科技论文的标题识别.pdfVIP

科技论文的标题识别 朱海军张桂平蔡东风王炜华 沈阳航空工业学院知识工程中心，辽宁沈阳110034 E-mail：ablenavy@gmail．oom 摘要：科技论文的结构可燃文中的小标题进行分析，但小标题的种类繁多、格式多样，给计算机的识别带来 一定的困难。本文在识别有数字标号的标题时，对单纯的数字识别法进行了改进，并提出一种基于特征词的识别 法，用于识别没有数字标号的标题。在此基础之上，构建了一个标题识别系统。实验结果表明，该系统能以较高 的召回率和正确率有效地识别小标题。 关键词：标题识别，结构分析，小标题提取 ’。 ’ Ti tI eI fcati onofSci enti fi CDi ssertati ons denti i ZEU Wei-hua H=-m，ZT队NGGui-pmg,CA／Dong-feng，WANG Research InstimteofAeronautical 10034 Knowledge EII由∞血g，Shenyang,Liaonin8,1 EnaineeringCellter,Shenyang E-mail：ablenavy@gmail．Gom dissertations咖be theirrifles．But havedifficulties Abstract：Thestnmlumofscienfific analysedbyidentifying computers in for informat．Inthis thetitleswhichhave the{／timtier and papI％whenidentifying idcndfying vsn矗y multiplicity mflhod titles is anewmethodbasedOnthefeatures disital bydi酬flagspropos砒，and flags,锄improvedcfidentifying to is is thetitleswhichhavenO thek函s tideideatiflcationconstructed． proposedideatify disitdna铲．On ofelis,a syaem recall The resultsshowthatthecan therifles rateand experimeatal systemeffectivelyidmafy byhigh accuracy． CgllaOliQfl Keywords／fideidenfificalion，structureanaly,=is,title 1引言 随着科技水平的迅猛发展，科技论文的数量呈指数级增长，如何能快速地获取有效信 息，成为新一代搜索引擎亟待解决的问题。 虽然科技文献有着明晰的结构，但很多是以PDF和Word格式存在，而计算机在处理时一 般是基于文本格式的，在利用工具(如PDFBOX，POI等)进行解析时，往往丢失格式信息， 甚至出现错误。本来具有清晰结构的科技论文，常常因格式的丢失或不规范，给计