[發明專利]中文學術圖書參考文獻數據采集方法

在審

• 申請號: 201710841238.0
• 申請日: 2017-09-18
• 公開（公告）號: CN107562932A
• 公開（公告）日: 2018-01-09
• 發明（設計）人: 程路;劉文君;呂先競;彭國莉
• 申請（專利權）人: 西華大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/32
• 代理公司: 成都虹橋專利事務所(普通合伙)51124
• 代理人: 吳中偉

技術領域

本發明涉及數據采集和處理技術，具體涉及一種中文學術圖書參考文獻數據采集方法。

背景技術

學術圖書參考文獻，是關于作者創作學術圖書所引用的有關信息資源的著錄數據，這些著錄數據通常出現在圖書末或章節末的參考文獻表中，有時也會出現在圖書腳注或正文內注處(GB/T 7714—2015《信息與文獻 參考文獻著錄規則》)。

對學術圖書參考文獻進行著錄，直接體現了學者的科研與治學態度，反映了該圖書的學術研究的起點、深度與廣度，有利于讀者檢索、獲取與該學術成果有關的各種文獻信息資源，有利于編輯出版者、科研管理者及讀者甄別該圖書的學術成果內容，有利于圖書情報研究者對學術圖書進行文獻計量分析，是構建中文學術圖書引文數據庫的關鍵。

目前，采集中文學術圖書參考文獻數據的方法多為人工錄入法，該方法的缺陷是費時費力，在面對大規模圖書參考文獻數據錄入時效率更加低下，且容易出錯。

發明內容

本發明所要解決的技術問題是：提出一種中文學術圖書參考文獻數據采集方法，解決傳統技術中采用人工錄入參考文獻數據存在的效率低，容易出錯的問題。

本發明解決其技術問題所采用的技術方案是：

中文學術圖書參考文獻數據采集方法，包括以下步驟：

a.判斷待處理圖書的類型，若為電子圖書，則進入步驟c，若為紙質圖書則進入步驟b；

b.根據參考文獻在圖書中的位置采用相應措施采集參考文獻數據，進入步驟d；

c.對圖書中的參考文獻數據進行OCR識別，然后進行校對；

d.將參考文獻數據存入未結構化數據庫中；

e.對未結構化數據庫中的參考文獻數據進行結構化處理，將處理后的數據存入結構化數據庫中；

f.基于結構化數據庫中的參考文獻數據設置檢索詞，然后查找本地文獻庫，并以網絡文獻庫作為輔助進行參考文獻匹配；

g.對匹配出來的參考文獻放入臨時庫中以備審查；

h.將審查通過的參考文獻放入規范參考文獻庫中。

作為進一步優化，步驟b中，所述根據參考文獻在圖書中的位置采用相應措施采集參考文獻數據，具體包括：

若參考文獻位于圖書末或者章節末，則采用平板掃描儀對參考文獻位置進行掃描；

若參考文獻位于正文內注或者腳注，則采用掃描筆進行人工掃描，或者人工采用錄音筆進行錄音后進行語音識別。

作為進一步優化，在采用平板掃描儀對參考文獻位置進行掃描前，將平板掃描儀的分辨率設置為600dpi。

作為進一步優化，對于采用平板掃描儀掃描獲取的圖片，對應圖書中的頁碼順序并按照PDF-A的格式進行保存，并以統一的規范命名：

前4位為數字代碼，后面接來源圖書的題名，中間用“_”連接，其中數字代碼為編目機構設置的來源圖書編碼的后4位。

作為進一步優化，步驟c中，在對識別數據進行校對時，優先校對參考文獻的題名。

作為進一步優化，步驟e中，所述對參考文獻數據進行結構化處理，具體包括：

針對每本圖書的參考文獻的字段數量和排列情況制定字段格式，然后對字段進行分割，在分割時，采用腳本或程序對字段間的分隔符進行檢測以區分字段。

作為進一步優化，步驟f中，在設置檢索詞時，根據參考文獻類型確定：

若參考文獻為期刊，則以參考文獻的題名為檢索詞，若參考文獻為圖書，則以參考文獻的題名和出版者為檢索詞。

作為進一步優化，步驟f中具體包括：

f1.基于結構化數據庫中的參考文獻數據設置檢索詞，然后查找本地文獻庫；

f2.在通過檢索詞查找本地文獻庫后，若返回的查找結果為0，則進入步驟f3，若查找結果不為0，則進入步驟f4；

f3.從網絡文獻庫中根據參考文獻的字段進行數據抓取，若抓取結果為0，則調整檢索的參考文獻字段，返回步驟f3，重新進行數據抓取；若抓取結果不為0，則進入步驟f5；

f4.根據查找結果與原參考文獻數據進行相似性比對，將相似性大于一定閾值的反饋文獻數據作為匹配出來的參考文獻；若沒有相似性大于一定閾值的反饋文獻數據，則返回步驟f3；

f5.根據抓取結果與原參考文獻數據進行相似性比對，將相似性大于一定閾值的反饋文獻數據作為匹配出來的參考文獻。

作為進一步優化，步驟g中，還包括：

對匹配出來的參考文獻根據相似度大小進行降序排列；

選取至多5條排序靠前的匹配出來的參考文獻存入臨時庫中以備審查。