黄 昇

(上海旅游高等专科学校 设备处,上海 201418)

随着高校信息化建设的高速发展,越来越多的电子文档出现在日常的工作中,PDF 作为电子文档归档的首选格式,在文件格式的保存完整性方面和平台兼容性方面有显著的优势[1].本电子文档归档管理系统的研发主旨是将采购管理平台的文档管理与档案归档管理过程合并成一个整体,解决电子文档流转过程中信息化管理缺失的情况,同时提出一种对电子文档元数据自动提取来代替传统的手工提取元数据,并且建立索引库,为大数据分析奠定了基础,同时为学校今后的工作决策提供依据.

国内对元数据提取的相关探索起步较晚,主要研究方向也集中在基于正则表达式和基于规则的元数据提取的相关研究[2–6].2001年贺亚锋首次将元数据提取的相关研究带入到中国[7],主要对两种常用的基于网站的元数据的自动生成进行了介绍,并对ROADS 元数据编辑器和MeatWeb 元数据生成器做的使用和原理进行了深入的阐释[8,9].

2004年,王守芳等提出了如何从HTML 文件中提取元数据的方案.该方案主要是基于规则模板,通过对HTML文档进行分词,配合使用归约算法实现元数据的自动提取[10].该方法虽然对元数据提取的准确性却并不太高,但基本可以实现HTML 文档元数据的自动提取.

2007年,于江德等首次将条件随机场应用在中文论文的元数据提取上,该方法主要通过利用论文中换行符、回车符等标志性符号对论文……