标准内容抽取方法研究.pdfVIP

标准内容抽取方法研究 实验研究· 刘 静 (长安大学信息工程学院，陕西 西安 710064) 摘 要：标准是为了规范行业秩序，经协商一致制定并由公认机构批准的一种文件。由于标准种类繁多，且以电子文档形式存在，因此标准 编制单位在编制新标准时需要手工查找大量相关内容，费时费力。为了提高标准编制效率，本文通过研究国标规定的标准编写的结构和规 范，提出一种从半结构化标准中抽取信息的方法。 关键词：标准；信息抽取 1引言 录的个数；“Add()”操作是给列表添加项目。 List=null：fulu 在信息化建设中，标准的制定和执行起到举足轻重的作 1)fulu— — Count=O：目次．start=2：index= 用。目前我国已经发布了多项标准，未来计划和新增的标准也 3： 会越来越多。信息化标准具有较高的复杂性和相关性，标准编 2)得到标准中第index~首行的内容str； 写人员需要全面了解现存标准的相关细节才能确保新编写的标 如果str=前言 二字，执行步骤 (3)；否则，index++继续执 准与现存标准一致。然而现存标准内容繁多，且大都以文档形 行步骤 (2)： 式存在，标准编写人员手工查阅新旧标准是否一致是一个费时 3)前言．start=index；index++； 费力的工作。为了解决这个问题，本文研究了从一系列多样化标 4)得到标准中第index页首行的内容str； 准中粗略抽取信息的方法，并将抽取结果存于数据库中，从而 如果str=引言 二字，执行步骤 (5)；如果str=标准名称， 为标准编写人员提供相关内容的查询和检索帮助，以提高标准 执行步骤(7)；否则，index++继续执行步骤 (4)： 的编制效率。 5)引言．start=index；index++； 2标准抽取的总体方法 6)得到标准中第index页首行的内容str； 如果str=标准名称，执行步骤 (7)；否则，index++继续执行 “标准化工作导则 第1部分：标准的结构和编写”(以下简 步骤 (6)： 称 “国标”)是中华人民共和国国家质量监督检验检疫总局和 7)正文．start=index：index++； 中国国家标准化管理委员会发布的国家标准。国标规定了全国 8)如果indexMax — Index，算法结束；否则，得到标准中第 各行各业的标准应该具有的结构以及编写规范，是编写新标准 index页首行的内容str； 时应遵守的基础标准。本文研究的标准符合国标的规定。 如果str匹配正则表达式 “附录 [A—z]”，则fuluList． 国标规定了标准的结构：标准必须包含封面、前言和正文， Add(i