1 / 11

Extrakcia metadát zo zborníkov z WIKT o článkoch, referenciách a citáciach

Extrakcia metadát zo zborníkov z WIKT o článkoch, referenciách a citáciach. Vyh ľadávanie informácii. Lukas Tursky VI 2012/2013. Zadanie. Viacero publikovaných príspevkov sa zhlukuje do jedného veľkého zborníka

jabir
Télécharger la présentation

Extrakcia metadát zo zborníkov z WIKT o článkoch, referenciách a citáciach

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Extrakcia metadát zo zborníkov z WIKT o článkoch, referenciách a citáciach Vyhľadávanie informácii Lukas Tursky VI 2012/2013

  2. Zadanie • Viacero publikovaných príspevkov sa zhlukuje do jedného veľkého zborníka • Nechcený efekt v podobe straty jednotlivých metadát opisujúcich pôvodné príspevky • Cieľ: Parsovať veľké členité PDF dokumenty

  3. Implementácia • 3 časti • Stiahnutie zborníkov – Crawler • Extrakcia navrhnutých metaúdajov – PdfBox • Indexovanie a zobrazenie – Lucene

  4. Parsovanie a Extrakcia • PdfMI štruktúra pre ukladanie metainfo údajov • Parsovanie v skratke: • Odparsujem celé bloky s textom obsahujúcim metaúdaje • Extrahujem konkrétne metaúdaje

  5. Parsovanie a Extrakcia - Postup 1 Pre každý pdf dokument (PDDocument) v zozname 2 Pre kadžú stranu pdf (PDPage) vykonaj 3.1 Zavolám resolveArticleFromPage - hľadám či je to prvá strana článku - Rozparsuj text - v rámci toho hľadaj text s najväčším fontom - Ak je to úvodná strana => zapamätaj si všetky bloky titulnej strany - Ak našiel nadpis s referenciami, tz. že koniec článku => extractBlockWithReferences, ulož všetky bloky od tohto nadpisu a setni endArticleFlag - Ak endArticleFlag => čo ak strana s referenciami pokračuje, tento jednorázový flag zabezpečí jej handling 3.2 Ak našlo komplet článok => extrahuj dáta z indentifikovaného článku 4 Prechádzaj extrahované bloky článku a exrahuj metaúdaje - TITLE - pos=0 - AUTORI - pos=1 - check if UVOD - check if ABSTRAKT - check if contains KLUCOVE SLOVA - co ak klucove slova v abstrakte? => zmaz ich odtial - check if containt "@" - blok obsahujuci EMAILY - kombinácia normalne ako simple@xxx.yy, alebo ako komplex mien cez {meno , meno2, ...}@xxx.yy - check if KONIEC / REFERENCIE - pridaj všetky zvyšné bloky

  6. Hľadanie • Titulok • font titulku > MIN_FONT_HEIGHT && getY titulku < MAX_TITLE_Y && containsArticleStartSpecificStrings() && !containsArticleEndSpecificStrings() • Začiatok a Koniec • List<String> abstractSpecificString Arrays.asList("Abstract.", "Abstrakt.", "Abstract", "Abstrakt"); - u 100% určený začiatok • List<String> endSpecificString Arrays.asList("Literatúra", "Referencie", "Literature", "References", "Reference", "Použitá literatúra"); - u 90% určený koniec • Regexpy • Odstavce s textom • Jednoduchý a zložený formát emailu • Linky

  7. Problémy pri parsovaní • Rôzny encoding článkov • Pre niektoré strany sa extrahuje text ako pre dvojstránku • Nadpis referencie byť chybne zaradený do bloku s nasledujúcim textom • Referencie na dvoch stranách • Úvodné prvky metadát članku sa nemusia vyskytovať všetky • Kľúčové slová môžu byť v rámci abstraktu, ale chcem ich samostatne

  8. Ukážka

  9. Indexovanie • Cez Lucene indexujem navrhnuté metainfo • Prehľiadanie cez Luke nástroj

  10. Vyhodnotenie

  11. Zhrnutie • Celkové výsledky veľmi dobré • Vytvorené všeobecnejšie riešenie pre extrakciu vedeckých článkov • Chyba by sa dala odstrániť zčasti jednotným generovaním PDF článkov

More Related