[发明专利]一种自动提取论文引用内容及对应文后参考文献的方法和系统

摘要

本发明公开了一种自动提取论文引用内容及对应文后参考文献的方法和系统，包括以下步骤，步骤一，从REC文本中提取论文正文内容，提取部分为‘<正文>＝’标签后至下一个标签‘<>＝’之间内容，提取正则表达式如，‘<全文>＝(，*？)</D*>’，步骤二，正文分句，对步骤一中提取出的正文内容进行分句，分句符号为中文句号‘。’和英文句号‘，’，由于英文句号与数学小数点，e，g等特殊符号相同，故设计如下分步处理方法，依次通过三个正则表达式来判断是否应当分句，抽取引用内容，在步骤二分句的基础上，从其中抽取出含有顺序编码制引用方式的句子，该发明有效解决了英文句号的歧义问题，为后续抽取工作打下良好基础。

主权项

一种自动提取论文引用内容及对应文后参考文献的方法和系统，其特征在于：包括以下步骤：步骤一：从REC文本中提取论文正文内容，提取部分为‘<正文>＝’标签后至下一个标签‘<>＝’之间内容，提取正则表达式如，‘<全文>＝(，*？)</D*>’；步骤二：正文分句，对步骤一中提取出的正文内容进行分句，分句符号为中文句号‘。’和英文句号‘，’，由于英文句号与数学小数点，e，g等特殊符号相同，故设计如下分步处理方法，依次通过三个正则表达式来判断是否应当分句，‘(？！/D/，/))(？！/D/，/])(？！l/，，)(？！e/，g)(？！[A‑Z]/，/D)(/D/，(？！@)/D)’，‘(？！e/，/d)(？！g/，/d)(/D/，(？！@)/d)’，‘。’；步骤三：抽取引用内容，在步骤二分句的基础上，从其中抽取出含有顺序编码制引用方式的句子，通过对大量数据分析，论文中顺序编码制可能包括如下几种格式(1)纯数字[1]，(2)连接号分隔[1‑3]，(3)其他符号分隔[1～3][1～3]，(4)逗号及混合方式[1，2][1，2‑4]，[1，2～4]，对于以上格式，分别设计正则表达式规则抽取，(1)‘/[(/d+)/]'，(2)‘/[(/d+‑/d+)/]’，(3)‘/[(/d+～/d+)/]’‘/[(/d+～/d+)/]’，(4)‘/[(/d+，，*？/d+)/]’，符合以上正则表达式的句子被抽取出作为引用内容；步骤四：获取引用内容中参考文献标号，在步骤三中四种格式的基础上，解析所对应的参考文献标号，如[1]对应1，[1，2‑4]对应1，2，3，4；步骤五：对应文后参考文献，通过步骤四中获取的引用内容中参考文献标号，与文后参考文献序号对应，由于文后参考文献可能存在如下三种形式，(1)方括号[1]，(2)圆括号(1)，(3)只有数字无括号1，故根据以上三种形式设计对应正则表达式如，'/['+‘num’+'/]'‘num’'/('+‘num’+'/)'，按上述正则表达式首先在引文字段搜索参考文献序号，如果没有，则在正文末尾部分搜索参考文献序号，完成引文内容与文后参考文献的对应。