[论文解读] Web Infrastructure to Support e-Journal Preservation (and More)

Herbert Van de Sompel, David S. Rosenthal+1 more|arXiv (Cornell University)|May 19, 2016

Research Data Management Practices参考文献 7被引用 7

一句话总结

本文提出一种基于CrossRef API、ANSI/NISO Z39.99 ResourceSync和Signposting的类型化HTTP头的网络基础设施，通过实现对学术内容的可靠发现、完整性验证和元数据提取，自动化并改进电子期刊的长期保存。其主要贡献在于提供了一种标准化、可扩展的解决方案，减少了对基于启发式方法的网络爬虫的依赖，增强了DOI的实用性，并提高了学术传播系统之间的互操作性。

ABSTRACT

E-journal preservation systems have to ingest millions of articles each year. Ingest, especially of the "long tail" of journals from small publishers, is the largest element of their cost. Cost is the major reason that archives contain less than half the content they should. Automation is essential to minimize these costs. This paper examines the potential for automation beyond the status quo based on the API provided by CrossRef, ANSI/NISO Z39.99 ResourceSync, and the provision of typed links in publishers' HTTP response headers. These changes would not merely assist e-journal preservation and other cross-venue scholarly applications, but would help remedy the gap that research has revealed between DOIs' potential and actual benefits.

研究动机与目标

• 为解决当前电子期刊保存系统高度依赖启发式网络爬虫进行数据摄入所导致的高成本和低效率问题。
• 弥合DOIs在理论上作为持久标识符的优势与其在学术传播中实际使用之间的差距，特别是在持久标识方面。
• 通过标准化的网络协议实现自动、可靠的最新出版文章发现，减轻保存系统负担。
• 通过促进在HTTP头中一致使用DOIs、元数据和类型化链接，提升学术传播平台之间的互操作性。
• 鼓励出版商和CrossRef采用ResourceSync和Signposting，以支持长期内容保存和引用完整性。

提出的方法

• 利用CrossRef的API查询DOI元数据，验证文章的可用性和身份。
• 实施ResourceSync，使出版商能够通过变更信息流和变更列表向档案系统通知其内容的变更。
• 使用Signposting在Web响应中嵌入类型化HTTP头（例如，'describedby'、'about'、'referredby'），将内容链接至其DOI及相关元数据。
• 将这些标准整合到出版商工作流中，提供持久的、机器可读的标识URI（例如，http://doi.org/10.xxxx），而非依赖于位置的URI。
• 通过Web服务器重写规则或内部API自动生Signposting头，而无需对应用程序进行重大修改。
• 使存档系统能够使用标准化、可靠的信号而非对HTML结构的启发式分析，来验证摄入内容的完整性和身份。

实验结果

研究问题

• RQ1 电子期刊保存系统如何在大规模下可靠地发现并验证新出版文章的摄入？
• RQ2 通过使用标准化、机器可读的信号，当前对基于启发式方法的网络爬虫的依赖能在多大程度上减少？
• RQ3 如何弥合DOIs作为持久标识符的潜力与其在引用和元数据中实际使用之间的差距？
• RQ4 出版商和CrossRef在支持保存和引用应用的自动化、互操作内容发现方面可发挥何种作用？
• RQ5 ResourceSync与Signposting的结合能否显著提高电子期刊存档的完整性和准确性？

主要发现

• ResourceSync与Signposting的整合可大幅减少对基于启发式方法的网络爬虫的依赖，通过提供可靠、标准化的内容发现和元数据访问信号。
• 使用一致URI模式的出版商可利用重写规则自动生成Signposting头，最大限度降低实现开销。
• ResourceSync使存档系统能够近乎实时检测内容变更，提升完整性验证效率并降低遗漏文章的风险。
• 通过Signposting在HTTP头中使用基于DOI的标识URI，可帮助引用管理工具和搜索引擎记录持久标识符，而非临时的位置URI。
• CrossRef可审计出版商对这些标准的合规情况，并通过降低会员费用等激励措施推动采纳。
• 所提出的基础设施不仅支持保存，还可通过结构化、机器可读的链接支持新应用，如引用图构建和合作者网络分析。