面向领域科技文献的句子级创新点抽取研究-现代图书情报技术.pdfVIP

总第250 期 2014 年 第9 期 面向领域科技文献的句子级创新点抽取 研究* 张 帆 1,2 乐小虬 1 1( 中国科学院文献情报中心 北京 100190) 2( 中国科学院大学 北京 100049) 摘要: 【目的 】抽取领域科技文献中句子级创新点。【方法 】面向文献中的句子, 以领域词表和本体中的关系为 基础构建识别规则, 采用基于主题词重叠度的冗余度计算方法过滤创新点候选集。【结果 】选取肿瘤领域的数据 集进行实验, 抽取结果的准确率为 89.42%, 召回率为 60.14%。【局限 】规则有待进一步完善, 提高召回率。【结 论 】利用领域词表和本体中的关系能有效地抽取科技文献中的句子级创新点。 关键词: 科技文献 语言学特征 结构式摘要 创新点抽取 冗余度计算 分类号: TP393 1 引 言 抽取的研究范畴。近年来, 关于知识抽取的研究引起 了国内外研究者的广泛关注, 研究对象从实体或实体 [1] 创新点是科学论文的灵魂 , 可以直接体现一篇 之间的关系等短文本[8-9]扩展到可以揭示更完整语义 论文的学术价值和发表价值[2] 。从知识论(Theory of 的句子级。目前, 抽取创新点采用的主要方法有基于 Knowledge)角度进行界定, 论文创新点的表现形式为 语言学特征的方法、基于本体或词表的方法以及基于 论文中作者使用的“知识主张”(Knowledge Claim)[3-4] 。 句子分类的方法三种: 科技文献旨在为同一问题的其他研究者提供新知识[5-7], (1) 基于语言学特征的方法。其核心思想为通过 因此作者写作时会采用特定描述方式声明其首创性以 分析创新点的语言特征, 选择句子的特征项进行抽取 及创新性。论文作者使用的“新知识主张语句”为读者 或制定相应规则抽取。文献[10-11]在构建知识元时根 提供所做研究的新知识, 可以揭示论文的创新点。 据语言特点定位描述创新点知识元的句子, 进而获取 抽取领域文档集中的论文创新点, 能有效揭示领域 句子中的特征词(实词)作为抽取特征项; 文献[12-15] 的研究进展, 可以帮助研究者快速发现和评估领域内各 采用基于规则的方法抽取科技文献中的创新研究内 研究方向出现的新技术、新方法。本文以肿瘤领域的期 容、性能参数、概念及其学术定义等重要信息。该方 刊文献、主题词表和知识本体为基础, 旨在探索利用领 法的不足为: 完善规则的制定需要语言学专家的参与; 域词表和本体抽取科技文献中的句子级创新点的有效 特征的选取和规则的制定无法覆盖抽取目标的所有语 方法, 为研究领域创新点深层次挖掘和利用提供途径。 言学现象。 (2) 基于本体或词表抽取的方法。通过词表或本 2 创新点抽取方法研究概况 体中实体之间的关联可以发现潜在的新知识(如已知 识别科技文献中的具体创新点隶属于句子级知识 关系A 影响B, B 引发C, 则可以推理出潜在的新关系 收稿日期: 2014-05-14 收修改稿日期: 2014-06-23 *本文系国家科技支撑计划子课题“基于文献知识网络的领域学术关系研究与示范”(项目编号: 2011BAH10B06-04)的研究成果之一。