第九章自动标引(编辑修改稿)内容摘要：
动标引的基本流程 确定标引源 输入标引源内容 预处理 分词处理 确定关键词 转换为受控词 给出主题标识符 确定标引源 即确定标引所依据的文献内容（标引源）。 标引源的选择是影响标引质量的一个重要因素。 标题是自动标引的主要标引源，大多数研究是基于标题进行的。 但仅以标题为标引源，信息量少，标引质量差，难以推广使用。 如果对全文进行扫描，则存在数据量大和截取词汇太多等问题，为标引带来许多杂音，影响标引质量和速度。 确定标引源 一般选择以下内容作为标引源： ：包括文章的主标题、章节标题、小结标题等。 这是首选标引源。 ：较标题而言，信息量较大，一般能够完全反应文献讨论的主题，但仅利用文摘难以确定 56个最重要的词。 ：科技论文首章节（引言、问题的提出等）常提出主要内容，尾章节常作总结。 确定标引源 ：常反映章节讨论的主题，替代整个章节，节省大量无效劳动。 ：国外有学者对科技文献的 200个段落进行了主题句的分析，结果： 85%的段落主题句是段落的第一句，7%的段落主题句是最后一句。 用段落首尾句替代整个段落，节省工作量，免除许多 “ 杂音 ”。 输入标引源内容 标引源必须按标引系统要求的格式输入系统，才可能进行自动标引。 印刷型文献：手工录入或 OCR（光学字符识别）输入 电子文档（ XML、 DOC、 TXT等格式）：直接导入 文档的预处理 字符内码的检测与转换： BIG5码与GB码的自动检测与转换。 文档格式的检测与转换：去掉 DOC、XML、 RTF等格式的文件夹杂的许多无意义的格式符号，即将不同格式文件转换成适于自动标引的纯文本格式。 分词处理 在确定关键词之前，必须对文档进行切分，即将语句切分成由词组成的集合。 西方文字有分隔符，切分容易实现。 而汉语采用连写方式，词之间没有自然分隔符，词语的准确切分较为困难（研究相当长时间），目前自动切分已基本能满足实际需要。 确定关键词 根据文本词语切分结果，以词语在。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。