18、字符识别与未来互联网内容语义模型的创新探索

字符识别与未来互联网内容语义模型的创新探索

1. 字符识别新方法探索

1.1 文档内容与字符识别难题

文档内容虽丰富，但不足以有效助力字符识别过程。常见的 OCR 系统关注文档内容分类，却忽视元信息和信息语义。为解决这一问题，对文档进行注释添加额外信息是必要的。通过构建本体对图像进行注释，能将语义与图像关联，实现更强大的搜索方法并回答复杂查询。

1.2 相关概念介绍

• 本体（Ontology） ：源于哲学领域，在计算机和信息科学中，本体定义了一组用于建模知识或话语领域的表示原语，通常包括类（或集合）、属性（或特性）和关系（或类成员之间的关系）。相关定义如下：
  • 定义 1：一个术语是三元组 τ = [η, δ, Α]，τ ∈ Τ，其中 η 是包含术语名称的字符串，δ 是包含其定义的字符串，Α 是一组属性域 A1, A2, …, An，每个属性域与一个值集 Vi 相关联。
  • 定义 2：关系 φ : Τ → Τ，φ ∈ Φ，是一个从 Τ 到 Τ 的函数，对于每个术语 τ1∈Τ，存在一个术语 τ2 = φ(τ1)，τ2∈Τ。
  • 定义 3：两个术语之间的语义关系 σ 属于语义关系集 Σ = {Hypernymy, Hyponymy (is - a), Mereonomy (part - of), Synonymy }，Σ ⊂ Φ。
  • 定义 4：两个术语之间的空间关系 ρ 属于空间关系集 Ρ = {adjacency, spatial containment, proximity, connectedness