[論文レビュー] Rule Based Metadata Extraction Framework from Academic Articles

Jahongir Azimjonov, Jumabek Alikhanov|arXiv (Cornell University)|Jul 24, 2018

Semantic Web and Ontologies参考文献 13被引用数 4

ひとこと要約

この論文は、学術的PDFからのメタデータ抽出のための、無料でオープンソースのJavaベースのルールベースフレームワークを提示する。レイアウト、フォント、サイズのヒューリスティクスを活用してタイトル検出を行い、固定ルールセットを用いて要約、キーワード、結論、参考文献を抽出することで、既存のシステムと比較して9〜10倍高速な処理を実現。無制限のPDFアップロードをサポートし、結果をOracleおよびXMLフォーマットで保存する。

ABSTRACT

Metadata of scientific articles such as title, abstract, keywords or index terms, body text, conclusion, reference and others play a decisive role in collecting, managing and storing academic data in scientific databases, academic journals and digital libraries. An accurate extraction of these kinds of data from scientific papers is crucial to organize and retrieve important scientific information for researchers as well as librarians. Research social network systems and academic digital library systems provide academic data extracting, organizing and retrieving services. Mostly these types of services are not free or open source. They also have some performance problems and extracting limitations in the number of PDF (Portable Document Format) files that you can upload to the extraction systems. In this paper, a completely free and open source Java based high performance metadata extraction framework is proposed. This frameworks extraction speed is 9-10 times faster than existing metadata extraction systems. It is also flexible in that it allows uploading of unlimited number of PDF files. In this approach, titles of papers are extracted using layout features, font and size characteristics of text. Other metadata fields such as abstracts, body text, keywords, conclusions and references are extracted from PDF files using fixed rule sets. Extracted metadata are stored in both Oracle database and XML (Extensible Markup Language) file. This framework can be used to make scientific collections in digital libraries, online journals, online and offline scientific databases, government research agencies and research centers.

研究の動機と目的

• 学術的PDF向けに、無料でオープンソースでスケーラブルなメタデータ抽出ソリューションが不足しているという問題に取り組む。
• 既存の商用または特許ソフトウェアに依存するシステムにおけるパフォーマンスのボトル neck や、ファイルアップロード制限を克服する。
• タイトル、要約、キーワード、本文、結論、参考文献などのメタデータフィールドを、効率的かつ正確に、拡張可能に抽出することを可能にする。
• 信頼性の高い構造化メタデータを用いて、大規模なデジタル図書館や研究データベースの構築を支援する。
• オフラインおよびオンラインの学術的システムに展開可能な、柔軟で高性能なソリューションを提供する。

提案手法

• タイトル抽出には、レイアウト特徴、フォントタイプ、テキストサイズを用いてタイトルセクションを特定・分離する。
• 他のメタデータフィールド（要約、キーワード、本文、結論、参考文献）は、PDF内の構造的およびテクスチャルパターンに基づいた事前定義ルールセットを用いて抽出する。
• フレームワークは、PDF構造からテキストおよびレイアウト情報を解析するJavaベースのパイプラインを用いてPDFを処理する。
• 抽出されたメタデータは、相互運用性および長期保存を目的として、OracleデータベースおよびXMLファイル形式の両方で永続的に保存される。
• システムは無制限のPDFファイル数を処理できるように設計されており、商用ツールで一般的なアップロード制限を回避する。
• フレームワークはモジュラで拡張可能であり、異なるジャーナル形式やメタデータ標準に合わせたルールセットのカスタマイズが可能である。

実験結果

リサーチクエスチョン

• RQ1 ルールベースのシステムは、既存のメタデータ抽出ツールと比較して著しく高い抽出速度を達成できるか？
• RQ2 無料でオープンソースのフレームワークは、商用または特許ソフトウェアに依存せずに、学術的PDFから主要なメタデータフィールドを効果的に抽出できるか？
• RQ3 レイアウトおよびフォントベースのヒューリスティクスは、多様な学術的PDFフォーマットにおいて、タイトル検出の正確性をどの程度向上できるか？
• RQ4 大規模なPDF群を処理する際、システムのスケーラビリティはどのように評価できるか？
• RQ5 フレームワークは、多様な後続アプリケーションに対応するため、構造化データベースストレージと標準XML出力の両方をサポートできるか？

主な発見

• フレームワークは、既存のシステムと比較して9〜10倍の高速なメタデータ抽出速度を達成した。
• システムは無制限のPDFファイルのアップロードをサポートしており、商用ツールの主な制限を克服した。
• レイアウト、フォント、サイズに基づくヒューリスティクスを用いることで、タイトル抽出の正確性が非常に高くなった。
• 固定ルールセットを用いて、要約、キーワード、結論、参考文献を含む構造化メタデータフィールドを正常に抽出できた。
• 抽出されたメタデータは、OracleデータベースおよびXMLフォーマットの両方で信頼性高く保存され、多様なデジタル図書館および研究システムへの統合が可能になった。
• システムは完全にオープンソースであり、無料で利用可能であり、学術機関、政府機関、研究センターでの展開が可能になった。