[发明专利]章节内容分层方法和装置、文章内容分层方法和装置

说明书

技术领域

本发明涉及一种文章内容分层方法和装置，尤其涉及根据章节、文章内容的结构信息，进行章节、文章内容分层方法和装置。

背景技术

近年来，随着信息技术的发展使收集、存储信息的能力得到迅速增长。数据管理技术的进步促进了商业和政府事务的信息化，产生了大量的数据信息，特别是随着互联网技术的发展，互联网上的信息更是按指数速度增长，并且其中大部分信息的格式为软件文件。为了管理这些数据，大型数据库正被广泛地应用于商业和科学工程等领域。

然而，虽然数据库技术的进步使信息的收集和存储变得越来越容易，但是数据规模的爆炸性增长，已远远超出了人们的接受能力。随着数据库和计算机网络的广泛应用，数据库中存储的数据量急剧增大。在数量庞大的数据的背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。但传统的数据分析方法，很难对这些数据进行深层次的处理，也无法发现数据中存在的内在关系和隐含的信息。这样，造成在以指数形式增长的数据与人们从中能够获取的有效信息之间形成巨大的反差，导致了“数据爆炸但知识贫乏”的现象，如何让人们从庞大的信息中快速获取有效的信息成为当务之急。

在这种情况下，专利申请CN1669029A公开了一种自文件集合中自动搜寻概念层次结构的方法及装置，该申请提供了一种方法来对文件中的概念进行自动分层。虽然上述方法涉及到知识分类的方法，但是由于该专利申请仅利用词汇频率分布的相似度来进行分层、聚类并以此进行概念抽取，并没有考虑文档自身具有的结构特点，另外上述专利申请仅考虑了通过多种文档进行概念抽取的方法，并没有根据文档自身的结构，因而难以对文档信息进行有效管理。

发明内容

本发明是鉴于上述问题而提出的，其目的在于提供一种根据文章内容的结构信息，进行文章内容分层的方法及装置。

本发明的章节内容分层方法，包括：抽取所述章节所包含的标题中的多个词汇的第1抽取步骤；将所抽取的标题中的所述词汇选定为核心词的选定步骤；利用规定了词汇隶属关系的隶属关系表，对所选定的核心词进行分层处理，将属于上位的核心词作为第1阶层核心词而属于下位的核心词作为第2阶层核心词形成第1区域分层结构的第1区域设置步骤；对已分层核心词以外的核心词进行分层处理，基于所述核心词在所述章节中的出现频率，利用规定了词汇并列关系的并列关系表，将出现频率高的核心词作为第1阶层核心词而出现频率低的核心词作为第2阶层核心词形成第2区域分层结构的第2区域设置步骤；抽取所述标题以外的语句中的多个词汇的第2抽取步骤；将所抽取的多个词汇选定为选定词，基于所述选定词在文章中的出现频率进行排列的第1排列步骤；和按照出现频率高低的顺序，根据关联词表找出与所述第1区域分层结构和所述第2区域分层结构中的第2阶层核心词最相关联的选定词并将其确定为关联词，将包含该关联词的语句作为第3阶层置于与其有关联关系的所述第2阶层核心词之下，形成子树归并图的第1分层步骤。

本发明的文章内容分层方法，对于得到的子树归并图，根据关联词表，找出同一阶层中的核心词的关联性，通过相关联的所述核心词的上位关联词，将不同的子树归并图连接起来生成树归并图。

本发明的章节内容分层装置，包括：第1抽取装置，抽取所述章节所包含的标题中的多个词汇；选定装置，将所抽取的标题中的所述词汇选定为核心词；第1区域设置装置，利用规定了词汇隶属关系的隶属关系表，对所述标题中所选定的核心词进行分层处理，将属于上位的核心词作为第1阶层核心词而属于下位的核心词作为第2阶层核心词来形成第1区域分层结构；第2区域设置装置，对已分层核心词以外的核心词进行分层处理，基于所述核心词在所述章节中的出现频率，利用规定了词汇并列关系的并列关系表，将出现频率高的核心词作为第1阶层核心词，而出现频率低的核心词作为第2阶层核心词形成第2区域分层结构；第2抽取装置，抽取所述标题以外的语句中的多个词汇；第1排列装置，选定所抽取的多个词汇为选定词，基于所述选定词在文章中的出现频率进行排列；和第1分层装置，按照出现频率高低的顺序，根据关联词表找出与第2阶层的核心词最相关联的选定词并将其确定为关联词，将包含该关联词的语句作为第3阶层置于与其有关联关系的所述第2阶层的所述核心词之下，形成子树归并图。

本发明的文章内容分层装置，还包括连接装置，对于依据本发明的章节内容分层得到的子树归并图，根据关联表同一阶层中核心词的关联性，将不同子树归并图连接起来，生成树归并图。