中文信息学报汉语文本形式结构分析及其标引算法.PDF

中　文 　信 　息 　学 　报 第 16 卷 第 2 期 　 JOURNAL OF CHINESE INFORMATION PROCESSING Vol . 16 No. 2 汉语文本形式结构分析及其标引算法 单永明 ( 山西大学计算机科学系 　太原 　030006) 摘要 :本文从形式化的角度讨论了汉语文本的形式结构及有关的基本概念 ,给出了文本的标题 、子标题 、 段落及其层次结构的一种划分与标记方法 ,提出了规范的与准规范的文本等概念 ,并以此为基础讨论了文本 形式结构的标引问题 ,给出了两个标引算法 。本文阐明的方法和结果对汉语文本的全文文本标引及结构化分 析具有直接的现实意义 。 关键词 : 中文信息处理 ;文本结构分析 ;标引树 ; 自动标引算法 中图分类号 : TP39 1. 1 Formal Analyses of Chinese Text Structure and Its Indexing Algorithm SHAN Yongming (Depart ment of Computer Science 　Shanxi Univer sit y 　Taiyuang 　030006) Abstract :In t he p ap er ,we discuss chinese text structure from t he point of view of formalization . Formal descriptions for t he heading ,subheading and p aragrap h as well as t heir structural relations in a text are present and a systematic tagging met hod for chinese text structure is proposed . And t hen , we introduce t he conceptions of t he normal text and quasinormal text . On t he basis of t hese ,indexing algorit hm for formal chinese text structure is discussed . The met h ods and result s presented in t he p ap er are of direct and practical significance for fulltext indexing and structural anal yses and processes of chinese text . Keywords :Chinese information processing ;text structure analyses ;indexingtree ;automatic indexing algorit hm 在汉语文本的自动标引中 ,文本的组织结构对分析结果的综合起着重要的纽带作用 ,本文 在给出了文本形式描述的的基础上 ,探讨了文本形式结构的一些基本概念 ,提出了规范的与准 规范的文本等分类概念 ,并以此为基础讨论了文本形式结构的标引问题 ,给出了两个标引算 法 。本文的研究是在文[ 1]基础上的继续 。 一 、文本及其文本结构的形式描述 ( ) ( ) 我们将汉语文本 以下简称文本 中的标题 包括文本的题 目 、自然段 、图、表等看做单位 元素 。若以 w 表示文本中的单位元素 ,符号“│”表示文本中的“另起一行”运算 ,则我们可给 出文本的形式定义如下 : 定义 1 　文本