面向機器學習的流式文檔邏輯結構標注方法研究

摘要：針對采用機器學習方法識別流式文檔結構時語料庫稀少、語料標注復雜的問題,該文在研究文檔的邏輯結構和編輯語義特征的基礎上,確立流式文檔邏輯結構標注體系,并提出一種三段式的半自動文檔邏輯結構標注方法:第一階段通過機助人工實現文檔元數據的分離式標注,第二階段自動重建邏輯結構,第三階段自動填充特征向量。實驗結果表明,該文提出的文檔邏輯結構標注方法能夠節省人工成本、提高機器學習算法對文檔結構識別的準確率與召回率,F值達到97.5%。