基于格式索引和圖的文檔排版格式檢查方法研究.pdf

1、目前排版格式主要依靠人工檢查，準(zhǔn)確率和效率都較低，現(xiàn)有的一些自動(dòng)排版格式檢查算法適用范圍有限，文檔格式向量沒(méi)有合理量化，檢查準(zhǔn)確率較低，難以重構(gòu)文檔的整體邏輯結(jié)構(gòu)。為了解決這些問(wèn)題，本課題設(shè)計(jì)隸屬度表，解決格式向量的定性分量難以合理量化，段落無(wú)法跟任意邏輯標(biāo)簽對(duì)比的問(wèn)題;設(shè)計(jì)基于n-gram索引的段落邏輯標(biāo)簽判斷方法，提高段落邏輯標(biāo)簽判斷的正確率和召回率;設(shè)計(jì)基于圖最短路徑的文檔邏輯結(jié)構(gòu)重建方法，解決難以重建文檔邏輯結(jié)構(gòu)的問(wèn)題。其中隸屬

2、度表使用模糊識(shí)別的隸屬度概念，將格式向量中的定性分量用隸屬度根據(jù)統(tǒng)計(jì)量化，使得段落可以跟任意邏輯標(biāo)簽對(duì)比;基于n-gram索引的段落邏輯標(biāo)簽判斷算法借鑒拼寫校正中的n-gram索引，將格式向量切分成多個(gè)n-gram，使得向量相似度計(jì)算時(shí)各分量彼此獨(dú)立，提高了計(jì)算精確度;基于圖最短路徑的文檔邏輯結(jié)構(gòu)重建方法在段落邏輯標(biāo)簽判斷的基礎(chǔ)上生成圖，利用最短路徑排除掉多余的邏輯標(biāo)簽，從而重建邏輯結(jié)構(gòu)。實(shí)驗(yàn)證明，這3種方法結(jié)合能夠合理量化向量，準(zhǔn)確判