16、下一代数字图书馆系统技术解析

下一代数字图书馆系统技术解析

1. 引文图管理

1.1 引文图的概念与作用

引文图是一种有向图，其中节点对应文档，边对应文档之间的引用关系。它对于进行文献计量分析（如计算文档权威性和作者重要性）以及社交网络分析非常有用。要构建文档引文图，需要识别和解析每个文档中包含的所有引用，然后将这些引用与相应的文档记录进行匹配。

1.2 CiteSeer 与 CiteSeer Plus 的不同方法

CiteSeer 的“硬方法”

• 解析引用 ：使用启发式方法解析每个引用，提取标题、作者、出版年份、页码和引用标识符等字段。
• 聚类引用 ：基于字符串距离阈值比较每个引用的字段，将引用聚类成代表单个文档的组。
• 匹配文档 ：将每个引用组的元数据与现有文档记录进行比较，以将引用与文档匹配。

然而，这种方法存在一些问题。由于给定论文的引用格式可能差异很大，开发引用字段识别规则非常耗时且容易出错，并且该方法严重依赖离线计算。如果没有找到与引用组匹配的文档，该组中的所有引用都无法解决，直到下一次图更新，即使匹配的文档提前进入系统。

CiteSeer Plus 的“软方法”

• 基于查询构建图 ：使用查询模块中的查询来解决引用。索引器允许将元数据存储在不同的子索引（切片）中，因此可以在主索引的特定切片上执行查询。
• 匹配引用与