• Search Research Projects
  • Search Researchers
  • How to Use
  1. Back to project page

2012 Fiscal Year Research-status Report

文書画像とウェブを活用した新しい電子図書館サービスに関する研究

Research Project

Project/Area Number 23700119
Research InstitutionOkayama University

Principal Investigator

太田 学  岡山大学, 自然科学研究科, 准教授 (10326019)

Keywords電子図書館 / メタデータ / 情報抽出 / CRF / 文書画像 / 機関リポジトリ / ウェブ
Research Abstract

学術論文を蓄積する電子図書館では、論文タイトルページに書かれている重要な書誌要素を自動で判別する技術が求められる。そこで、論文タイトルページの文書画像をOCRでレイアウト解析し、その結果得られる各テキスト行がいずれの書誌要素に該当するか、条件付確率場(CRF)に基づき推定する方法を提案し、国内の複数の学術雑誌を対象に実験して評価した。本研究では、推定誤りに現実的に対処するため、人手による後処理コストの削減に取り組んだ。そこで、CRFが推定した書誌要素を解析し、書誌要素推定が困難な論文データを自動的に判別するための指標を提案した。提案指標により書誌要素推定が困難な論文を検出して、検出した論文のみを人手で修正する場合の、コストと精度を見積もった。評価実験の結果、CRFによる書誌要素推定精度が現状程度であれば、提案した方法によって推定結果の修正などの後処理コストが大幅に削減できる見通しを得た。
さらに、学術論文の参考文献文字列のテキストデータから、CRFを用いて書誌要素を自動抽出する手法を提案し、国内の複数の学術雑誌を対象に実験して評価した。本手法は、参考文献文字列のテキストをまずトークン列に変換し、CRFを用いて各トークンに著者名、表題、雑誌名などの書誌要素ラベルを付与することで書誌要素を抽出する。また論文タイトルページからの書誌要素抽出と同様に、書誌要素推定の困難さの指標である推定の確信度を定義し、確信度により推定が困難な参考文献文字列の自動検出も行った。実験において、電子情報通信学会論文誌の論文の参考文献文字列データから書誌要素を抽出し、確信度の低い参考文献文字列を検出した。その結果、全体の1/4程度に相当する確信度の低い参考文献文字列を人手で確認すれば、99%以上という高い抽出精度が保証できることを確認した。

Current Status of Research Progress
Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

電子図書館のための学術論文からの高精度書誌情報抽出では、CRFによる論文タイトルページの書誌要素推定に確信度を導入することで、書誌情報整備にかかる人的コストの削減が可能であることを示した。この意義は大きいが、当初計画していた様々な雑誌へ適用して汎用性を確認するという点では、3雑誌についての実験にとどまっており、さらなる検証が必要である。しかし今年度は、論文のタイトルページからだけでなく参考文献文字列からの書誌情報抽出と、確信度による抽出誤りの検出を提案した。この抽出精度は学術雑誌の種類によるばらつがあり改善の余地もあるが、論文のタイトルページの書誌情報抽出と同様の枠組みで抽出誤りの検出を行い、人手の修正コストについて評価することができた。その実験結果も、現実的な人手による後処理コストで、高精度の書誌要素抽出が実現可能であることを示唆している。一方、書誌情報データベース等を利用して抽出した論文を同定することや、その結果を利用してリンクを自動生成することなど、抽出した情報の活用については今後検討していきたい。
今年度は主に書誌情報抽出に関する研究成果について、国内外の学術雑誌や国際会議において発表した。

Strategy for Future Research Activity

平成24年度は、学術論文からの書誌情報抽出だけでなく、抽出した情報を活用した新しい電子図書館サービスについて検討する予定であったが、電子図書館の利便性向上のため、情報抽出の対象を論文タイトルページのみから参考文献欄を含む論文の全文に広げて実験を行った。このため、その研究成果発表と抽出した情報を活用した新サービスの検討を次年度に行う予定である。

Expenditure Plans for the Next FY Research Funding

次年度の研究費は、国内外での研究成果発表のための費用や、学術論文から抽出した情報を活用した新サービスの検討のために必要な消耗品を購入するための経費等に充てる予定である。

  • Research Products

    (7 results)

All 2013 2012

All Journal Article (4 results) (of which Peer Reviewed: 4 results) Presentation (3 results)

  • [Journal Article] Error detection of CRF-based bibliography extraction from reference strings2012

    • Author(s)
      Manabu Ohta, Daiki Arauchi, Atsuhiro Takasu, and Jun Adachi
    • Journal Title

      Proc. of 14th International Conference on Asia-Pacific Digital Libraries (ICADL 2012)

      Volume: LNCS 7634 Pages: 229-238

    • DOI

      10.1007/978-3-642-34752-8_29

    • Peer Reviewed
  • [Journal Article] A document analysis system for linking cross-document entities2012

    • Author(s)
      Manabu Ohta and Atsuhiro Takasu
    • Journal Title

      Proc. of Fourth International Conference on Creative Content Technologies (CONTENT 2012)

      Pages: 14-20

    • URL

      http://www.thinkmind.org/index.php?view=article&articleid=content_2012_1_30_60066

    • Peer Reviewed
  • [Journal Article] CRFによる学術論文タイトルページからの書誌情報抽出における誤り検出2012

    • Author(s)
      太田 学, 井上 諒平, 高須 淳宏
    • Journal Title

      日本データベース学会論文誌

      Volume: 11 Pages: 37-42

    • Peer Reviewed
  • [Journal Article] Empirical evaluation of CRF-based bibliography extraction from research papers2012

    • Author(s)
      Manabu Ohta, Ryohei Inoue, and Atsuhiro Takasu
    • Journal Title

      IADIS International Journal on Computer Science and Information Systems

      Volume: 7 Pages: 18-31

    • Peer Reviewed
  • [Presentation] データ工学に関する学術論文からの実験情報抽出の試み2013

    • Author(s)
      樫本 達矢, 荒内 大貴, 太田 学
    • Organizer
      電子情報通信学会2013年総合大会, 情報・システムソサイエ ティ特別企画学生ポスターセッション
    • Place of Presentation
      岐阜大学(岐阜)
    • Year and Date
      20130319-20130321
  • [Presentation] 文献種類別に分類した参考文献文字列からの書誌情報抽出の一手法2013

    • Author(s)
      川上 尚慶, 荒内 大貴, 太田 学, 高須 淳宏, 安達 淳
    • Organizer
      第5回データ工学と情報マネジメントに関するフォーラム(DEIM 2013)
    • Place of Presentation
      ホテル華の湯(福島)
    • Year and Date
      20130303-20130305
  • [Presentation] CRFによる和英文の参考文献文字列からの自動書誌要素抽出2012

    • Author(s)
      荒内 大貴, 太田 学, 高須 淳宏, 安達 淳
    • Organizer
      情報処理学会第156回データベースシステム研究発表会
    • Place of Presentation
      キャンパスプラザ京都 (京都)
    • Year and Date
      20121212-20121213

URL: 

Published: 2014-07-24  

Information User Guide FAQ News Terms of Use Attribution of KAKENHI

Powered by NII kakenhi