科技文档信息抽取与格式化技术研究-信息与通信工程专业毕业论文.docxVIP

原创性声明本人声明，所呈交的学位论文是本人在导师指导下进行的研究 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均己在论文中作了明确的说明。 作者签名：毕日期：业年监月上日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》， 并通过网络向社会公众提供信息服务。 摘要对我国某基金而言，在每年的项目评审阶段会有很多的个人或企 摘要 对我国某基金而言，在每年的项目评审阶段会有很多的个人或企 业申报科技项目，科技项目的申请也产生了大量的科技文档。为了最 有效的、科学的利用科技资源，需要对基金申报书进行查重和评审。 由于基金申报书的填报方式较为自由、开放，申请者填写时只需参考 撰写提纲，这样就使得大量的申报书存在格式不统一、内容组织复杂 和可能抄袭复制等问题，给项目的评审和查重工作带来了困难。文档 审查与项目查重的关键任务之一是将文档信息抽取并格式化存储。 本文通过对信息抽取技术和存储格式进行深入的研究，结合基金 申报书的文件格式特点，提出了面向模板的科技文档信息识别与基于 XML格式存储的科技文档抽取技术。在对Word文档和PDF文档格式 详细分析的基础上，详细说明了两种格式文档的解析方案。本文着重 分析了科技文档信息抽取的算法，采用对申报书正文标题抽取以及标 题与模板主题词匹配的方法进行文本定位，提高了文本抽取的效率。 在对算法研究的基础上，设计并实现了可实际应用的科技文档抽 取系统。针对不同类别的科技文档，系统可根据人工指定或自动识别 与文档相匹配的模板，提取文档中相关信息，生成XML文件，从而实 现将不同类别的科技文档统一提取为格式化的科技文档库。在论文的 最后，对部分科技文档进行了针对性的实验分析，结果表明面向模板 的科技文档抽取技术其成功率可达到97％。 关键词信息抽取，XML，模板 project project document examination is the document information extraction and the storage． The thesis describes a method for information extraction of documents facing a document template and based on XML format information storage．The parse resolutions of word and PDF documents are explicitly explained after analyzing the formats．The author mainly analyses the algorithm for document extraction which match title and key words to improve efnciency． In the thesis，a practical application system is designed and implemented which can extract the text information and generate XM【L document according to the template．Different types of science technology documents can be converted smoothly to a database which has a unified format．Finally，some experiments are discussed，the result shows that the success ratio of technology document extraction iS 97％． KEY WORDS Information extraction，Xml，Template Ⅱ 2．1信息抽取的定义 2．1信息抽取的定义 5 2．2信息提取的任务和工作过程 ．．5 2．3本文信