学文网开放获取期刊（OpenAccessJournal，OA期刊）是经过同行评审，且在网络上可免费获取的期刊。OA期刊资源主要包括期刊元数据、论文元数据以及论文全文等。该类资源分布广泛，且经过同行评审，具有重要的学术价值。目前，OA期刊资源采集方法主要有两种：一种是针对遵循OAI-PMH协议的OA期刊，采用OAI-PMH协议的方法对资源进行采集，该方法在此类资源采集应用中较成熟；另一种是对于部分不遵循OAI-PMH协议的OA期刊，通常采用网页信息抽取方法。然而，由于OA期刊资源在网页中存在组织形式不一、揭示粒度多变，且网页结构变化多样等特点，这为此类期刊资源采集带来了一定挑战。本文将从OA期刊资源特点出发，对网页信息采集方法和采集工具在OA期刊资源采集中的适用性进行对比分析，针对无法通过OAI-PMH协议进行资源采集的OA期刊，提出一种基于网页信息抽取的资源采集策略。以期既能丰富OA期刊资源采集方式，也能对不遵循OAI-PMH协议的OA期刊资源采集提供指导，提高资源采集效率。
1、OA期刊资源的特点与分类
OA期刊分为遵循OAI-PMH协议和不遵循OAI-PMH协议两种，但所有的OA期刊都是通过网页对资源进行描述和展示，且描述和展示的方式差异较小，故本文分析的OA期刊资源特点适用于所有类型。
2、OA期刊资源的特点
（1）描述粒度细。OA期刊资源的元数据包含众多字段，如文章标题、中英文关键词、中英文摘要、作者、机构、期刊名、年、卷、期等。相比于其他网络资源，OA期刊资源元数据描述粒度更细。（2）展现形式多样。OA期刊资源的元数据字段众多，而这些字段通常是以不同的组织形式展现在网页中。部分元数据字段在网页中是按照单个字段进行展示，如文章标题、摘要等；而部分元数据是多个字段组合成一条文本信息进行展示，如文章的年、卷、期。（3）描述载体结构多变。在对国内OA期刊资源调研过程中发现，部分OA期刊网站的资源展示页面，在不同时期采用不同的网页模板。在结构发生变化的开放获取资源网站中，一般会存在1—3套不等的网页模板；而其他网络资源，如电商平台、论坛等通常采用统一的网页模板。
3、OA期刊资源分类
OA期刊资源以不同的组织形式在不同网页中进行展示，本文根据OA期刊资源在网页中的组织形式，将其分为单一型资源和组合型资源。单一型资源指网页中一个HTML标签仅展示一个元数据字段信息的资源，如期刊名称、文章标题、摘要、关键词、全文获取链接等。此类资源信息揭示简单明了、层次清晰。组合型资源指网页中一个HTML标签封装多个期刊元数据字段信息的资源，多个字段通常是组合成一个文本信息进行展示，如期刊的年、卷、期字段等。组合型资源的文本信息由固定字段按照一定的形式组合而成，具有一定的结构性，为半结构化文本。
4、现有网页信息采集方法特点分析
现有网页信息采集方法主要分为基于自然语言处理的网页信息抽取、基于本体的网页信息抽取、基于包装器归纳方式的网页信息抽取、基于HTML页面结构分析的网页信息抽取以及基于Web查询的网页信息抽取。5种采集方法特点对比分析结果如表1所示。由表1可见，5种网页信息采集方法采用不同方式来保证资源采集的准确性。如基于包装器归纳方式的网页信息抽取方法需要对样本进行标注，通过机器学习归纳抽取规则来提高采集准确率；基于Web查询的网页信息抽取方法通过对网页分析，编写合适查询语句来准确定位页面中资源。不同的Web信息采集方法由于采集方式不同，适用于不同类型的网页资源采集。如基于自然语言处理的网页信息抽取方法适用于大量文本信息抽取，基于本体的网页信息抽取方法适用于特定领域的信息抽取。
转载请注明出处学文网 » OA期刊资源特点与分类