计算机工程

作者：张真, 李宁, 田英爱

单位：北京信息科技大学 a. 网络文化与数字传播北京市重点实验室;b. 计算机学院, 北京 100101

关键词：文档结构识别,流式文档,特征提取,序列标注,长短期时间记忆网络

基金：国家重点研发计划"私有云环境下服务化智能办公系统平台"（2018YFB1004100）；国家自然科学基金"流式文档排版格式的智能化分析与优化方法"（61672105）。

流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差，而基于机器学习的方法未考虑文档单元之间的长距离依赖关系，识别准确率较低。针对该问题，提出一种基于双向长短期时间记忆（LSTM）网络的流式文档结构识别方法。从文档单元的格式、内容与语义3个方面筛选关键特征，并将文档结构识别看作序列标注问题，使用双向LSTM神经网络构建识别模型，以实现对18种逻辑标签的识别。实验结果表明，该方法能够对文档结构进行有效识别，其识别效果优于方正飞翔软件。

来源：2020年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第1期