论文部分内容阅读
随着Internet的飞速发展与web技术的日益成熟,大量科技文献、技术报告等文档资源摒弃了陈旧的纸笔和印刷体媒介,以数字化的形式出现在网络与数据库之中.如何合理有效地存储、组织、检索这些数字化文档资源,为用户提供更加方便、快捷并具有良好指导与启发意义的检索与评价服务,已经成为数据库、数字图书馆和信息检索等领域亟待解决的问题.科技文献的一个突出特点是引文信息.引文作为一种有效的检索手段与文档组织方式,本身包含了丰富的语义信息,是对相关引用文献精确而简练的概括性描述.利用引文信息进行文档存储、组织与检索并在此基础上进行的引文分析和数据挖掘工作已经成为数据库与信息系统领域的研究热点,为越来越多的科研工作者所重视和关注.该文在深入剖析现有引文互联与分析研究成果的基础上,以科技文献引文信息为主要研究对象,提出建立数字化文档共享平台的构想与策略,并实现了文档存储、检索、组织、评价的相关算法.该文采用自动化抽取元数据的方法将科技文献元数据信息作为引文互联的关键元素,利用关系数据库存储文献引用逻辑关系以实现引文互联.其中,启发式规则与正则匹配相结合的元数据自动抽取算法以及粗细两种粒度的元数据抽取策略保证了较高的信息抽取精确度,可供定制的抽取规则库也为信息抽取工作提供了必要的指导.在引文互联研究工作的基础上,该文利用HITS算法寻找科技文献集合内部具有重要地位和作用的Authority文档以及具有指导与启发意义的Hub文档,并完成特定检索结果的排级工作.在引文上下文的内容分析与知识发现方面,该文利用WordNet与领域知识库发掘读者感兴趣的信息,包含文章主旨、引用动机、领域分类、评价与预测等.系统原型结合文档元数据信息的主观描述与引文上下文内容描述的客观评价,自动形成文档的概要表述,为用户提供语义信息更丰富、更客观、更权威的文档指导,并对未来科研发展方向给出合理预测.文章亦给出了领域知识库的动态更新与索引建立与维护的有效算法,保证概念识别与知识发现的准确与高效.该文在实验过程中,注重将现有原型与当前流行的引文分析与数据挖掘系统进行比较,以期突出我们的工作重点与主要特色.该文在最后给出了进一步的研究设想与相关工作展望.该系统原型作为北京大学科技研究交互平台PKUSpace中信息抽取与检索、引文互联分析模块的一部分,为用户提供数字化科技文献存储、浏览、查询与评价预测服务.