论文部分内容阅读
元数据是指用来标志、描述和定位电子资源的数据,也被称为数据的数据。它专门用来描述数据的特征和属性、提供某种资源有关信息的结构数据。有效的元数据组织可以让人们更方便、更准确、更快捷地检索到自己需要的信息,这对于数字文献的管理是必不可少的。但是目前文献元数据的制作和生成,主要靠人工编辑完成,耗时耗力,又效率低下。如何有效的自动获取和生成数字文献的元数据,成为数字资源加工领域一个亟待解决的问题。
从科研论文的头部抽取元数据已经被研究者广泛关注,但如何从图书中自动提取元数据还鲜见研究发表。本文关注这个问题,提出了一个基于规则和机器学习相结合的方法。本文方法包括四个步骤,即元数据的定位、分割、标注以及后处理。
元数据定位:图书的扉页包含了元数据的绝大部分,因此,本文通过定位图书扉页来获取元数据,在其中,我们提出了基于规则的扉页定位方法和扉页中元数据区域的定位方法。
元数据分割:依据行、分隔符号和空白进行页面分块,使得每一块尽可能的对应一个逻辑上完整的元数据。针对一些电子书中空白难以界定的情况,本文还设计了基于反馈的双阈值判定方法。
元数据标注:针对中文图书的元数据特点,本文首先提出了一系列的元数据提取规则,建立了规则库和执行策略。然后提出了更为灵活的基于支持向量机(Support Vector Machine,SVM)的元数据提取方法,根据人工标注的样例,自动学习元数据提取规则。最后根据元数据标注结果的准确程度,将基于规则和学习的方法结合起来,实现对文字块进行元数据类型的标注。对于书名和作者这两种利用以上方法难以识别的元数据,本文根据页眉页脚的元数据重现性,利用页间联合判断的方法,实现书名和标题的识别,提高了书名和作者的识别效果。
后处理:包括两个方面,元数据分割结果的后处理和标注结果的后处理,在其中本文提出了双阈值的分割方法和基于元数据连续性的标注修正方法。
本文实现了一个中文图书元数据提取的系统原型,建立了用于机器学习训练和测试的数据集。实验证实本文方法能取得较高的准确率,将有助于提高电子书