科技论文语义元数据的自动抽取研究

《科技论文语义元数据的自动抽取研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、《现代图书情报技术》版权所有，欢迎下载引用！请注明引用地址：ＰＤＦ科技论文语义元数据的自动抽取研究［Ｊ］，现代图书情报技术，２００９（２）：１０２－１０６．应用实践ＰＤＦ科技论文语义元数据的自动抽取研究张秀秀马建霞（中国科学院国家科学图书馆兰州分馆兰州７３００００）【摘要】在分析ＰＤＦ文件结构的基础上，解析ＰＤＦ文件的内容流，并采用基于规则的匹配方法和基于格式的定位方法，自动抽取科技论文中的语义元数据信息。实验结果表明，上述方法对标题、作者等重要的语义元数据信息能够达到较好的抽取效果。【关键词】ＰＤＦ科技论文语义元数据自动抽取【分类号】ＴＰ３

2、９１．４３ＡｕｔｏｍａｔｉｃＥｘｔｒａｃｔｉｏｎｏｆＳｅｍａｎｔｉｃＭｅｔａｄａｔａｆｒｏｍＰＤＦＲｅｓｅａｒｃｈＰａｐｅｒｓＺｈａｎｇＸｉｕｘｉｕＭａＪｉａｎｘｉａ（ＴｈｅＬａｎｚｈｏｕＢｒａｎｃｈｏｆＮａｔｉｏｎａｌＳｃｉｅｎｃｅＬｉｂｒａｒｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｌａｎｚｈｏｕ７３００００，Ｃｈｉｎａ）【Ａｂｓｔｒａｃｔ】ＴｈｉｓｐａｐｅｒａｎａｌｙｚｅｓｃｏｎｔｅｎｔｓｔｒｅａｍｓｏｆＰＤＦｆｉｌｅｓｂａｓｅｄｏｎｉｔｓｓｔｒｕｃｔｕｒｅ，ａｎｄｅｘｔｒａｃｔｓｓｅｍａｎｔｉｃｍｅｔａｄａｔａａｕｔｏｍａｔ

3、ｉｃａｌｌｙｆｒｏｍｒｅｓｅａｒｃｈｐａｐｅｒｓｂｙｗａｙｏｆｒｕｌｅ－ｂａｓｅｄｍａｔｃｈｉｎｇａｎｄｆｏｒｍａｔ－ｂａｓｅｄｌｏｃａｔｉｎｇ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎｅｘｔｒａｃｔｉｍｐｏｒｔａｎｔｓｅｍａｎｔｉｃｍｅｔａｄａｔａｓｕｃｈａｓｔｉｔｌｅａｎｄａｕｔｈｏｒｅｆｆｅｃｔｉｖｅｌｙ．【Ｋｅｙｗｏｒｄｓ】ＰＤＦＲｅｓｅａｒｃｈｐａｐｅｒＳｅｍａｎｔｉｃｍｅｔａｄａｔａＡｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎ１引言元数据提供了网络资源描述、表达、管理和使用的基本方案，是网络资源组织和

4、检索的核心所在。随着计算机技术和网络技术的迅猛发展，面对海量文献描述的需要，如何快速、高效地产生元数据成为数字图书馆建设过程中面临的一大难题。当前数字图书馆建设过程中，元数据大多由人工逐条标记输入，这不仅花费了大量的人力、物力和时间，而且也越来越不能满足海量文献管理的需要。若元数据信息可以自动生成、自动抽取，必将大大减轻信息人员的工作负担，极大地提高工作效率。网上发布的科技论文大多以ＰＤＦ形式存在，因此，本文的研究将针对ＰＤＦ格式的论文展开。文章首先介绍了ＰＤＦ文件的物理结构和逻辑结构，然后在对ＰＤＦ文件直接进行文本、格式解析的基础上，依据科技论

5、文中文本内容的组织方式和排版格式等信息，采用基于规则的匹配方法和基于格式的定位方法，实现相关元数据的自动抽取，其中最主要的工作是抽取出论文的标题、作者、摘要、关键词４种重要的语义元数据。２元数据自动抽取的相关研究元数据抽取是信息抽取的一个分支，随着元数据自动抽取的内在需求不断增长，国内外学者对元数据自动抽取技术展开了一系列的理论研究。元数据自动抽取的方法大体可以分为两类：基于规则的方法和机器学习的方法。基于规则的方法采用基于收稿日期：２００８－１１－０３收修改稿日期：２００８－１１－２１本文系中国科学院国家科学图书馆青年人才领域前沿项目“元数据

6、自动抽取工具在数字知识库建设中的应用研究与开发”和国家社会科学基金项目“机构知识库建设与应用研究”（项目编号：０７ＢＴＱ０１９）的研究成果之一。１０２现代图书情报技术总第１７５期２００９年第２期模式识别和模式匹配的模板挖掘技术达到抽取自由文行。文件体（Ｂｏｄｙ）是ＰＤＦ文件的主体部分，由许多序本的目的，如：文献［１］利用正则表达式规则从ＰＤＦ文列化的间接对象组成，这些间接对象共同构成了ＰＤＦ档中抽取首页元数据；文献［２］采用基于层级知识描文件的具体内容，如页面、字体、图像等。交叉引用表述框架的ＩｎｆｏＭａｐ方法抽取引文元数据等。基于规则（Ｃｒｏｓ

7、ｓ－ｒｅｆｅｒｅｎｃｅＴａｂｌｅ）是一个关于间接对象的地址的方法易于理解和操作，并且如果规则制定得当，抽取索引表，通过它能够实现对间接对象的快速随机存取。效果将十分理想。但是基于规则的方法需要专业人员文件尾（Ｔｒａｉｌｅｒ）声明了交叉引用表的地址，指明了文预先设计一系列规则，而且如果抽取的目标发生变化件体的根对象，还保存了加密等安全信息。则会有规则不适应的情况出现。机器学习的方法采用ＰＤＦ的文档结构反映了文件体中间接对象之间的另外一种思路，它通过训练样本并建立样本的输入与等级层次关系，是一种树型结构，如图１所示。树的根输出之间的关系来预测新数据，

8、如文献［３］采用最大节点就是整个ＰＤＦ文件的根对象（Ｃａｔａｌｏｇ），根对象包熵等模型从常见文档中抽取标题元数据；文献［４］采含多种属性