论文部分内容阅读
目前排版格式主要依靠人工检查,准确率和效率都较低,现有的一些自动排版格式检查算法适用范围有限,文档格式向量没有合理量化,检查准确率较低,难以重构文档的整体逻辑结构。为了解决这些问题,本课题设计隶属度表,解决格式向量的定性分量难以合理量化,段落无法跟任意逻辑标签对比的问题;设计基于n-gram索引的段落逻辑标签判断方法,提高段落逻辑标签判断的正确率和召回率;设计基于图最短路径的文档逻辑结构重建方法,解决难以重建文档逻辑结构的问题。其中隶属度表使用模糊识别的隶属度概念,将格式向量中的定性分量用隶属度根据统计量化,使得段落可以跟任意逻辑标签对比;基于n-gram索引的段落逻辑标签判断算法借鉴拼写校正中的n-gram索引,将格式向量切分成多个n-gram,使得向量相似度计算时各分量彼此独立,提高了计算精确度;基于图最短路径的文档逻辑结构重建方法在段落逻辑标签判断的基础上生成图,利用最短路径排除掉多余的逻辑标签,从而重建逻辑结构。实验证明,这3种方法结合能够合理量化向量,准确判断段落逻辑标签,完整重构文档逻辑机构,不仅可以有效进行排版格式检查,也为文档复用和文档检索提供了基础。