[發(fā)明專利]一種用于構(gòu)建標(biāo)題識別模型的方法、裝置、電子設(shè)備以及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110320998.3
• 申請日: 2021-03-25
• 公開（公告）號: CN112818687B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設(shè)計(jì)）人: 于海燕;江敏
• 申請（專利權(quán)）人: 杭州數(shù)瀾科技有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/205;G06K9/62;G06F16/31
• 代理公司: 北京市聯(lián)德律師事務(wù)所 11361
• 代理人: 黃大正;張來光

1.一種用于構(gòu)建標(biāo)題識別模型的方法，包括：

對樣本文檔進(jìn)行解析，得到所述樣本文檔的多個(gè)文本塊中的每個(gè)文本塊的解析信息，所述解析信息包含不同維度上的特征信息，所述特征信息至少包括文本內(nèi)容；

基于所述多個(gè)文本塊中的每個(gè)文本塊的文本內(nèi)容提取出所述樣本文檔的標(biāo)題文本塊并作為正樣本置入訓(xùn)練集；

將所述樣本文檔中除標(biāo)題文本塊以外的文本塊確定為非標(biāo)題文本塊，并選擇所述樣本文檔的非標(biāo)題文本塊并作為負(fù)樣本置入所述訓(xùn)練集；

針對所述訓(xùn)練集中的任一樣本，基于所述樣本所對應(yīng)的解析信息中的不同維度上的特征信息構(gòu)建所述樣本的特征向量；以及

依據(jù)所述訓(xùn)練集中多個(gè)樣本的特征向量構(gòu)建標(biāo)題識別模型，

其中，所述基于所述樣本所對應(yīng)的解析信息中的不同維度上的特征信息構(gòu)建所述樣本的特征向量，包括：利用預(yù)先設(shè)定的轉(zhuǎn)換規(guī)則將所述樣本所對應(yīng)的解析信息中的不同維度上的特征信息分別轉(zhuǎn)換為數(shù)字表示，并將所得到的各個(gè)數(shù)字表示的集合確定為所述樣本的特征向量，

其中，所述不同維度至少包括索引號維度、文本長度維度、字號維度、字體方向維度、對齊方向維度和段落說明維度中的一項(xiàng)或多項(xiàng)，

并且其中，所述基于所述樣本所對應(yīng)的解析信息中的不同維度上的特征信息構(gòu)建所述樣本的特征向量，包括：

確定所述樣本的索引號，將所述索引號的上一索引號所對應(yīng)的文本塊確定為所述樣本的樣本上文，將所述索引號的下一索引號所對應(yīng)的文本塊確定為所述樣本的樣本下文；

基于所述樣本所對應(yīng)的解析信息中的不同維度上的特征信息，所述樣本上文所對應(yīng)的解析信息中的不同維度上的特征信息，和所述樣本下文所對應(yīng)的解析信息中的不同維度上的特征信息共同構(gòu)建所述樣本的具有上下文特征的特征向量。

2.根據(jù)權(quán)利要求1所述的方法，所述樣本文檔是indd格式的文件。

3.根據(jù)權(quán)利要求2所述的方法，所述對樣本文檔進(jìn)行解析，包括：

調(diào)用InDesignServer服務(wù)，將所述indd格式的文件轉(zhuǎn)換為idml文件；

提取出idml文件中的xml文件，解析出所述xml文件中所包含的信息并存入數(shù)據(jù)庫。

4.根據(jù)權(quán)利要求1所述的方法，所述基于所述多個(gè)文本塊中的每個(gè)文本塊所述的文本內(nèi)容提取出所述樣本文檔的標(biāo)題文本塊，包括：

利用相似度分析算法對比所述多個(gè)文本塊中的每個(gè)文本塊中的文本內(nèi)容與人工提供的標(biāo)題內(nèi)容的相似度；

在相似度大于預(yù)定閾值時(shí)，將對應(yīng)的文本塊確定為所述樣本文檔的標(biāo)題文本塊。

5.一種使用權(quán)利要求1所構(gòu)建的標(biāo)題識別模型來識別標(biāo)題的方法，包括：

對待識別文檔進(jìn)行解析，得到所述待識別文檔中的多個(gè)文本塊中的每個(gè)文本塊的解析信息，所述解析信息包含不同維度上的特征信息，所述特征信息至少包括文本內(nèi)容；

使用所述多個(gè)文本塊中每個(gè)文本塊所對應(yīng)的解析信息中的不同維度上的特征信息構(gòu)建對應(yīng)文本塊的特征向量；

依據(jù)所述標(biāo)題識別模型對所述多個(gè)文本塊中每個(gè)文本塊的特征向量進(jìn)行預(yù)測，以在所述多個(gè)文本塊中確定出標(biāo)題文本塊。

6.根據(jù)權(quán)利要求5所述的方法，所述在所述多個(gè)文本塊中確定出標(biāo)題文本塊后，還包括：

確定出所述待識別文檔的全部標(biāo)題文本塊，根據(jù)標(biāo)題文本塊的索引號將標(biāo)題文本塊中的標(biāo)題內(nèi)容進(jìn)行拼接。