一种基于结构信息检索文档的思路（html,pdf,html,xml,doc,ppt,这样的异构文档应该如何检索呢？）

Posted 2022-04-09 shiter

文章大纲

• 1. 背景
• 2.文档结构信息的构建
• • 2.1异构文档结构信息基础库初始化
  • • 2.1.1.交互信息设置与基础领域词库构建
  • 结构信息提取
  • 异构文档的向量化
  • 文档结构信息库
• 异构文档检索
• • 异构文档检索流程
• 技术效果
• 附录 -- 通用算法
• • TF-IDF（term frequency–inverse document frequency）
  • PCA（Principal Component Analysis，主成分分析）
• 参考文献

---

1. 背景

在企业数字化转型迫在眉睫的今天，很多工业企业拥有大量的说明、流程、规范等文档，结构化数据库无法解决文档类型的数据检索，现有全文检索