科技文檔信息抽取與格式化技術(shù)研究.pdf

1、對我國某基金而言,在每年的項目評審階段會有很多的個人或企業(yè)申報科技項目,科技項目的申請也產(chǎn)生了大量的科技文檔。為了最有效的、科學(xué)的利用科技資源,需要對基金申報書進行查重和評審。由于基金申報書的填報方式較為自由、開放,申請者填寫時只需參考撰寫提綱,這樣就使得大量的申報書存在格式不統(tǒng)一、內(nèi)容組織復(fù)雜和可能抄襲復(fù)制等問題,給項目的評審和查重工作帶來了困難。文檔審查與項目查重的關(guān)鍵任務(wù)之一是將文檔信息抽取并格式化存儲。
　　 本文通過對

2、信息抽取技術(shù)和存儲格式進行深入的研究,結(jié)合基金申報書的文件格式特點,提出了面向模板的科技文檔信息識別與基于XML格式存儲的科技文檔抽取技術(shù)。在對Word文檔和PDF文檔格式詳細(xì)分析的基礎(chǔ)上,詳細(xì)說明了兩種格式文檔的解析方案。本文著重分析了科技文檔信息抽取的算法,采用對申報書正文標(biāo)題抽取以及標(biāo)題與模板主題詞匹配的方法進行文本定位,提高了文本抽取的效率。
　　 在對算法研究的基礎(chǔ)上,設(shè)計并實現(xiàn)了可實際應(yīng)用的科技文檔抽取系統(tǒng)。針對不同