[发明专利]一种用于构建标题识别模型的方法、装置、电子设备以及存储介质

权利要求书

1.一种用于构建标题识别模型的方法，包括：

对样本文档进行解析，得到所述样本文档的多个文本块中的每个文本块的解析信息，所述解析信息包含不同维度上的特征信息，所述特征信息至少包括文本内容；

基于所述多个文本块中的每个文本块的文本内容提取出所述样本文档的标题文本块并作为正样本置入训练集；

将所述样本文档中除标题文本块以外的文本块确定为非标题文本块，并选择所述样本文档的非标题文本块并作为负样本置入所述训练集；

针对所述训练集中的任一样本，基于所述样本所对应的解析信息中的不同维度上的特征信息构建所述样本的特征向量；以及

依据所述训练集中多个样本的特征向量构建标题识别模型，

其中，所述基于所述样本所对应的解析信息中的不同维度上的特征信息构建所述样本的特征向量，包括：利用预先设定的转换规则将所述样本所对应的解析信息中的不同维度上的特征信息分别转换为数字表示，并将所得到的各个数字表示的集合确定为所述样本的特征向量，

其中，所述不同维度至少包括索引号维度、文本长度维度、字号维度、字体方向维度、对齐方向维度和段落说明维度中的一项或多项，

并且其中，所述基于所述样本所对应的解析信息中的不同维度上的特征信息构建所述样本的特征向量，包括：

确定所述样本的索引号，将所述索引号的上一索引号所对应的文本块确定为所述样本的样本上文，将所述索引号的下一索引号所对应的文本块确定为所述样本的样本下文；

基于所述样本所对应的解析信息中的不同维度上的特征信息，所述样本上文所对应的解析信息中的不同维度上的特征信息，和所述样本下文所对应的解析信息中的不同维度上的特征信息共同构建所述样本的具有上下文特征的特征向量。

2.根据权利要求1所述的方法，所述样本文档是indd格式的文件。

3.根据权利要求2所述的方法，所述对样本文档进行解析，包括：

调用InDesignServer服务，将所述indd格式的文件转换为idml文件；

提取出idml文件中的xml文件，解析出所述xml文件中所包含的信息并存入数据库。

4.根据权利要求1所述的方法，所述基于所述多个文本块中的每个文本块所述的文本内容提取出所述样本文档的标题文本块，包括：

利用相似度分析算法对比所述多个文本块中的每个文本块中的文本内容与人工提供的标题内容的相似度；

在相似度大于预定阈值时，将对应的文本块确定为所述样本文档的标题文本块。

5.一种使用权利要求1所构建的标题识别模型来识别标题的方法，包括：

对待识别文档进行解析，得到所述待识别文档中的多个文本块中的每个文本块的解析信息，所述解析信息包含不同维度上的特征信息，所述特征信息至少包括文本内容；

使用所述多个文本块中每个文本块所对应的解析信息中的不同维度上的特征信息构建对应文本块的特征向量；

依据所述标题识别模型对所述多个文本块中每个文本块的特征向量进行预测，以在所述多个文本块中确定出标题文本块。

6.根据权利要求5所述的方法，所述在所述多个文本块中确定出标题文本块后，还包括：

确定出所述待识别文档的全部标题文本块，根据标题文本块的索引号将标题文本块中的标题内容进行拼接。