【精品推荐】PDF科技论文语义元数据的自动抽取研究.pdfVIP

专 业 推 荐 ↓ 精 品 文 档 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 】TP391. 43 Automa tic Extraction of Seman tic M etada ta from PD F Research Papers Zhang X iuxiu　M a J ianxia ( The L anzhou B ranch of N ational Science L ib rary, Ch inese A cademy of Science s, L anzhou 730000 , Ch ina) 【Ab stract 】Th is p ap er analyze s content stream s of PDF file s ba sed on its structure, and extracts sem antic m etadata au to m atically from re search p ap ers by way of ru le - based m atch ing and form at - based locating. Exp erim ental resu lts show that th is m ethod can extract important sem antic m etadata such a s title and au thor effectively. 【Keywords】PDF　R e search p ap er　Sem antic m etadata　Au tom atic extraction 1　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 - 2 1 　　 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 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