[发明专利]一种基于神经网络的复杂PDF结构解析方法及装置

权利要求书

1.一种基于神经网络的复杂PDF结构解析方法，其特征在于，所述方法包括：

获得PDF文档的特征信息；

根据最大熵模型对所述PDF文档的特征信息进行粗颗粒划分，获得所述PDF文档的分层段落；

根据语料集中训练的两层双向语言模型转化所述PDF文档的分层段落获得段落词向量，压缩所述段落词向量获得段落语义向量；

将所述段落语义向量输入多层双向长短时记忆网络，获得所述PDF文档的所有段落的层级序列，其中，所述多层双向长短时记忆网络通过学习多组PDF文档的文档结构训练获得。

2.如权利要求1所述的方法，其特征在于，所述获得PDF文档的特征信息，包括：

对所述PDF文档进行预处理，获得文本文档；

识别所述文本文档中的文字与文字的位置，确定所述特征信息。

3.如权利要求1所述的方法，其特征在于，所述根据最大熵模型对所述PDF文档的特征信息进行粗颗粒划分，获得所述PDF文档的分层段落，包括：

获得所述PDF文档中标题的格式与形式；

根据所述PDF文档的特征信息对所述PDF文档的每个段落进行类型划分，确定段落类型；

对所述PDF文档中的标题的格式与形式和特殊节点进行初始化权重比较计算，确定所述标题的格式与形式初始化权重值与所述特殊节点初始化权重值；

根据所述段落类型、所述标题的格式与形式初始化权重值与所述特殊节点初始化权重值，获得所述分层段落。

4.如权利要求1所述的方法，其特征在于，所述压缩所述段落词向量获得段落语义向量，包括：

将所述段落词向量输入全连接的放缩神经网络，获得所述全连接的放缩神经网络压缩后的输出信息，其中，所述输出信息为段落语义向量。

5.如权利要求1所述的方法，其特征在于，所述将所述段落语义向量输入多层双向长短时记忆网络，获得所述PDF文档的所有段落的层级序列，包括：

根据所述多层双向长短时记忆网络的多层正向和反向神经网络训练所述段落语义向量，获得输出隐层语义编码向量；

根据所述多层双向长短时记忆网络的softmax层获得所述PDF文档的所有段落的层级序列。

6.一种基于神经网络的复杂PDF结构解析装置，其特征在于，所述装置包括：

第一获得单元，用于获得PDF文档的特征信息；

第二获得单元，用于根据最大熵模型对所述PDF文档的特征信息进行粗颗粒划分，获得所述PDF文档的分层段落；

第三获得单元，用于根据语料集中训练的两层双向语言模型转化所述PDF文档的分层段落获得段落词向量，压缩所述段落词向量获得段落语义向量；

第四获得单元，用于将所述段落语义向量输入多层双向长短时记忆网络，获得所述PDF文档的所有段落的层级序列，其中，所述多层双向长短时记忆网络通过学习多组PDF文档的文档结构训练获得。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。

8.一种基于神经网络的复杂PDF结构解析装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。