结合扫描电子学位论文视觉特征的自动元数据提取

电子学位论文（Electronic Theses and Dissertations, ETDs）包含大量领域知识，可应用于数字图书馆中的多种任务，例如引文网络分析与研究趋势预测。自动元数据提取对于构建可扩展的数字图书馆搜索引擎至关重要。然而，现有大多数方法针对的是原生数字文档设计，难以有效提取扫描文档（如ETDs）中的元数据。传统序列标注方法主要依赖文本特征。本文提出一种结合文本特征与视觉特征的条件随机场（Conditional Random Field, CRF）模型。为验证所提模型的鲁棒性，我们扩展了现有语料库，并构建了一个新的标注语料库，包含500页经过人工验证元数据的ETD封面。实验结果表明，引入视觉特征的CRF模型在性能上显著优于仅依赖文本特征的启发式方法及纯文本CRF模型。所提出的模型在七个元数据字段上取得了81.3%至96%的F1值。相关数据与源代码已分别公开于Google Drive（https://tinyurl.com/y8kxzwrp）和GitHub仓库（https://github.com/lamps-lab/ETDMiner/tree/master/etd_crf）。