[發明專利]目標對象文本段落劃分方法

在審

• 申請號: 202210182322.7
• 申請日: 2022-02-25
• 公開（公告）號: CN114564913A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 何松山;陳德全
• 申請（專利權）人: 盟浪可持續數字科技（深圳）有限責任公司
• 主分類號: G06F40/103
• 分類號: G06F40/103;G06F40/205;G06F40/289
• 代理公司: 深圳市博太聯眾專利代理事務所(特殊普通合伙) 44354
• 代理人: 任轉英

本發明公開了目標對象文本段落劃分方法，首先是從目標文本中提取關鍵詞，將文本中的一些無關的廢棄詞，和從若干個其他不相關領域中總結出來的通用型詞語，將其取出掉之后；按照相關規則，計算各個分散語句之間的相關性，計算完之后根據相關性首先進行大段劃分，得到若干個劃分大段，之后從大段內根據相關規則劃分小段，得到若干個劃分小段；最后自動進行文本格式整理，便于直觀瀏覽，完成目標文本的段落劃分。

技術領域

本發明涉及文本段落劃分技術領域，具體涉及目標對象文本段落劃分方法。

背景技術

公開號為CN110674635A的專利公開了一種用于文本段落劃分的方法和裝置。該方法的一具體實施方式包括：計算各自然段之間的相似度數值，然后計算所述相似度數值的平均值，再基于門檻值進行大段落劃分；對所述大段落分別進行詞語特征值計算，并計算所述大段落中特征值最大的n 個共同詞的熵；基于所述相似度數值的平均值進行門檻值滑動，通過不同的門檻值分別計算所述共同詞的熵，取所述熵最小的劃分結果為最優劃分。該實施方式有利于提高段落相似性的門檻值確定的準確性，從而提高文本段落劃分的準確性。

同樣公開號為CN101876967A的專利也公開了一種PDF文本段落生成的方法，該方法包括：A.識別并提取PDF文本的文字塊；B.剔除不同層中重復的文字塊，并且確定文本行，所確定的文本行組成文本行集合；C. 將文本行集合進行水平方向劃分，得到一個或多個第一文本；然后對第一文本集合中的每個第一文本分別進行垂直方向劃分，分別得到一個或多個第二文本，提取一個或多個第二文本之間的空白區域以組成空白區域集合；D.合并第一文本集合中兩相鄰的第一文本，以得到文本排版行；E. 劃分合并后的文本排版行，以形成文本排版列和文本段落。實施本發明的技術方案，經過該方法處理過的文本結構易生成RTF格式，效果好，且可編輯度高；另外，該方法是自動排版，無需人工干預。

但是上述兩種劃分方式中，缺乏一種合理的大小范圍劃定方式，而且劃定方式中，如何確定關鍵詞，怎么判定屬于大范圍，怎么屬于小范圍，便于瀏覽人員直觀判定，缺乏一種合理方案，基于此，提供一種解決方案。

發明內容

本發明的目的在于提供目標對象文本段落劃分方法；

本發明的目的可以通過以下技術方案實現：

目標對象文本段落劃分方法，

目標對象文本段落劃分方法，該方法具體包括下述步驟：

步驟一：首先進行大段劃分，大段劃分具體方式為：

S01：令i＝1，獲取到H11，自動計算H11和H21之間的均值，也就是以第一個核算段來算，第二個核算段與第一個核算段之間的相似值，然后再以第二個核算段來算，第一個核算段與第二個核算段之間的相似值，計算二者均值，得到相似均值；

S02：若相似均值≤X2，則表示屬于在同一個大段內；X2位預設數值；否則跳轉至步驟S05；

S03：之后獲取到下一個核算段，也就是第三個核算段，獲取到H12 和H31之間的均值，代入到步驟S02的判定過程；

S04：依次獲取下一個核算段，并重復步驟S02的判定；

S05：自動將前面的核算段標記為一個核算大段；

S06：獲取到核算大段后的第一個核算段，按照步驟S01-S05的原理，得到下一個核算大段；

S07：重復步驟S06，得到所有的核算大段；

步驟二：之后進行小段劃分，小段劃分原理具體與大段劃分方式類似，僅將相似均值的判定方式修改為：相似均值≤X3，根據判定將核算大段劃分為一個個小的核算小段；

步驟三：得到若干個劃分大段，若干個劃分大段內包括若干個劃分小段；