新闻出版 知识服务 知识元提取.pdfVIP

新闻出版知识服务知识元提取与标引

1范围

本文件规定了知识元的提取与标引的对象及方式、规则及规格、流程及质量等相关要求。

本文件适用于新闻出版领域知识库和知识资源库的建设与管理。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T38377—2019新闻出版知识服务知识资源建设与知识服务基础术语

GB/TXXXXX新闻出版知识服务知识体系建设与应用

GB/TXXXXX新闻出版知识服务知识本体构建流程

CY/T96—2013电子书内容术语

CY/T101.1—2014新闻出版内容数字化加工规范第1部分：加工专业术语

3术语和定义

GB/T38377、CY/T96和CY/T101.1界定的术语和定义适用于本文件。

标引marking-up

根据标引语言的规则，用词或短语对资源内容或形式表示的过程。

[来源：CY/T101.1—2014，6.2.7]

版式文件fixed-layoutdocument

排版后生成的，包含版面固化呈现需要的全部数据的一种文件。

[来源：CY/T96—2013，6.1.5]

流式文件streamdocument

按照内容逻辑顺序，内容呈现可适应终端设备屏幕或窗口变化的一种文件。

[来源：CY/T96—2013，6.1.6]

语素morpheme

语言中最小的音义结合体。

知识元knowledgeelement

在应用需求下，表达一个完整事物或概念的不必再分的独立的知识单位。

[来源：GB/T38377—2019,2.3]

3

4提取与标引对象

提取对象

新闻出版领域知识元的提取对象主要包括具有提取价值的资料，如图书、期刊、报纸、研究报告、

会议论文和标准等。宜优先选择正式出版物。

标引对象

标引对象的文件类型主要包括：

a)流式文件，文件格式包括ePub、TXT、HTML等。

b)版式文件，文件格式包括PDF等。

c)图片文件，文件格式包括TIFF、JPG、PNG等。

d)音频文件，文件格式包括WMA、MP3等。

e)视频文件，文件格式包括WMV、MP4等。

f)其他文件，上述文件格式以外的文件格式。

5提取与标引方式

提取原则与方式

5.1.1提取原则

知识元的提取原则如下：

a)完整性，提取类型完整、构成要素完整和描述完整，满足知识本体模型要求的必备性。

b)准确性，提取概念准确、描述准确以及关系准确。从原文中提取内容时应满足:

1)原文使用的参考或关联尽可能补齐；

2)原文中承上启下的描述应在编辑完善后收录，满足独立表述需要；

3)原文中涉及的各类图文序号应根据需要重新编排；

4)其他需要确保描述内容独立性的编辑工作。

c)实用性，提取重点强调实用性，具有较强的使用价值。

d)规范性，提取表述的规格、质量、粒度、程度等力求规范和统一。

e)相关性，提取与目标范围相关的知识元，力求构建知识元之间多种关系，尽量避免出现孤立知

识元。

5.1.2提取方式

知识元的提取包括词汇和词间关系，提取完成后应经人工复核以及规范化处理后形成知识元汇总

表。知识元提取方式如下：

a)人工提取，通过专用工具手动提取词汇以及词间关系；

b)自动提取，提取程序在分析处理内容后，自动提取其中的词汇以及词间关系；

c)其他提取，人工提取、自动提取以外的提取方式，如混合提取方式等。

标引原则与方式

5.2.1标引原则

知识元的标引原则如下：

4