面向机器学习的流式文档逻辑结构标注方法研究

刘 倩，李 宁，田英爱

(北京信息科技大学 计算机学院，北京 100101)

0 引言

随着电子文档数量日益增加以及传播日益广泛，人们希望计算机能够自动理解文档。计算机对文档的理解包括对文本内容的理解和对文档逻辑结构的理解，两者相辅相成，前者可用于信息抽取，后者可用于数字出版、结构化检索等研究。目前对文本内容的研究较多，对文档结构的研究则多面向版式文档。流式文档的结构理解与版式文档结构理解的目的不同。前者由于其自身可编辑的特点，结构理解的结果可用于文档检查优化、自动排版等目的。后者主要分析正规出版物版面区块的性质和关联顺序，用于版面重组和阅读。由于流式文档格式的复杂性、排版风格的差异性等因素导致计算机自动理解其结构较为困难。

目前基于流式文档排版样式的结构理解成果较少。流式文档中除文本之外，还包含丰富的排版样式(例如，字体、字号、对齐方式等)以及编辑语义(例如编号、大纲级别、段落、题注等)，如果能够充分利用这些信息，文档结构的识别结果会更加准确[1]。这种方法在文本内容特征之上增加了流式文档中特有的编辑对象特征和样式特征等，以辅助判断文档结构，近年取得了较好的效果[2-6]。

文档逻辑结构识别中用得最多的是基于规则的方法，它根据特定类型文档来制定匹配规则，适用范围较为有限[5-7]。此外是基于机器学习的方法，以往主要应用于版式文档结构理解[8-9]，近年来机器学习方法也逐渐应用于流式文档的逻辑结构识别。……