基于聚类和双向门控循环单元-条件随机场的多类型流式文档结构识别

流式文档结构识别对于文档自动排版和优化、信息检索等领域有着重要作用。以往针对流式文档结构识别主要集中于学术论文领域,对于其他诸如公文、报告等多类型的文档结构识别研究较少。针对此现状,使用聚类的方法对文档进行分类,在此基础上提出了针对不同文档分类的、基于双向门控循环单元-条件随机场(bidirectional gated recurrent unit-conditional random field,BIGRU-CRF)的文档结构识别方法,以此来解决多类型文档结构识别的问题。实验结果表明,该方法不仅能够提高学术论文结构识别的效果,对其他类型的文档结构也能够进行较好地识别。

非结构化数据库及其应用分析

介绍了非结构化数据库的概念。分析了非结构化数据库在存储机制和索引机制上的变革及作用。提出了在多类型文档管理中使用非结构化数据库的思想,并分析了相关应用中的若干关键问题。