[发明专利]一种文档类文件复杂度判定方法及平台

说明书

本发明公开了一种文档类文件复杂度判定方法及平台，方法包括：对海量文件提取文件参数的步骤；对每一份文件进行难度等级设定的步骤；通过对海量文件的各文件参数和对应的难度等级进行学习，得到复杂度检测模型；获取待检测文件的各项文件参数，代入所训练的模型中，得到检测结果。平台包括：参数提取部、难度等级划分部、模型构建部、文件输入部和结果输出部，参数提取部提取文件的文件参数，难度等级划分部设定文件难度等级，模型构建部训练评价模型，文件输入部接收待检测文件，检测结果通过结果输出部输出。本发明可实现对文件复杂度的快速、准确、客观评价。使得可为文件处理的成本预算提供及时、客观的数据支撑。

技术领域

本发明涉及文件计算机领域，尤其是一种文档类文件复杂度判定方法及平台。

背景技术

文件的复杂度是对文件中所包含的信息的复杂程度的描述，而对于文件复杂度的判断，关系到对于文件进行相关处理（例如排版、翻译、转排等）的成本预计，可能直接决定费用的收取或结算。

目前对于文件复杂度的判断，均为采用人工判别的方式，人工借助个人理解和经验，通过获取到的文件的文本量、图片量等文件参数，进行经验性判定。该方式一方面需要耗费大量的人力和时间成本，另一方面，其受人为主观因素的影响太大，虽然在行业内，存在相应的复杂度判断准则，但对于不同能力的人员，其判断结果相差仍然较大，无法统一，客观性差。这样，对于商务预算以及相关从业人员的管理都不能形成可执行的标准。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于对历史文件的学习，得到针对文档类文件复杂度的客观判断方案。以实现对任意一份文档类文件，可快速、客观、准确地判断其复杂度。

本发明采用的技术方案如下：

一种文档类文件复杂度判定方法，包括以下步骤：

Step1：针对海量文件，分别获取每一份文档类文件的若干文件参数，所述文件参数，为文件中包含的各种类信息的数据量；

Step2：根据对文件所获取的各文件参数，对所述海量文件的每一份文件进行难度等级设定；

Step3：通过设定的训练模型，对海量文件的各文件参数和对应的难度等级进行学习，得到复杂度检测模型，学习的包括确定各项文件参数的难度系数的过程；

Step4：获取待检测文件的若干项文件参数，载入step3所训练的模型中，即可得到待检测文件的复杂度。待检测文件所提取的文件参数项，与用于学习的文件所提取的文件参数项相同。

通过基于文件中各项文件参数的数据量，结合通用的难度等级设定规则，对用于训练的文件进行较为客观的训练，得到一组客观的难度系数，后续待评价的文件即可基于该难度系数进行快速、客观、准确的难度评价。

进一步的，文件的所述若干文件参数包括文本量、图片量、分栏量和表格量。该组参数可以很全面地反映出文档类文件的信息，即作为复杂度判断的主要影响因素，基于该组参数，可对文档类文件进行较为全面的复杂度评价。

进一步的，对于所述文档类文件中，所获取的图片量，为图片尺寸达到预定的尺寸阈值的图片的数量。该方案可避免将不相关的图片（如logo、标识等）纳入到文件的难度评价中，进而更加客观、准确地判断出文件的复杂度。

进一步的，上述step3中，用于机器学习所用到的每一份文件的文件参数和难度等级，均是进行预处理后所得到的数据。

对相关参数进行预处理，可以便于后续的机器学习进行快速计算，同时，主动为机器学习提取出相关特征，可减小训练过程的计算量，节约算力资源。

进一步的，上述对每一份文件的文件参数和难度等级的预处理为，对每一份文件的文件参数和难度等级基于文件的页数分别做平均处理。