基于规则的网络文本资源标题快速自动识别方法.PDFVIP

现代图书情报技术 版权所有欢迎下载引用 请注明引用地址基于规则的网络文本资源标题快速自动识别方法 现代图书情报技术 总第 期 年 第 期 基于规则的网络文本资源标题快速自动识别 方法 刘建华 张智雄 谢靖 邹益民 中国科学院国家科学图书馆 北京 中国科学院研究生院 北京 摘要 选取网络文本资源的标题识别作为切入点除考虑多数研究关注的文本的格式信息如字体 位置信息 等特征外加入对标题与网页正文内容的相关度的考虑利用科技监测项目采集到的大量历史数据作为统计分析 的基础从候选标题的可能来源和特征方面构建基于规则的网络文本资源标题快速识别方法并给出该方法的 时间效率和识别准确率测评结果 关键词 网络文本资源标题识别标题来源标题特征 分类号 引言 随着科技水平和网络传播方式的迅猛发展在正式的科技论著产量急剧增长的同时越来越多的管理机构 科研机构等也选择网络这类非正式交流平台发布共享相关的科研进展新闻重大研究成果或研究报告年度预 算等 与正式交流渠道如期刊著作等发布的研究成果相比网络平台发布的各类文本资源信息具有以下特 征涉及内容范围广信息资源丰富动态变化更新及时时效性强载体形式丰富包括等 各种文本类型 无法用统一的方法进行处理各类描述性元数据信息不完整 如标题创建时间作者等 为了使庞杂无序的网络文本资源便于机器理解从而进一步推动信息检索文本聚类主题监测等工作自动有 效地识别获取网络文本资源的相关元数据信息非常必要 本文选取文本的标题识别作为切入点着重探索 收稿日期 收修改稿日期 本文系中国科学院资助项目科技机构自动监测服务系统 的研究成果之一 论文选登 及等几类文本类型网络资源的标题识 以下几个特点 别方法 此外由于不同语种在自然语言表现上各有 文本的格式信息如字体 位置信息等是众 特点本文目标是英文文本即相关研究针对英文文本 多研究关注的重点而对标题与网页正文内容的相关 展开 度关注比较少 当前的研究主要是对离线数据的处理绝大 标题识别的相关研究 多数集中于从文本内部的内容中确定标题在提取的 标题标识了文章的主要内容即文章精要内容的 准确性方面都有比较好的评测结果但在时间效率方 提炼概括与浓缩 基于此自动识别文本中的标题吸 面却没有给出有效的评测结果而如 一类的搜 引了不少研究者的目光 在近年的相关研究中文本 索引擎在采集过程中即综合采用锚点文本内容 标题的自动识别主要包括两类对科技论文标题的识 和标签以文本的属性信息作为标题 别主要是格式的文本 和对网络文本标题的识 的来源时间效率比较高但准确性相对较低 别 前者由于其格式载体类型文档内容结构等相对 本文基于现有的相关研究成果通过充分分析利 固定单一因此在方法上可以基于简单的模式规则 用网络文本资源的标题来源标题特征等信息探索一 如等开发的基于规则从科技论文中识别