[发明专利]文档标题树的构建方法、装置、电子设备及存储介质

权利要求书

1.一种文档标题树的构建方法，其特征在于，包括：

根据预定义规则将待处理文档中各个段落的文本特征与所述预定义规则中的段落特征进行规则匹配；

在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级；

在规则匹配失败的情况下，利用机器学习模型确定所述待处理文档中各个段落的段落层级；

基于所述各个段落的段落层级，构建所述待处理文档的文档标题树；

所述预定义规则中的段落特征包括文档正文特征，文档标题的标题内容之前的数字符号的格式和关键词集合；所述关键词集合包括黑名单和白名单，所述白名单中包括文档标题中包括的关键词，所述黑名单中包括文档标题中不包括的关键词；

所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：

在利用基于文档正文特征的标题格式限制的方式对文档段落进行识别无结果的情况下，利用标题数字匹配的方式对文档段落进行识别；

在利用标题数字匹配的方式对文档段落进行识别无结果的情况下，利用关键词匹配的方式对文档段落进行识别；

所述利用关键词匹配的方式对文档段落进行识别，包括：

将当前段落的文本与所述关键词集合相匹配；

在所述当前段落的文本与所述白名单匹配成功的情况下，将所述当前段落的段落层级确定为预先设定的对应于白名单的标题层级；

在所述当前段落的文本与所述黑名单匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括长短期记忆网络模型；所述在规则匹配失败的情况下，利用机器学习模型确定所述待处理文档中各个段落的段落层级，包括：

从当前段落中提取词向量序列特征和词性序列特征；

将所述词向量序列特征和所述词性序列特征输入机器学习模型；

利用所述机器学习模型输出所述待处理文档中各个段落的段落层级。

3.根据权利要求1或2所述的方法，其特征在于，所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：在所述待处理文档中的当前段落与所述文档正文特征匹配成功的情况下，将所述当前段落的段落层级确定为文档正文。

4.根据权利要求1-3中任一项所述的方法，其特征在于，

所述在规则匹配成功的情况下，根据所述规则匹配的结果确定所述待处理文档中各个段落的段落层级，包括：

在识别到所述文档标题的标题内容之前包括数字符号的情况下，基于样本文档获得由各个标题层级组成的标题层级集合，并获得所述各个所述标题层级对应的数字符号的格式的正则表达式；

将当前段落中的标题内容之前的数字符号的格式与各个所述标题层级对应的正则表达式相匹配，根据匹配结果确定当前段落的标题层级。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述基于所述各个段落的段落层级，构建所述待处理文档的文档标题树，包括：

创建文档标题树的根节点，并将所述根节点对应的段落层级赋值为最高层级；

根据所述待处理文档中各个段落的段落层级将所述各个段落对应的段落节点添加到所述文档标题树中。

6.根据权利要求5所述的方法，其特征在于，所述根据所述待处理文档中各个段落的段落层级将所述各个段落对应的段落节点添加到所述文档标题树中，包括：

将待处理文档中的第一个段落作为当前段落，将所述根节点作为所述文档标题树的最后一个节点；

将所述当前段落的段落层级与所述最后一个节点的段落层级相比较；

根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中；

将所述当前段落的下一个段落作为新的当前段落，将所述当前段落对应的段落节点作为新的最后一个节点；

针对所述新的当前段落和所述新的最后一个节点，重复执行所述将所述当前段落的段落层级与所述最后一个节点的段落层级相比较、以及所述根据所述比较的结果将所述当前段落对应的段落节点添加到所述文档标题树中的步骤。