[发明专利]数字出版物的自动标注方法

权利要求书

1.数字出版物的自动标注方法，其特征在于，包括如下步骤：

解析文档：在计算机系统中，采用解析工具将pdf文档的页面进行解析，解析之后可以获取到pdf文档的所有页面数据，通过目录、段落特征识别出目录页以及页面段落，并将这些数据合理的存储方便分词等后续处理调用；

提取关键字：对照现有的关键字表，以段落为单位对文档的每一页的每一段进行关键字提取，并存入计算机系统；

同义词归并：以段落为单位，在计算机系统内，对段落关键字进行同义词归并得到最终关键词；

权值计算：利用计算机系统，为最终的关键字进行权值计算，并保存；

带标注的电子文档：将得到的关键字及相关信息与页面数据关联形成标注信息，得到带标注的电子文档。

2.如权利要求1所述的数字出版物的自动标注方法，其特征在于：所述的解析文档步骤中，对解析数据的再识具体为：对解析工具获取的解析数据，主要完成对文本行内容表示和目录页、段落开始于结束位置的识别；其中：

文本行表示：根据每行的每一个文字的两个定位点信息。

3.将获取的页面数据流以“行”为单位存储到一个自定义行对象中，并将一整页的行数据存储到一页Arraylisl<>中，通过访问可以获取每一行中每一个字的内容和定位点信息；

目录页识别：根据目录格式的特性，对同一特殊字符出现超过10个的判定为目录页；

段落识别：根据段落格式的特性，每段开始都有2个汉字的空格即两个空个字符位，段落的结束刚好是下一段落开始前一行；

如权利要求1所述的数字出版物的自动标注方法，其特征在于：所述的提取关键字具体为：采用ansj分词组件对pdf内容按段落分词并抽取出段落关键字。

4.如权利要求1所述的数字出版物的自动标注方法，其特征在于：所述的同义词归并具体为：把抽取出的段落关键字通过同义词归并组件xsimilarity，进行两两对比计算词语前的相似度归并同义信息，减少标注信息冗余。

5.如权利要求1所述的数字出版物的自动标注方法，其特征在于：所述的权值计算具体为：通过ansj提供的权值计算接口获取关键字权值，并将关键字和权值信息按段落关联方式存储。

6.如权利要求1所述的数字出版物的自动标注方法，其特征在于：所述的带标注的电子文档具体为：将关键字和权值信息取出，按照段落相关的方式提供给用户查看。