面向机器学习的流式文档逻辑结构标注方法研究

• 作者: 刘倩 李宁 田英爱
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 结构标注 文档结构识别 机器学习
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 语言资源建设
• 页码范围: 50-59,78
• 页数: 11页
• 分类号: TP391
• 字数: 7898字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2019.09.007

摘要

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％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李宁	北京信息科技大学计算机学院	111	547	11.0	21.0
2	田英爱	北京信息科技大学计算机学院	32	73	4.0	8.0
3	刘倩	北京信息科技大学计算机学院	6	4	1.0	2.0