图书网页的自动识别及书目信息抽取研究

摘要：

[目的]以相关的图书类网页为对象,研究图书网页的自动识别及书目信息抽取方法.[方法]在分析不同图书网页标签使用特征、布局结构以及书目信息表征的基础上,通过定义通用规则及共现词和页面分析等技术建立图书网页自动识别及书目信息抽取模型.[结果]实验证明,该模型针对来自一般性网站的图书网页识别率可以达到近80％,而针对各类图书网页书目信息的抽取准确率平均也达到79％左右.[局限]该方法中阈值的设定综合考虑了多种类型图书网页信息特征,但对于部分特征极其特殊的网页存在误判现象,若进一步改进算法,可能效果更好.[结论]此方法对于各种类型图书网页的自动识别和书目信息抽取均能取得比较理想的效果,普适性较强,同时也为图书网页信息组织管理和自动分类研究奠定了基础.

关键词：图书网页、书目信息、自动识别、信息抽取

分类号：TP391(计算技术、计算机技术)

资助基金：湖北省高校图工委基金项目“传统分类体系下多种类型文献自动分类研究”项目2012YB02的研究成果之一

在线出版日期：2014-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：71-77