[发明专利]一种电子文档页面类型识别方法和系统

权利要求书

1.一种电子文档页面类型的识别方法，其特征在于，包括：

根据参考页的类型确定参考页的特征词语及其出现次数；

根据所述参考页的特征词语及其出现的次数确定基准阈值；

获取目标页中出现的所述特征词语；

根据参考页的特征词语及其出现次数和目标页中出现的特征词语，计算目标页的特征值；

将所述特征值和所述基准阈值进行比较确定目标页的类型。

2.根据权利要求1所述的方法，其特征在于，计算目标页的特征值的过程包括：

首先，根据参考页的特征词语及其出现次数计算每个特征词语的权重，

其中，W_k为第k个特征词语的权重，P_k为第K个特征词语出现的次数，n为特征词语的个数；

然后，统计目标页中出现的特征词语，将每个出现的特征词语对应的所述权重求和，得到目标页的特征值。

3.根据权利要求2所述的方法，其特征在于，根据所述特征参考页的特征词语及其出现的次数确定基准阈值的过程，包括：

首先，计算每个特征词语的权重；

其中，W_k为第k个特征词语的权重，P_k为第K个特征词语出现的次数，n为特征词语的个数；

然后，将所述权重降序排列选取排列在前的m个权重求和，作为基准阈值，m占n的数量的20％到40％。

4.根据权利要求1所述的方法，其特征在于，计算目标页的特征值的过程中，计算公式如下：

其中，P_i为第i个特征词语在参考页中出现的次数，Mi为第i个特征词语在特征页中出现的次数，n为特征词语的个数。

5.根据权利要求4所述的方法，其特征在于，根据所述参考页的特征词语及其出现的次数确定基准阈值的过程，包括：

将所述参考页中的特征词语出现的次数升序排列；

选取排列在前的m个次数求和，作为基准阈值，所述m占n的数量的10％到20％。

6.根据权利要求1-5任一所述的方法，其特征在于，根据参考页的类型确定参考页的特征词语及其出现次数的过程，包括：

针对每个类型，在数据库中选择同一类型的参考页；

识别每个参考页中的文字内容；

对所述文字内容进行训练，得到特征词语以及每个特征词语出现的次数。

7.根据权利要求3所述的方法，其特征在于，将所述特征值和所述基准阈值进行比较确定目标页的类型的过程包括：当特征值大于基准阈值，目标页属于参考页所属类型，否则不属于参考页所属类型。

8.根据权利要求5所述的方法，其特征在于，将所述特征值和所述基准阈值进行比较确定目标页的类型的过程包括：当特征值小于基准阈值，目标页属于参考页所属类型，否则不属于参考页所属类型。

9.一种电子文档页面类型的识别系统，其特征在于，包括：

参考页确定单元：根据参考页的类型确定参考页的特征词语及其出现次数；

阈值确定单元：根据所述参考页的特征词语及其出现的次数确定基准阈值；

特征词语提取单元：获取目标页中出现的所述特征词语；

目标页特征值计算单元：根据参考页的特征词语及其出现次数和目标页中出现的特征词语，计算目标页的特征值；

比较单元：将所述特征值和所述基准阈值进行比较确定目标页的类型。

10.根据权利要求9所述的系统，其特征在于，目标页特征值计算单元包括：

权重确定单元，根据参考页的特征词语及其出现次数计算每个特征词语的

权重，

其中，W_k为第k个特征词语的权重，P_k为第K个特征词语出现的次数，n为特征词语的个数；

统计计算单元，统计目标页中出现的特征词语，将每个出现的特征词语对应的所述权重求和，得到目标页的特征值。