PDF科技论文语义元数据的自动抽取研究.PDFVIP

* 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] 分析了 PDF 文件结构，在此基础上，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实现了较好的抽取效果。 [关键词] PDF 科技论文 语义元数据 自动抽取 [分类号] TP391.43 Automatic Extraction of Semantic Metadata from PDF Research Papers Zhang Xiuxiu Ma Jianxia (Lanzhou Branch of National Science Library, Chinese Academy of Sciences, Lanzhou 730000, China) [Abstract] In order to extract semantic metadata from PDF research papers, we analyze the structure of PDF documents, On the basis of that we parse the content streams and give a hybrid method combining rule-based matching approach with format-based locating approach. Experiments show that our extractor gains a fairly high effect. [Keywords] PDF ; Research paper; Semantic metadata ; Automatic 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。 目前，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、 关键词四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。 目前，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模式识别和模式匹配的模版挖掘技术达到抽 取 自由文本的目的，如文献[1]利用正则表达式规则从 PDF 文档中抽取首页元数 据；文献[2]采用基于层级知识描述框架的 InfoMap 方法抽取引文元数据等。基 * 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”及国家社会科学基金项目 “机构知识库建设与应用研究”（项目编号：07BTQ019 ）的研 究成果之一。 于规则的方法易于理解和操作，并且如果规则制定得当，抽取效果将十分理想。 但是基于规则的方法需要专业人员预先设计一系列规则，而且如果抽取的目标发 生变化则会有规则不适应的情况出现。机器学习的方法采用另外一种思路，它通 过训练样本并建立样本的输入与输出之间的关系来预