[发明专利]Word文档碎片化方法及装置

摘要

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。

主权项

1.一种Word文档碎片化方法，其特征在于，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；所述识别模型由大量文档内容已知的Word样例文档训练得到；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；其中，所述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，包括：根据所述标题段落属性在Word文档中首次出现的顺序，确定所述标题段落属性集合中，每个所述标题段落属性对应的标题级别；根据所述标题段落属性集合和所述标题段落属性对应的标题级别，获取Word文档的所有标题，并确定每个标题的标题级别；根据Word文档的所有标题和每个标题的标题级别，生成Word文档标题树。