数字农科院2.0

基于PDF版式特征的文献篇章结构细粒度抽取方法研究

文献类型： 中文期刊

作者： 赵婉婧;刘敏娟;刘洪冰;王新;段飞虎

作者机构：

关键词： 版式特征; 篇章结构; 章节标题; 细粒度抽取; 机器学习

期刊名称：农业图书情报学报

ISSN： 1002-1248

年卷期： 2021 年 33.0 卷 9.0 期

页码：

收录情况： 农林核心（2020版）

摘要： [目的/意义]为实现文献资源的细粒度组织,满足用户日趋精准的信息服务需求,研究提出一种基于PDF版式特征的文献篇章结构细粒度自动抽取方法。[方法/过程]方法充分利用机器学习在信息分类方面的优势,针对非结构化的PDF文档,基于其版式特征对章节标题进行自动分析、识别与抽取。根据章节标题的坐标定位,将正文内容以段落为最小颗粒度自动匹配至所属标题的下级位置,最终实现文档全文结构的细粒度抽取和重组。[结果/结论]经实测,机器自动抽取平均正确率达80%,针对非结构化PDF文档的细粒度抽取工作具有较好的现实意义和应用前景,基于底层方法设计构建的数据处理系统现已投入实际应用,大幅解放人工进行篇章结构细粒度抽取的工作。

分类号：

  • 相关文献

[1]基于无人机多光谱图像的油菜苗期 ＬＡＩ 估算. 李 婕,, 秦 涛,, 涂静敏,, 李 毅,, 杨子豪 ,, 乔江伟. 2025

作者其他论文 更多>>