数字人文与数字图书馆.pdfVIP

数字人文与数字图书馆： 中国历代文献的文字识别、群众外包及文本挖掘 德龙（Donald Sturgeon） 哈佛大学 sturgeon@ 概要 • Chinese Text Project / 中国哲学书电子化计划 – 中国前现代文献的数字图书馆 – /zhs • 资料整理和校勘 – 文字识别（OCR ） – 群众外包（Crowdsourcing ） • 应用程序界面（API ） – 与其它计划项目之间的整合 – 文本挖掘的实现 2 Chinese Text Project () • 主要内容与功能： – 前现代中文文献的影印古籍 – 该资料对应的文字版 – 此类文献的数字化阅读、研究系统 • 收录范围： – 抄本、刻本 – 自从：最早的传世文献 – 直到：20世纪初文献 3 主要资料类型 影印古籍图像 古籍文字版 资料凡例 5 资料规模和使用量 • 每日2.5万用户 • 50亿字 • 2500万页 • 8000注册用户 • 每日100人次贡献 6 中文古籍的文字识别（OCR ） • 专业图像处理 – 自动移除不需识别的内容和杂讯 7 中文古籍的文字识别（OCR ） • 专业文字分割 – 借用中文文献的特性自动分割文字图像 8 中文古籍的文字识别（OCR ） • 用实际古文字图像训练文字识别系统 – 需要为每一个汉字提供已分类的图像 性 繼 築 丸 9 谷歌图书OCR 谷歌图书扫描页面 谷歌图书OCR结果 4 旨 進 一 歩 從 値 不 外 ^ 前 班 成 佴 13 因 儻 事 進 力 媪 有 體 內 , X 布 午 矣 他 ^^, 明 後 嗣