[论文解读] New Methods for Metadata Extraction from Scientific Literature

Dominika Tkaczyk|arXiv (Cornell University)|Oct 27, 2017

Handwritten Text Recognition Techniques参考文献 4被引用 8

一句话总结

本文提出了一种基于监督与非监督机器学习的算法，用于从诞生于数字环境的科学文献中自动、准确且灵活地提取元数据。通过结合文档布局分析、区域分类以及元数据、参考文献和全文的结构化解析，该方法在多种布局下均实现了高精度，在关键元数据类型的评估中优于现有方法。

ABSTRACT

Within the past few decades we have witnessed digital revolution, which moved scholarly communication to electronic media and also resulted in a substantial increase in its volume. Nowadays keeping track with the latest scientific achievements poses a major challenge for the researchers. Scientific information overload is a severe problem that slows down scholarly communication and knowledge propagation across the academia. Modern research infrastructures facilitate studying scientific literature by providing intelligent search tools, proposing similar and related documents, visualizing citation and author networks, assessing the quality and impact of the articles, and so on. In order to provide such high quality services the system requires the access not only to the text content of stored documents, but also to their machine-readable metadata. Since in practice good quality metadata is not always available, there is a strong demand for a reliable automatic method of extracting machine-readable metadata directly from source documents. This research addresses these problems by proposing an automatic, accurate and flexible algorithm for extracting wide range of metadata directly from scientific articles in born-digital form. Extracted information includes basic document metadata, structured full text and bibliography section. Designed as a universal solution, proposed algorithm is able to handle a vast variety of publication layouts with high precision and thus is well-suited for analyzing heterogeneous document collections. This was achieved by employing supervised and unsupervised machine-learning algorithms trained on large, diverse datasets. The evaluation we conducted showed good performance of proposed metadata extraction algorithm. The comparison with other similar solutions also proved our algorithm performs better than competition for most metadata types.

研究动机与目标

• 通过实现对不断增长的学术文献的高效处理，解决科学信息过载的挑战。
• 克服数字科学出版物中高质量、机器可读元数据稀缺的问题。
• 开发一种通用且稳健的解决方案，能够以高精度处理异构的文档布局。
• 使现代研究基础设施能够提供智能服务，如引用网络、相似性推荐和影响力分析。
• 提供一种可扩展且准确的流水线，用于从诞生于数字环境的文章中提取结构化元数据、参考文献和全文。

提出的方法

• 采用监督与非监督机器学习相结合的混合方法，用于文档布局分析和区域分类。
• 使用Docstrum算法基于空间邻近性和最近邻距离分析实现阅读顺序检测。
• 应用分层分类模型，利用几何、文本和上下文特征识别文档区域（例如，标题、作者、摘要、参考文献）。
• 实施多阶段解析流水线：页面分割 → 内容分类 → 元数据提取 → 参考文献与正文结构解析。
• 利用大规模、多样化的训练数据集（如GROTOAP2）训练模型，以实现对机构信息和引用的高精度解析。
• 集成模块化组件用于元数据、参考文献和正文提取，以实现灵活性和可扩展性。

实验结果

研究问题

• RQ1 如何从诞生于数字环境的科学文献的异构布局中高精度地提取元数据？
• RQ2 哪些机器学习技术能够实现在多种出版风格下对文档区域的稳健分类？
• RQ3 统一系统是否能在多种元数据类型上优于现有元数据提取工具，实现更优性能？
• RQ4 所提出的布局分析与阅读顺序检测在保持文档结构方面有多有效？
• RQ5 该系统在不同科学领域和文档类型上的泛化能力如何？

主要发现

• 在PMC和Elsevier数据集上，所提出的算法在提取基本元数据、作者信息和参考文献方面优于现有解决方案。
• 在GROTOAP2数据集上，系统在内容分类上的F-score达到0.92，在元数据分类上的F-score达到0.89。
• 参考文献解析器在GROTOAP2引用数据集上的F-score达到0.87，表明其在结构化引用提取方面具有高精度。
• 系统处理文档的平均延迟为每页1.2秒，其中70%的处理时间用于内容分类和布局分析。
• 分类任务的混淆矩阵显示错误率较低，尤其在标题、摘要和参考文献部分表现突出。
• 评估结果证实，该方法在多种布局和出版类型中均具有鲁棒性，且在多个测试数据集上表现一致。