本發(fā)明涉及自動提取論文引用內(nèi)容及對應(yīng)文后參考文獻(xiàn)的方法和系統(tǒng)技術(shù)領(lǐng)域，具體為一種自動提取論文引用內(nèi)容及對應(yīng)文后參考文獻(xiàn)的方法和系統(tǒng)。

背景技術(shù)：

論文引用內(nèi)容抽取指從論文中抽取出引用了其他參考文獻(xiàn)的內(nèi)容，其屬于信息抽取技術(shù)范疇，隨著科學(xué)技術(shù)的發(fā)展，作為科學(xué)研究成果代表的論文數(shù)量也在不斷增長，對海量論文進(jìn)行碎片化，知識化處理，從中發(fā)掘出深層次內(nèi)容信息成為文獻(xiàn)計量學(xué)領(lǐng)域的迫切需求，碎片化處理指根據(jù)需求從論文中抽取出相應(yīng)內(nèi)容，如研究對象，研究背景，引用內(nèi)容等等，由于論文的引用關(guān)系反映了科學(xué)技術(shù)發(fā)展傳承的過程，同時為評價論文提供了真實可靠的客觀標(biāo)準(zhǔn)，因此在碎片化的整體需求中，提取引用內(nèi)容顯得尤為重要，另一方面，傳統(tǒng)的文獻(xiàn)計量學(xué)對于引用關(guān)系的研究局限于被引頻次，題錄信息等淺層信息，也需要進(jìn)一步深入到引用內(nèi)容層次進(jìn)行分析，可見，對論文引用內(nèi)容的抽取具有重要意義，論文相對于其他語料，具有行文格式較為規(guī)范的特點，特別是對于參考文獻(xiàn)的引用，更是需要遵循一定規(guī)則，如gb/t7714-2005《文后參考文獻(xiàn)著錄規(guī)則》以國標(biāo)的形式規(guī)定了引用文后參考文獻(xiàn)的著錄方法，因此目前有關(guān)引用內(nèi)容抽取的研究一般使用基于規(guī)則的方法，中科院聲學(xué)所韋向峰等人提出根據(jù)標(biāo)志符”[]”，”()”以及其中連接符號”，”，”-”判斷論文中是否存在引用，并抽取出引用內(nèi)容的方法，在基于規(guī)則的抽取方法中，根據(jù)抽取對象特點，設(shè)計合理抽取規(guī)則是算法核心所在，韋向峰的方法利用了引用內(nèi)容最明顯的標(biāo)志，然而并沒有全面分析引用存在的不同形式，設(shè)計的抽取規(guī)則并不完善，也沒有通過大規(guī)模語料驗證算法，因此不能保證抽取的全面完整，在算法中，也沒有提到如何對引用內(nèi)容和其所引用的參考文獻(xiàn)進(jìn)行對應(yīng)，除了自動抽取外，目前也有一些研究者采用手工方法進(jìn)行引用內(nèi)容抽取，手工方法通過人工閱讀論文，判斷文中的引用標(biāo)志，抽取出引用內(nèi)容，并將其與文后所引用的參考文獻(xiàn)對應(yīng)，如何榮立等人對于引用內(nèi)容的研究采用人工方法，手工提取了300篇不同類型論文中包含的引用內(nèi)容，很明顯，這樣的方法雖然簡單明了，然而費時費力，不能實現(xiàn)大規(guī)模的抽取目前文獻(xiàn)計量學(xué)領(lǐng)域研究引用關(guān)系只利用論文的引用次數(shù)，文獻(xiàn)題錄等信息，沒有從論文中提取出引用內(nèi)容信息以及進(jìn)行更深層的分析利用，也沒有一套完整全面從論文中提取出引用內(nèi)容的系統(tǒng)方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種自動提取論文引用內(nèi)容及對應(yīng)文后參考文獻(xiàn)的方法和系統(tǒng)，以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種自動提取論文引用內(nèi)容及對應(yīng)文后參考文獻(xiàn)的方法和系統(tǒng)，包括以下步驟：

步驟一：從rec文本中提取論文正文內(nèi)容，提取部分為‘<正文>＝’標(biāo)簽后至下一個標(biāo)簽‘<>＝’之間內(nèi)容，提取正則表達(dá)式如，‘<全文>＝(，*？)<\d*>’；

步驟二：正文分句，對步驟一中提取出的正文內(nèi)容進(jìn)行分句，分句符號為中文句號‘。’和英文句號‘，’，由于英文句號與數(shù)學(xué)小數(shù)點，e，g等特殊符號相同，故設(shè)計如下分步處理方法，依次通過三個正則表達(dá)式來判斷是否應(yīng)當(dāng)分句，‘(？！\d\，\))(？！\d\，\])(？！l\，，)(？！e\，g)(？！[a-z]\，\d)(\d\，(？！@)\d)’，‘(？！e\，\d)(？！g\，\d)(\d\，(？！@)\d)’，‘?！?；

步驟三：抽取引用內(nèi)容，在步驟二分句的基礎(chǔ)上，從其中抽取出含有順序編碼制引用方式的句子，通過對大量數(shù)據(jù)分析，論文中順序編碼制可能包括如下幾種格式(1)純數(shù)字[1]，(2)連接號分隔[1-3]，(3)其他符號分隔[1～3][1～3]，(4)逗號及混合方式[1，2][1，2-4]，[1，2～4]，對于以上格式，分別設(shè)計正則表達(dá)式規(guī)則抽取，(1)‘\[(\d+)\]'，(2)‘\[(\d+-\d+)\]’，(3)‘\[(\d+～\d+)\]’‘\[(\d+～\d+)\]’，(4)‘\[(\d+，，*？\d+)\]’，符合以上正則表達(dá)式的句子被抽取出作為引用內(nèi)容；

步驟四：獲取引用內(nèi)容中參考文獻(xiàn)標(biāo)號，在步驟三中四種格式的基礎(chǔ)上，解析所對應(yīng)的參考文獻(xiàn)標(biāo)號，如[1]對應(yīng)1，[1，2-4]對應(yīng)1，2，3，4；

步驟五：對應(yīng)文后參考文獻(xiàn)，通過步驟四中獲取的引用內(nèi)容中參考文獻(xiàn)標(biāo)號，與文后參考文獻(xiàn)序號對應(yīng)，由于文后參考文獻(xiàn)可能存在如下三種形式，(1)方括號[1]，(2)圓括號(1)，(3)只有數(shù)字無括號1，故根據(jù)以上三種形式設(shè)計對應(yīng)正則表達(dá)式如，'\['+‘num’+'\]'‘num’'\('+‘num’+'\)'，按上述正則表達(dá)式首先在引文字段搜索參考文獻(xiàn)序號，如果沒有，則在正文末尾部分搜索參考文獻(xiàn)序號，完成引文內(nèi)容與文后參考文獻(xiàn)的對應(yīng)。

優(yōu)選的，步驟一中，rec文本是本方法研究處理的論文格式，rec格式文本在每篇論文開頭標(biāo)志<rec>，此后論文中相關(guān)字段以‘<標(biāo)簽>＝’形式標(biāo)出，如，<rec><標(biāo)題>＝乒乓球教育的反思<全文>＝乒乓球是我國全民普及率非常高的運動項目，在我國有著非常廣的群眾基礎(chǔ)，就運動項目本身來說，乒乓球運動…，<引文>＝。

優(yōu)選的，在步驟四中，引用內(nèi)容指論文正文中包含有順序編碼制參考文獻(xiàn)引用方式的句子，句子的分隔符號為中英文句號，參考文獻(xiàn)是論文正文后以順序編碼方式列出的被引用文獻(xiàn)及相關(guān)信息，不包括尾注，腳注等其他形式。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：該發(fā)明使用三組規(guī)則對論文句子進(jìn)行切分，有效解決了英文句號的歧義問題，為后續(xù)抽取工作打下良好基礎(chǔ)，多規(guī)則引用內(nèi)容抽取方法，在研究大規(guī)模論文數(shù)據(jù)的基礎(chǔ)上，分析了四種不同的引用方式，并針對這些引用方式制定了抽取規(guī)則，處理論文數(shù)量達(dá)到百萬篇級別，準(zhǔn)確率和召回率分別達(dá)到83.5％，95.7％，無論是分析規(guī)模還是抽取性能，都優(yōu)于現(xiàn)有技術(shù)，文后參考文獻(xiàn)對應(yīng)方法，本申請所使用參考文獻(xiàn)對應(yīng)方法不但能在引文字段上完成對應(yīng)，如引文字段空缺，還可以在全文中進(jìn)行對應(yīng)，三種對應(yīng)規(guī)則確保了較好的對應(yīng)效果。

附圖說明

圖1為本發(fā)明系統(tǒng)流程示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

實施例：

請參閱圖1，本發(fā)明提供一種技術(shù)方案：一種自動提取論文引用內(nèi)容及對應(yīng)文后參考文獻(xiàn)的方法和系統(tǒng)，包括以下步驟：

步驟一：從rec文本中提取論文正文內(nèi)容，提取部分為‘<正文>＝’標(biāo)簽后至下一個標(biāo)簽‘<>＝’之間內(nèi)容，提取正則表達(dá)式如，‘<全文>＝(，*？)<\d*>’，rec文本是本方法研究處理的論文格式，rec格式文本在每篇論文開頭標(biāo)志<rec>，此后論文中相關(guān)字段以‘<標(biāo)簽>＝’形式標(biāo)出，如，<rec><標(biāo)題>＝乒乓球教育的反思<全文>＝乒乓球是我國全民普及率非常高的運動項目，在我國有著非常廣的群眾基礎(chǔ)，就運動項目本身來說，乒乓球運動…，<引文>＝；

步驟二：正文分句，對步驟一中提取出的正文內(nèi)容進(jìn)行分句，分句符號為中文句號‘?！陀⑽木涮枴?，’，由于英文句號與數(shù)學(xué)小數(shù)點，e，g等特殊符號相同，故設(shè)計如下分步處理方法，依次通過三個正則表達(dá)式來判斷是否應(yīng)當(dāng)分句，‘(？！\d\，\))(？！\d\，\])(？！l\，，)(？！e\，g)(？！[a-z]\，\d)(\d\，(？！@)\d)’，‘(？！e\，\d)(？！g\，\d)(\d\，(？！@)\d)’，‘?！?；

步驟三：抽取引用內(nèi)容，在步驟二分句的基礎(chǔ)上，從其中抽取出含有順序編碼制引用方式的句子，通過對大量數(shù)據(jù)分析，論文中順序編碼制可能包括如下幾種格式(1)純數(shù)字[1]，(2)連接號分隔[1-3]，(3)其他符號分隔[1～3][1～3]，(4)逗號及混合方式[1，2][1，2-4]，[1，2～4]，對于以上格式，分別設(shè)計正則表達(dá)式規(guī)則抽取，(1)‘\[(\d+)\]'，(2)‘\[(\d+-\d+)\]’，(3)‘\[(\d+～\d+)\]’‘\[(\d+～\d+)\]’，(4)‘\[(\d+，，*？\d+)\]’，符合以上正則表達(dá)式的句子被抽取出作為引用內(nèi)容；

步驟四：獲取引用內(nèi)容中參考文獻(xiàn)標(biāo)號，在步驟三中四種格式的基礎(chǔ)上，解析所對應(yīng)的參考文獻(xiàn)標(biāo)號，如[1]對應(yīng)1，[1，2-4]對應(yīng)1、2、3、4，引用內(nèi)容指論文正文中包含有順序編碼制參考文獻(xiàn)引用方式的句子，句子的分隔符號為中英文句號，參考文獻(xiàn)是論文正文后以順序編碼方式列出的被引用文獻(xiàn)及相關(guān)信息，不包括尾注，腳注等其他形式；

步驟五：對應(yīng)文后參考文獻(xiàn)，通過步驟四中獲取的引用內(nèi)容中參考文獻(xiàn)標(biāo)號，與文后參考文獻(xiàn)序號對應(yīng)，由于文后參考文獻(xiàn)可能存在如下三種形式，(1)方括號[1]，(2)圓括號(1)，(3)只有數(shù)字無括號1，故根據(jù)以上三種形式設(shè)計對應(yīng)正則表達(dá)式如，'\['+‘num’+'\]'‘num’'\('+‘num’+'\)'，按上述正則表達(dá)式首先在引文字段搜索參考文獻(xiàn)序號，如果沒有，則在正文末尾部分搜索參考文獻(xiàn)序號，完成引文內(nèi)容與文后參考文獻(xiàn)的對應(yīng)。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，對于本領(lǐng)域的普通技術(shù)人員而言，可以理解在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由所附權(quán)利要求及其等同物限定。