基于双向LSTM网络的流式文档结构识别

• 作者: 张真 李宁 田英爱
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 文档结构识别 流式文档 特征提取 序列标注 长短期时间记忆网络
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 60-66,73
• 页数: 8页
• 分类号: TP18
• 字数: 4614字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0053702

摘要

流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用.基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低.针对该问题,提出一种基于双向长短期时间记忆(LSTM)网络的流式文档结构识别方法.从文档单元的格式、内容与语义3 个方面筛选关键特征,并将文档结构识别看作序列标注问题,使用双向 LSTM神经网络构建识别模型,以实现对18 种逻辑标签的识别.实验结果表明,该方法能够对文档结构进行有效识别,其识别效果优于方正飞翔软件.

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	北京信息科技大学网络文化与数字传播北京市重点实验室	111	547	11.0	21.0
5	田英爱	北京信息科技大学网络文化与数字传播北京市重点实验室	32	73	4.0	8.0
9	张真	北京信息科技大学网络文化与数字传播北京市重点实验室	3	2	1.0	1.0