PDF文档中的脚注识别研究

• 作者: 俞银燕 汤帜 高良才 黎斯达
• 来源期刊: 北京大学学报（自然科学版）
• 学科: 工学
• 关键词: 脚注 PDF文档 文档分析与理解
• 年，卷（期）: 2015,（6）
• 页码范围: 1017-1021
• 页数: 5页
• 分类号: TP391
• 字数: 3840字
• 语种: 中文
• DOI: 10.13209/j.0479-8023.2015.087

摘要

针对PDF文档的脚注识别问题,提出一种自动识别脚注及其引用,并建立它们之间匹配关系的方法.首先针对PDF文档提取脚注的一系列特征,包括页面布局、字体信息、语义信息等,然后基于文档部件风格一致性,利用聚类技术,处理在不同文档中相异但在同一文档中相似的特征,从而使得识别过程能够适应不同文档类型.此外,利用脚注与引用的匹配结果为识别过程提供反馈,进一步提高了识别准确性.在真实文档测试集上的实验结果表明,所提方法对于PDF文档的脚注识别取得较高的准确率和召回率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	汤帜	北京大学计算机科学技术研究所	26	405	6.0	20.0
2	俞银燕	北京大学计算机科学技术研究所	7	304	2.0	7.0
3	高良才	北京大学计算机科学技术研究所	12	31	3.0	5.0
4	黎斯达	北京大学计算机科学技术研究所	1	0	0.0	0.0