一种基于启发式搜索的论文元数据提取算法.PDF

第２６卷第９期　　　 计算机应用与软件 Ｖｏｌ２６Ｎｏ．９ ０９ ２００９年９月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｓｅｐ．２０ 一种基于启发式搜索的论文元数据提取算法 张付志　侯　娜　刘　慧　马玉静 （燕山大学信息科学与工程学院　河北秦皇岛０６６００４） 摘　要　　随着大量的科研论文以电子文档的形式出现，为了高效地检索这些科研文献资料，从中精确地抽取这些论文头部的元 数据信息显得十分有必要。在条件随机场模型的基础上，提出了一种启发式搜索算法来对论文头部的元数据信息进行提取。该算 法首先利用文本分块技术和特征提取规则来对文本进行预处理，然后结合条件随机场概率模型利用启发式搜索来进行元数据的提 取。实验结果表明，在相同概率模型的基础上，该算法有着较好的性能，在精确度和召回率方面都有了明显的提高。 关键词　　信息提取　元数据提取　条件随机场　文本分块　启发式搜索 ＭＥＴＡＤＡＴＡＥＸＴＲＡＣＴＩＯＮＡＬＧＯＲＩＴＨＭＦＯＲＤＩＳＳＥＲＴＡＴＩＯＮＳ ＢＡＳＥＤＯＮＨＥＵＲＩＳＴＩＣＳＥＡＲＣＨ ＺｈａｎｇＦｕｚｈｉ　ＨｏｕＮａ　ＬｉｕＨｕｉ　ＭａＹｕｊｉｎｇ （ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｑｉｎｈｕａｎｇｄａｏ０６６００４，Ｈｅｂｅｉ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｗｉｔｈｔｈｅｐｒｅｓｅｎｃｅｏｆｌａｒｇｅｑｕａｎｔｉｔｙｏｆｓｃｉｅｎｔｉｆｉｃｒｅｓｅａｒｃｈｄｉｓｓｅｒｔａｔｉｏｎｓｉｎｅｌｅｃｔｒｏｎｉｃｄｏｃｕｍｅｎｔｓｆｏｒｍａｔ，ｉｔｉｓｖｅｒｙｎｅｃｅｓｓａｒｙｔｏａｃ ｃｕｒａｔｅｌｙｅｘｔｒａｃｔｔｈｅｍｅｔａｄａｔａｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｄｉｓｓｅｒｔａｔｉｏｎｈｅａｄｅｒｓｉｎｏｒｄｅｒｔｏｒｅｔｒｉｅｖｅｔｈｅｓｅｄｉｓｓｅｒｔａｔｉｏｎｓｅｆｆｉｃｉｅｎｔｌｙａｎｄｅｆｆｅｃｔｉｖｅｌｙ．Ｉｎｔｈｉｓ ｐａｐｅｒｉｔｐｒｏｐｏｓｅｓａｈｅｕｒｉｓｔｉｃｓｅａｒｃｈａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｎｄｉｔｉｏｎａｌｒａｎｄｏｍｆｉｅｌｄｓｍｏｄｅｌｔｏｅｘｔｒａｃｔｔｈｅｍｅｔａｄａｔａｆｒｏｍｔｈｅｈｅａｄｅｒｏｆｔｈｅｄｉｓｓｅｒｔａ ｔｉｏｎｓ．Ｆｉｒｓｔｌｙ，ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｔｅｘｔｂｌｏｃｋｉｎｇｔｅｃｈｎｏｌｏｇｙａｎｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｒｕｌｅｔｏｐｒｅｔｒｅａｔｔｈｅｆｉｌｅｔｅｘｔ，ａｎｄｔｈｅｎｃｏｍｂｉｎｅｓｗｉｔｈｔｈｅｐｒｏｂａ ｂｉｌｉｔｙｍｏｄｅｌｏｆｔｈｅｃｏｎｄｉｔｉｏｎａｌｒａｎｄｏｍｆｉｅｌｄｓｔｏｅｘｔｒａｃｔｔｈｅｍｅｔａｄａｔａｗｉｔｈｈｅｕｒｉｓｔｉｃｓｅａｒｃｈａｌｇｏｒｉｔｈｍ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌ ｇｏｒｉｔｈｍｈａｓａｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｏｎｔｈｅｂａｓｉｓｏｆｔｈｅｓａｍｅｐｒｏｂａｂｉｌｉｔｙｍｏｄｅｌｓ．Ｉｔｉｍｐｒｏｖｅｓｔｈｅｐｅｒｆｏｒｍａｎｃｅｉｎｐｒｅｃｉｓｉｏｎａｎｄｒｅｃａｌｌｒａｔｅａｌｏｔ． Ｋｅｙｗｏｒｄｓ　　Ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ　Ｍｅｔａｄａｔａｅｘｔｒａｃｔｉｏｎ　Ｃｏｎｄｉｔｉｏｎａｌｒａｎｄｏｍｆｉｅｌｄｓ　Ｔｅｘｔｂｌｏｃｋ　Ｈｅｕｒｉｓｔｉｃｓｅａｒｃｈ 是没有考虑文本的上下文特征信息和文本词汇本身包含的特征 ０　引　言 信息，而这些信息对于实现正确的信息抽取是非常有用的。文 献［４］使用最大熵马尔可夫模型