王 娟，李 宁，姜雨彤，田英爱

(北京信息科技大学网络文化与数字文化传播重点实验室，北京 100101)

文档结构识别基于对文档中单元角色的判断，实现流式文档的智能化理解，这在文档自动排版和优化、信息检索、智能问答系统等领域均有重要作用。中外已存在许多关于流式文档结构识别的研究，在这些已有的研究中，根据研究方法的不同可以分为基于规则、语法、机器学习以及深度学习的方法。Han等[1]结合文档格式特征及内容特征，定义模板规则，进而确定文档单元的语义角色。Geng等[2]使用基于规则的方法识别文档中参考文献的著录项，之后使用基于决策树的方法判断参考文献的类型标志。Lei等[3]分析流式文档的特点，基于条件随机场构建文档结构识别模型，实验结果表明该算法能够较好地识别论文类型的文档，识别的单元角色种类较丰富，但其依赖手工特征，局限性较强。张真等[4]将文档结构识别任务看成序列标注任务，提出基于神经网络构建文档结构识别模型，该算法提高了论文类型文档结构识别准确率，但对其他类型文档结构识别效果不理想。近年来，在自然语言处理(natural language processing, NLP)研究领域，序列标注任务有大量成熟的研究成果。为能够同时利用不同算法的优势，很多学者提出神经网络与机器学习算法结合的混合算法思想，从而得到最优的序列标注模型。Kadari等[5]首先将神经网络和条件随机场结合起来，构建双向长短时记忆-条件随机……