A Modular Metadata Extraction System for Born-Digital Articles

Abstract

We present a comprehensive system for extracting metadata from scholarly articles. In our approach the entire document is inspected, including headers and footers of all the pages as well as bibliographic references. The system is based on a modular workflow which allows for evaluation, unit testing and replacement of individual components. The workflow is optimized towards processing of born-digital documents, but may accept scanned document images as well. The machinelearning approaches we have chosen for solving individual tasks increase the ability to adapt to new document layouts and formats. The evaluation tests we have performed showed good results of the individual implementations and the entire metadata extraction process.

Extracción semiautomática de metadatos en documentos no estructurados utilizando procesamiento de lenguaje natural y propiedades tipográficas

“…Tkaczyk et. al [12], presentan un sistema integral para la extracción de metadatos en artículos escolares basados en el análisis de la estructura del documento, de encabezado a pie de página. Este trabajo implementó las siguientes bibliotecas: biblioteca iText y LibSVM; y los algoritmos: Docstrum, algoritmos basados en heurísticas de abajo a arriba, agrupación KMeans y campos aleatorios condicionales.…”

A Magyar Pedagógia folyóirat tudománymetriai elemzése a hivatkozási szokások és a hivatkozási hálózatok tükrében

“…Az informatikai módszereket és szövegbányászati eljárásokat tekintve több metódus is szóba jöhet, a szakirodalom alapján az egyik legrelevánsabb megoldás a rejtett Markovmodell alkalmazása (Hetzner, 2008;Ojokoh, Zhang, & Tang, 2011). E módszer mellett a szakemberek más, a mesterséges intelligencia alapján kidolgozott megközelítéseket is alkalmaznak, melyeket általában különféle gépi tanulási algoritmusok segítségével érnek el (Tkaczyk, Bolikowski, Czeczko, & Rusek, 2012;Tkaczyk, Szostek, Fedoryszak, Dendek, & Bolikowski, 2015). Sarawagi (2007) nagyívű összefoglaló munkájában rendszerbe foglalja az automatizált alapú információ-kivonatoló módszereket, több helyen külön is kiemelve a hivatkozásokkal mint speciális információtípussal kapcsolatos tudnivalókat.…”

Large Scale Citation Matching Using Apache Hadoop

“…Citation parser is a part of CERMINE -a metadata and content extraction tool [11]. Pawlak, Zdzis¡aw (1982).…”