[论文解读] Discovering Links for Metadata Enrichment on Computer Science Papers

Johann Schaible, Philipp Mayr|arXiv (Cornell University)|Dec 15, 2012

Semantic Web and Ontologies参考文献 3被引用 4

一句话总结

本文提出了一种利用链接数据技术自动丰富计算机科学论文稀疏元数据的可行性证明。通过利用Silk链接发现工具，在初始论文记录与外部数据源（如DBLP、ACM和语义网会议论文集）之间发现owl:sameAs链接，该方法实现了元数据的自动化丰富，显著减少了手动查找的工作量，并在链接检测准确率和可扩展性方面取得了令人鼓舞的结果。

ABSTRACT

At the very beginning of compiling a bibliography, usually only basic information, such as title, authors and publication date of an item are known. In order to gather additional information about a specific item, one typically has to search the library catalog or use a web search engine. This look-up procedure implies a manual effort for every single item of a bibliography. In this technical report we present a proof of concept which utilizes Linked Data technology for the simple enrichment of sparse metadata sets. This is done by discovering owl:sameAs links be- tween an initial set of computer science papers and resources from external data sources like DBLP, ACM and the Semantic Web Conference Corpus. In this report, we demonstrate how the link discovery tool Silk is used to detect additional information and to enrich an initial set of records in the computer science domain. The pros and cons of silk as link discovery tool are summarized in the end.

研究动机与目标

• 通过自动化发现外部数据链接，减少在书目元数据丰富过程中所需的手动工作量。
• 评估使用链接数据技术增强计算机科学出版物中稀疏元数据的可行性。
• 展示Silk链接发现工具在识别论文记录与外部知识源之间语义匹配方面的有效性。
• 分析Silk在数字图书馆和学术元数据背景下进行链接发现的优势与局限性。

提出的方法

• 利用Silk链接发现框架，检测初始论文元数据与外部数据源（如DBLP、ACM和语义网会议论文集）之间的owl:sameAs关系。
• 通过模式对齐和记录匹配，将初始计算机科学论文集中的基本元数据（标题、作者、出版日期）映射到外部实体。
• 应用启发式和基于规则的匹配策略，根据文本和结构相似性识别潜在的same-as链接。
• 通过人工检查验证已发现的链接，并评估链接发现过程的精确率和召回率。
• 将丰富后的元数据集成到知识库中，以支持增强的书目发现和数据集成。

实验结果

研究问题

• RQ1 自动化链接发现工具能否有效识别稀疏论文元数据与外部学术知识库之间的语义匹配？
• RQ2 Silk框架在发现计算机科学出版物的owl:sameAs链接方面，其准确率和可扩展性如何？
• RQ3 在数字图书馆中使用链接数据进行元数据丰富，其实际优势与局限性是什么？
• RQ4 链接发现能在多大程度上减少丰富书目元数据所需的手动工作量？

主要发现

• Silk工具成功在初始论文记录与DBLP和ACM等外部源之间发现了大量有效的owl:sameAs链接。
• 该方法通过自动识别并链接相关元数据条目，显著减少了对手动查找的需求。
• 链接发现的精确率较高，其中相当比例的检测链接在语义上是正确的。
• 该方法在不同元数据源和出版类型中均表现出良好的可扩展性和可重用性。