[发明专利]中文学术图书参考文献数据采集方法

说明书

技术领域

本发明涉及数据采集和处理技术，具体涉及一种中文学术图书参考文献数据采集方法。

背景技术

学术图书参考文献，是关于作者创作学术图书所引用的有关信息资源的著录数据，这些著录数据通常出现在图书末或章节末的参考文献表中，有时也会出现在图书脚注或正文内注处(GB/T 7714—2015《信息与文献 参考文献著录规则》)。

对学术图书参考文献进行著录，直接体现了学者的科研与治学态度，反映了该图书的学术研究的起点、深度与广度，有利于读者检索、获取与该学术成果有关的各种文献信息资源，有利于编辑出版者、科研管理者及读者甄别该图书的学术成果内容，有利于图书情报研究者对学术图书进行文献计量分析，是构建中文学术图书引文数据库的关键。

目前，采集中文学术图书参考文献数据的方法多为人工录入法，该方法的缺陷是费时费力，在面对大规模图书参考文献数据录入时效率更加低下，且容易出错。

发明内容

本发明所要解决的技术问题是：提出一种中文学术图书参考文献数据采集方法，解决传统技术中采用人工录入参考文献数据存在的效率低，容易出错的问题。

本发明解决其技术问题所采用的技术方案是：

中文学术图书参考文献数据采集方法，包括以下步骤：

a.判断待处理图书的类型，若为电子图书，则进入步骤c，若为纸质图书则进入步骤b；

b.根据参考文献在图书中的位置采用相应措施采集参考文献数据，进入步骤d；

c.对图书中的参考文献数据进行OCR识别，然后进行校对；

d.将参考文献数据存入未结构化数据库中；

e.对未结构化数据库中的参考文献数据进行结构化处理，将处理后的数据存入结构化数据库中；

f.基于结构化数据库中的参考文献数据设置检索词，然后查找本地文献库，并以网络文献库作为辅助进行参考文献匹配；

g.对匹配出来的参考文献放入临时库中以备审查；

h.将审查通过的参考文献放入规范参考文献库中。

作为进一步优化，步骤b中，所述根据参考文献在图书中的位置采用相应措施采集参考文献数据，具体包括：

若参考文献位于图书末或者章节末，则采用平板扫描仪对参考文献位置进行扫描；

若参考文献位于正文内注或者脚注，则采用扫描笔进行人工扫描，或者人工采用录音笔进行录音后进行语音识别。

作为进一步优化，在采用平板扫描仪对参考文献位置进行扫描前，将平板扫描仪的分辨率设置为600dpi。

作为进一步优化，对于采用平板扫描仪扫描获取的图片，对应图书中的页码顺序并按照PDF-A的格式进行保存，并以统一的规范命名：

前4位为数字代码，后面接来源图书的题名，中间用“_”连接，其中数字代码为编目机构设置的来源图书编码的后4位。

作为进一步优化，步骤c中，在对识别数据进行校对时，优先校对参考文献的题名。

作为进一步优化，步骤e中，所述对参考文献数据进行结构化处理，具体包括：

针对每本图书的参考文献的字段数量和排列情况制定字段格式，然后对字段进行分割，在分割时，采用脚本或程序对字段间的分隔符进行检测以区分字段。

作为进一步优化，步骤f中，在设置检索词时，根据参考文献类型确定：

若参考文献为期刊，则以参考文献的题名为检索词，若参考文献为图书，则以参考文献的题名和出版者为检索词。

作为进一步优化，步骤f中具体包括：

f1.基于结构化数据库中的参考文献数据设置检索词，然后查找本地文献库；

f2.在通过检索词查找本地文献库后，若返回的查找结果为0，则进入步骤f3，若查找结果不为0，则进入步骤f4；

f3.从网络文献库中根据参考文献的字段进行数据抓取，若抓取结果为0，则调整检索的参考文献字段，返回步骤f3，重新进行数据抓取；若抓取结果不为0，则进入步骤f5；

f4.根据查找结果与原参考文献数据进行相似性比对，将相似性大于一定阈值的反馈文献数据作为匹配出来的参考文献；若没有相似性大于一定阈值的反馈文献数据，则返回步骤f3；

f5.根据抓取结果与原参考文献数据进行相似性比对，将相似性大于一定阈值的反馈文献数据作为匹配出来的参考文献。

作为进一步优化，步骤g中，还包括：

对匹配出来的参考文献根据相似度大小进行降序排列；

选取至多5条排序靠前的匹配出来的参考文献存入临时库中以备审查。