[發(fā)明專利]一種智能提取內(nèi)容對象的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 200910242830.4
• 申請日: 2009-12-17
• 公開（公告）號: CN102122280A
• 公開（公告）日: 2011-07-13
• 發(fā)明（設(shè)計(jì)）人: 余忠華;曹學(xué)軍;閆國龍;繆萍;曾建英
• 申請（專利權(quán)）人: 北大方正集團(tuán)有限公司;北京北大方正電子有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30
• 代理公司: 北京天昊聯(lián)合知識產(chǎn)權(quán)代理有限公司 11112
• 代理人: 陳源;羅建民

技術(shù)領(lǐng)域

本發(fā)明涉及電子文檔數(shù)據(jù)處理領(lǐng)域，尤其涉及一種智能提取文檔中內(nèi)容對象的方法及系統(tǒng)。

背景技術(shù)

隨著IT應(yīng)用的深入普及，各行各業(yè)都積累了大量的信息資源，這些信息資源都以電子文檔數(shù)據(jù)的形式保存。科學(xué)管理和合理開發(fā)這些內(nèi)部和外部信息資源已經(jīng)成為企業(yè)正確決策、增強(qiáng)競爭力的關(guān)鍵。如何有效地從這些信息資源的電子文檔數(shù)據(jù)內(nèi)容中獲取結(jié)構(gòu)化的內(nèi)容，也是許多計(jì)算機(jī)應(yīng)用開發(fā)所需要解決的關(guān)鍵問題。而內(nèi)容結(jié)構(gòu)化過程中必然涉及內(nèi)容對象的提取。比如，目前各個出版單位都有很多的是習(xí)題集、試卷、教輔等書籍，這些資源里面都含有大量的試題，對于出版單位來說希望能夠把這些試題對象入庫，然后可以隨機(jī)抽出一些試題來組成新的試卷或者習(xí)題集用于出版新的書籍或者試卷，甚至可以發(fā)布到網(wǎng)頁，讓用戶在線答題等等。

但是，目前針對內(nèi)容對象的提取主要是依靠人工識別、手工錄入，效率低下，并且容易出錯。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問題，本發(fā)明提供一種智能提取文檔中內(nèi)容對象的方法，以實(shí)現(xiàn)文檔中內(nèi)容對象的智能提取。

為了實(shí)現(xiàn)以上目的，本發(fā)明提供的智能提取內(nèi)容對象的方法包括以下步驟：(1)根據(jù)文檔小樣形成文檔的待提取內(nèi)容對象的結(jié)構(gòu)；(2)為所述內(nèi)容對象結(jié)構(gòu)的每一項(xiàng)建立對應(yīng)的提取規(guī)則；(3)按照提取規(guī)則將待提取文檔形成為按照所述內(nèi)容對象結(jié)構(gòu)表達(dá)的內(nèi)容對象列表。

優(yōu)選地，為了以統(tǒng)一的提取方法處理各類文檔，步驟(1)包括以下步驟：根據(jù)文檔小樣生成包含該小樣的各部分內(nèi)容及其關(guān)鍵屬性的邏輯樹，依據(jù)該邏輯樹中所包含的各部分內(nèi)容及其關(guān)鍵屬性形成待提取內(nèi)容對象的結(jié)構(gòu)及其對應(yīng)的提取規(guī)則。在這種情況下，所述步驟(3)包括以下步驟：根據(jù)文檔生成包含文檔內(nèi)容及其關(guān)鍵屬性的邏輯樹，遍歷該邏輯樹，按照提取規(guī)則將該邏輯樹形成為按照所述內(nèi)容對象結(jié)構(gòu)表達(dá)的內(nèi)容對象列表。

更優(yōu)選地，由用戶自行設(shè)置內(nèi)容對象結(jié)構(gòu)和提取規(guī)則。具體地講，向用戶提供文檔小樣或根據(jù)文檔小樣生成的邏輯樹中所包含的各部分內(nèi)容及其關(guān)鍵屬性，用戶根據(jù)所提供的信息設(shè)置內(nèi)容對象結(jié)構(gòu)及其提取規(guī)則。

相應(yīng)地，本發(fā)明提供一種智能提取內(nèi)容對象的系統(tǒng)，包括：文檔輸入單元，輸入文檔小樣或文檔，并將文檔小樣發(fā)送給結(jié)構(gòu)提取單元，將文檔發(fā)送給對象列表形成單元；結(jié)構(gòu)提取單元，根據(jù)從文檔輸入單元接收的文檔小樣形成文檔的待提取內(nèi)容對象的結(jié)構(gòu)，并為該內(nèi)容對象結(jié)構(gòu)的每一項(xiàng)建立對應(yīng)的提取規(guī)則，并將內(nèi)容對象結(jié)構(gòu)和提取規(guī)則發(fā)送給對象列表形成單元；對象列表形成單元，按照從結(jié)構(gòu)提取單元接收的提取規(guī)則將從文檔輸入單元接收的文檔形成為按照從結(jié)構(gòu)提取單元接收的內(nèi)容對象結(jié)構(gòu)表達(dá)的內(nèi)容對象列表，并將所形成的內(nèi)容對象列表發(fā)送給文檔輸出單元；文檔輸出單元，輸出從對象列表形成單元接收的內(nèi)容對象列表。

優(yōu)選地，該系統(tǒng)還可包括用戶設(shè)置界面。結(jié)構(gòu)提取單元通過用戶設(shè)置界面向用戶提供文檔小樣中所包含的各部分內(nèi)容及其關(guān)鍵屬性，用戶根據(jù)所提供的信息設(shè)置內(nèi)容對象結(jié)構(gòu)及其提取規(guī)則。

本發(fā)明依據(jù)內(nèi)容對象在文檔中的表現(xiàn)形式，設(shè)置一些識別內(nèi)容對象的規(guī)則，然后根據(jù)這些規(guī)則自動提取文檔中的內(nèi)容對象，從而快速準(zhǔn)確地提取任意格式的文檔中的內(nèi)容對象。而且，用戶可通過簡單的操作靈活地設(shè)置內(nèi)容對象結(jié)構(gòu)和提取規(guī)則，從而實(shí)現(xiàn)內(nèi)容對象的個性化提取。

附圖說明

圖1是根據(jù)本發(fā)明的智能提取內(nèi)容對象的方法的流程圖；

圖2是文檔小樣的一個示例；

圖3是對圖2的文檔小樣生成的內(nèi)容對象列表；

圖4是根據(jù)本發(fā)明的智能提取內(nèi)容對象的系統(tǒng)的框圖。

具體實(shí)施方式

以下，將結(jié)合實(shí)施例和附圖對本發(fā)明進(jìn)行詳細(xì)描述。

圖1是根據(jù)本發(fā)明的智能提取內(nèi)容對象的方法的流程圖，參照圖1，該方法包括以下步驟：

步驟S1、分析待提取內(nèi)容對象的特征，形成文檔的待提取內(nèi)容對象的結(jié)構(gòu)，其中，所形成的內(nèi)容對象結(jié)構(gòu)本身以及結(jié)構(gòu)中每一項(xiàng)的關(guān)鍵字可以任意設(shè)定，形成的內(nèi)容對象可以是單層結(jié)構(gòu)，即，只有一項(xiàng)，也可以包含多項(xiàng)，甚至內(nèi)容對象可以嵌套組成任意復(fù)雜的內(nèi)容對象結(jié)構(gòu)；

步驟S2、為內(nèi)容對象結(jié)構(gòu)的每一項(xiàng)建立對應(yīng)的提取規(guī)則，其中，提取規(guī)則的層次結(jié)構(gòu)與內(nèi)容對象結(jié)構(gòu)的層次結(jié)構(gòu)應(yīng)該是一致的；

步驟S3、遍歷文檔，按照提取規(guī)則將待提取文檔形成為按照所述內(nèi)容對象結(jié)構(gòu)表達(dá)的內(nèi)容對象列表。

通過這種方法，可通過根據(jù)小樣獲得的內(nèi)容對象結(jié)構(gòu)和提取規(guī)則快速、準(zhǔn)確、自動地提取文檔中的內(nèi)容對象。