segmentation on text, device, and medium
CN111984774B (zh) 搜索方法、装置、设备以及存储介质
CN111400456B (zh) 资讯推荐方法及装置
CN114444462B (zh) 模型训练方法及人机交互方法、装置
CN111291192A (zh) 知识图谱中三元组置信度计算方法和装置
CN112560425B (zh) 模板生成方法、装置、电子设备及存储介质
CN113919424A (zh) 文本处理模型的训练、文本处理方法、装置、设备和介质
CN111125445A (zh) 社区主题生成方法、装置、电子设备及存储介质
CN110930979B (zh) 一种语音识别模型训练方法、装置以及电子设备
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN114201957A (zh) 文本情感分析方法、装置及计算机可读存储介质
CN112926297A (zh) 处理信息的方法、装置、设备和存储介质
CN112182409B (zh) 数据处理方法、装置、设备及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant