[发明专利]文档层级划分方法、文档层级划分装置和可读存储介质

说明书

本发明提供了一种文档层级划分方法、文档层级划分装置和可读存储介质。其中，文档层级划分方法包括：获取文档中的标题，并提取标题的文本特征；根据文本特征对标题进行分类，以确定标题类别；根据标题类别和排列顺序确定标题的级别；其中，文本特征包括：关键字信息、词义信息和字形信息。实现了自动识别文档中标题的层级关系，根据标题的层级关系可以快速提取出文档的大纲结构。满足了编辑出版人员对图书内容逻辑的快速检查、自动排版、结构化加工等方面的需求。

技术领域

本发明涉及文档排版技术领域，具体而言，涉及一种文档层级划分方法、一种文档层级划分装置和一种计算机可读存储介质。

背景技术

当前图书出版领域中，由于传统的出版流程及工艺主要关注图书内容，导致在作者、编辑、排版、印刷等环节流通的各类文档主要包括图书的内容，图书大纲结构很少包含或结构混乱，无法满足自动排版或其他数字出版的要求。如何能够满足编辑出版人员对图书内容进行快速逻辑检查、自动排版、结构化加工等方面的需求，成为亟需解决的技术问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提供了一种文档层级划分方法。

本发明的第二方面提供了一种文档层级划分装置。

本发明的第三方面提供了一种计算机可读存储介质。

为了实现上述目的，根据本发明的第一方面的技术方案，提供了一种文档层级划分方法，包括：获取文档中的标题，并提取标题的文本特征；根据文本特征对标题进行分类，以确定标题类别；根据标题类别和排列顺序确定标题的级别；其中，文本特征包括：关键字信息、词义信息和字形信息。

在该技术方案中，在需要对文档进行排版布局前，获取文档中的所有标题，并提取标题的文本特征，根据提取的文本特征对获取到的标题进行分类从而确定每个标题的类别，根据标题的类别和排列顺序确定标题的级别，根据标题的级别对文档进行排版。其中，排列顺序为标题在文档中出现的先后顺序。本文特征包括关键字信息、词义信息和字形信息。通过确定文档中标题的类型以及各个类型标题出现的顺序可以准确的对文档中的标题级别进行划分，实现了自动识别文档中标题的层级关系，根据标题的层级关系可以快速提取出文档的大纲结构。满足了编辑出版人员对图书内容逻辑的快速检查、自动排版、结构化加工等方面的需求。

在上述任一技术方案中，根据文本特征对标题进行分类的步骤，具体包括；标题的词义信息不符合预设词义确定标题为未定级标题；根据关键字信息对未定标题进行分类，以确定项目类标题和数字类标题；根据字形信息对数字类标题进行分类，以确定数字类标题的字形类别。

在该技术方案中，根据标题的词义信息是否符合预设词义确定标题是否为未定级标题，具体为当标题的词义符合预设词义则确定标题为定级标题，如果标题的词义不符合预设词义则确定标题为未定级标题。对未定级的标题根据关键字信息进行分类，将未定的标题分类为项目类标题和数字类标题，根据字形信息对数据子类标题进行分类，确定每个数字类标题的字形类别。即现根据词义确定出文档中的大标题，根据关键字信息和字形信息对文档中每章中的子标题进行两次分类，实现了根据文本特征对在文本当中采集到的标题进行分类，确定文档中需要的确定界别的标题。

可以理解的是，根据标题的词义确定文档中的大标题，例如章节标题：“第一章，经济学视角下的人力资源概念”。对大标题下的子标题中是否存在关键字确定子标题是否为项目类的标题，具体例如：查找标题中是否含有关键字“项目”等，如果标题中包括关键字“项目”，则确定标题为项目类标题，其余为数字类标题。根据字形信息对数字类标题进行分类，具体例如：将为带括号的数字标题分为一类，再将不带有括号的数字分类一类。其中，值得注意的是汉字形式的数字例如“一”、“二”也属于数字类标题。