近年来,流式文档广泛地应用在社交、媒体、办公以及出版等领域。面对海量的流式文档,如何使计算机自动、准确地理解文档成为了各行各业开展其他应用研究的基础。其中对流式文档结构的理解,一方面可为文档检查优化、文档自动排版、结构化检索等应用奠定基础,另一方面也可辅助篇章层次分析、文章主题抽取等更高层次的语义研究,有较大的应用价值。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。传统的基于规则的文档结构理解技术已较为成熟,但使用规则匹配文档结构时,存在制定规则费时费力、方法可移植性差的问题。基于机器学习的文档逻辑结构识别方法有较好的通用性与扩展性,然而流式文档格式复杂、标注困难、过去积累的成果较少,导致机器学习方法用于流式文档结构理解面临着标注成本过高、语料库稀缺的问题。本文针对上述问题,研究面向结构理解的流式文档语料库构建理论与方法,包括流式文档逻辑结构标注体系的确立与标注方法的研究、流式文档逻辑结构语料库的构建与评价方法等关键问题,研究内容和创新成果包括:1、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,借鉴自然语言语料库构建的成熟经验,探索面向机器学习的流式文档语料库构建理论与研究方法,在此基础上完成对语料库的总体设计。面向机器学习的流式文档语料库总体设计中,涉及分析文档逻辑结构识别的需求,明确文档逻辑结构标注语料库类型、语料采集原则、语料标注原则、语料存储方式,以及提出文档逻辑结构标注语料库构建的总体框架。2、针对目前的文档结构描述架构应用于文档结构理解研究中颗粒度过细、流式文档结构中特征提取不全面的问题,在分析流式文档的逻辑结构与编辑语义特征的基础上,确立了流式文档逻辑结构标注体系。在该标注体系中,首先基于DocBook标准,确立了较为通用、易于扩展的文档逻辑结构描述架构;其次深入分析了流式文档排版样式与写作风格,选取了包括文档内容特征、样式特征、对象特征的22种流式文档编辑语义特征,组成用于文档逻辑结构识别的特征向量;最后提出了流式文档逻辑结构标注模型。3、针对流式文档标注体系复杂,人工标注工作量大,机器自动标注困难的问题,结合流式文档自身特性与文档自动化处理技术,提出了一种三段式的半自动化文档逻辑结构标注方法。该方法中,第一阶段以机助人工的方法,添加分离式的文档结构元数据标签;第二阶段基于XSLT模板自动重建文档逻辑结构;第三阶段基于Word对象模型编程,自动提取并填充特征向量。此外,设计并实现语料标注工具,用以辅助人工标注、实现半自动化的语料标注。4、构建流式文档逻辑结构标注语料库、统计分析语料库数据,并对构建的语料库进行评价。本文给出了文档逻辑结构标注语料库的语料来源、语料标注流程,对语料库总体数据进行了统计分析。并从语料标注、语料库有效性以及语料库规模方面设计了实验,对所构建的语料库进行评价。实验结果表明,1)本文提出的三段式文档逻辑结构半自动化标注方法,能够节省人工成本,提高标注结果的正确率;2)本文确立的流式文档逻辑结构标注体系,有助于机器学习算法获取更有效的文档编辑语义特征、更好地学习到文档逻辑结构关系,提高对文档结构识别的准确率与召回率;3)本文构建的流式文档结构标注语料库在样本规模上能够满足基于机器学习算法的文档结构识别模型的需求,并达到较好的性能。