[發明專利]一種對電子圖書進行快速語義標注的方法和系統

無效

• 申請號: 201110289165.1
• 申請日: 2011-09-27
• 公開（公告）號: CN102332023A
• 公開（公告）日: 2012-01-25
• 發明（設計）人: 張訓軍
• 申請（專利權）人: 北京中科希望軟件股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及電子圖書數字出版技術領域，特別是涉及一種對電子圖書進行快速語義標注的方法和系統。

背景技術

數字出版的核心競爭力是對數字內容的快速檢索與方便查閱，而快速檢索與方便查閱的核心是語義檢索，因此，基于語義檢索的語義標注技術是數字出版的核心技術。實現語義標注的技術不同，造成的語義標注的加工效率與成本也不同。目前已有的技術對語義標注的加工效率很低，成本很高。

要解決好效率與成本的問題，就要在技術上解決，技術手段主要與兩個技術問題有關，一個是電子書的拆分結構如何設計，各種排版軟件編排的圖書(或期刊)具有不同的版式特點，數字加工需要把這些圖書拆分為不同粒度的單元，目前所有的拆分方法都面臨著低效率的問題，需要過多的人工干預。另一個就是語義標注如何設計。不同的設計方案產生不同的應用效果與加工成本。

最嚴格的技術方案是可以對電子圖書的每一個細節(比如，像詞這樣的細節)進行語義的標注，這種技術方案的特點是應用范圍廣，缺點是加工成本不容易降得很低。但是實際情況是，有一部分應用并不需要對詞、段這種細節進行語義標注，可能對節以上單元進行標注就可以滿足市場需要了。

本發明方案就是針對這類應用而設計的，可以進一步提高加工效率，降低成本。

發明內容

鑒于現有技術的缺陷，本發明提供一種對電子圖書進行快速語義標注的方法，其特征在于包括如下步驟：(1)以獨立于電子圖書的方式建立用于描述電子圖書的結構的目錄結構文件，把電子圖書的章節目錄提取出來，并建立樹狀結構層次關系，同時每個章節元素含有頁碼信息的屬性；(2)在目錄結構文件的基礎上對目錄元素進行語義標注；(3)對電子圖書按頁進行分割成多個頁文件，每個頁文件是電子圖書的一頁內容；(4)將所述目錄結構文件與圖書CIP數據、版權聲明以及所述多個頁文件一起打包，形成一個完整的電子圖書。

根據本發明所述的對電子圖書進行快速語義標注的方法，其特征在于所述目錄結構文件以XML形式存在，其內容形式采用電子圖書的傳統目錄形式，并可以被第三方工具識別出。

根據本發明所述的對電子圖書進行快速語義標注的方法，其特征在于每一個XML目錄元素具有結構屬性，分別為標題內容與頁碼范圍。

根據本發明所述的對電子圖書進行快速語義標注的方法，其特征在于所述目錄結構文件的生成包括如下步驟：(11)制訂電子書稿在排版過程中對段落樣式的命名的規范；(12)根據段落樣式命名規范，把電子圖書中標題部分提取出來，形成一個沒有層次關系的XML文件，每一個XML元素是一個標題內容，該元素具有一個頁碼屬性用來存放該標題所在頁碼的信息；(13)把無層次關系的XML文件按前綴大小關系重組建立新的章節元素，該元素有一個子元素是標題元素，有兩個屬性存放該元素的頁碼范圍。

根據本發明所述的對電子圖書進行快速語義標注的方法，其特征在于對所述目錄元素進行語義標注的方法采用多元數組法或者知識點法，并且均通過手工填加。

根據本發明所述的對電子圖書進行快速語義標注的方法，其特征在于還包括如下步驟：(5)建立一個數據庫，把所述目錄結構文件和所述多個頁文件保存于數據庫中；(6)通過語義檢索在目錄結構文件中對目錄元素進行檢索，根據所檢索到的目錄元素所指向的頁碼在所述數據庫中檢索頁文件。

此外，本發明還提供了一種與上述對電子圖書進行快速語義標注方法相對應的系統。

本發明章節目錄是基于XML技術來實現，XML的結構性強、易于計算機程序讀寫，所以在拆分、形成結構、檢索等環節是可以通過計算機程序處理。此外由于語義描述是采取了多維陣列的方式，每一維陳列反映了該章節的一個完整語義，因此可以從多個角度來概括一個章節的內容。借助計算機程序實現對電子圖書進行自動拆分處理，全面提高了對電子圖書進行拆分的效率，同時也不影響到檢索效果。同時配合上述拆分方法，設計出一種通過對電子圖書的目錄結構進行簡單的語義標注，提高了語義標注的效率。

附圖說明

圖1是本發明對電子圖書進行快速語義標注的方法的數據處理流程圖。

具體實施方式

為使本發明的上述目的、特征和優點更加明顯易懂，下面結合附圖和具體實施方式對本發明作進一步詳細的說明。

圖1是本發明對電子圖書進行快速語義標注的方法的數據處理流程圖，其具體包括如下步驟：

(1)以獨立于電子圖書的方式建立用于描述電子圖書的結構的目錄結構文件，把電子圖書的章節目錄提取出來，并建立樹狀結構層次關系，同時每個章節元素含有頁碼信息的屬性；