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

针对采用机器学习方法识别流式文档结构时语料库稀少、语料标注复杂的问题，该文在研究文档的逻辑结构和编辑语义特征的基础上，确立流式文档逻辑结构标注体系，并提出一种三段式的半自动文档逻辑结构标注方法:第一阶段通过机助人工实现文档元数据的分离式标注，第二阶段自动重建逻辑结构，第三阶段自动填充特征向量。实验结果表明，该文提出的文档逻辑结构标注方法能够节省人工成本、提高机器学习算法对文档结构识别的准确率与召回率，F值达到97.5%。

结构标注；文档结构识别；机器学习

中文研究

3007-9896

20192

人文社科