[发明专利]Word文档碎片化方法及装置

说明书

本发明实施例提供一种Word文档碎片化方法及装置，为了解决现有技术在Word文档中检索目标内容时，检索效率低的问题，首先，获取Word文档的所有段落；然后，根据所述段落在Word文档中的先后顺序，依次获取所述段落的段落属性，并提取所有在Word文档中首次出现的段落属性，生成Word文档的段落属性集合；接下来，使用段落属性识别模型，从所述段落属性集合中提取所有的标题段落属性，生成标题段落属性集合；最后，根据标题段落属性集合，识别Word文档的所有标题，并生成Word文档标题树，实现了Word文档的碎片化，从而，用户能直接从碎片化Word文档中检索到包含目标内容的文档段落或从Word文档的标题树中检索目标内容，提高用户检索Word文档标题时的检索效率。

技术领域

本发明涉及文字信息处理领域，尤其涉及一种Word文档碎片化方法及装置

背景技术

Word文档是Microsoft Word软件中专用的文档格式，由于Microsoft Word软件在当前已有的文字处理软件中占据绝对的主导地位，因此，Word文档事实上已经成为了国际通用的文档格式标准，因此，在现有技术中，人们在工作、学习中所处理的文档大部分都是Word文档。

通常来说，Word文档的内容是一篇文章、一篇报告、一篇论文等，这些Word文档包括标题和正文。在一篇文档中，标题通常是对一段正文内容的概括，反映了一段正文的主题，正文是对其主题内容的具体描述，反映了主题对应的具体内容；在一篇文档中，标题通常有多个，并根据文档正文内容的结构体系被划分成多个层级，体现了文档的内容结构，对文档正文内容的理解和文档内容的检索起到非常重要的作用；因此，现有技术中，用户根据要查找的目标内容，使用主题关键字或内容关键字，在整篇Word文档中检索与要查找的主题对应的文档标题或正文内容，就能够检索到与关键字对应的目标内容。但是，由于Word文档的内容不同，Word文档的篇幅通常长短不一，当Word文档的篇幅较长时，检索整篇Word文档的工作量非常巨大，耗费时间长，检索效率低。

因此，如何降低检索Word文档的工作量，提高用户从Word文档中检索目标内容的效率，成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了一种Word文档碎片化方法及装置，以解决现有技术中存在的问题。

第一方面，本发明实施例提供了一种Word文档碎片化方法，所述方法包括：获取Word文档的所有段落；根据所述段落在Word文档中的先后顺序，依次获取所述段落的段落属性，并提取所有在Word文档中首次出现的段落属性，生成Word文档的段落属性集合；使用段落属性识别模型，从所述段落属性集合中提取所有的标题段落属性，生成标题段落属性集合；所述识别模型根据人工标注过标题段/正文段的段落属性生成；根据标题段落属性集合，识别Word文档的所有标题，并生成Word文档标题树。

第二方面，本发明实施例提供了一种Word文档碎片化装置，所述装置包括：获取模块，用于获取Word文档的所有段落；第一生成模块，用于根据所述段落在Word文档中的先后顺序，依次获取所述段落的段落属性，并提取所有在Word文档中首次出现的段落属性，生成Word文档的段落属性集合；第二生成模块，用于使用段落属性识别模型，从所述段落属性集合中提取所有的标题段落属性，生成标题段落属性集合；所述识别模型根据人工标注过标题段/正文段的段落属性生成；第三生成模块，用于根据标题段落属性集合，识别Word文档的所有标题，并生成Word文档标题树。