一种基于模式识别的英文论文文档多粒度内容处理方法

摘要

本发明涉及一种基于模式识别的英文论文文档多粒度内容处理方法，属于信息处理技术领域。本方法，针对英文PDF格式论文文档内容识别处理面临的问题，将论文按章、节、段落拆分为更小粒度的内容子单元，并将论文中的表格、图形、算法等非文本内容单独抽取，同时，保留各个子单元原有的语义关系和上下文联系，以便后续应用。在进行信息抽取时，通过利用文本内容之间的语义关联及文本位置信息，能够高效、快速、准确地识别目标文本内容对象。