ParsRec：一种推荐文献参考解析器的新型元学习方法
摘要
文献参考解析器从文献参考字符串中提取机器可读的元数据，如作者名、标题、期刊和年份。为提取元数据，解析器采用启发式方法或机器学习。然而，没有任何参考解析器及算法能在所有场景下始终给出最佳结果。例如，某一工具在ACM引文风格下提取标题最佳，但在使用APA时仅排第三。另一工具提取英文作者名最佳，而其他工具则适用于噪声数据（即不一致引文风格）。在本文（我们近期RecSys海报的扩展版）中，我们从推荐系统与元学习视角解决参考解析问题。我们提出ParsRec，一种基于元学习的推荐系统，为给定参考字符串推荐潜在最有效的解析器。ParsRec从10个开源解析器中推荐其一：Anystyle-Parser、Biblio、CERMINE、Citation、Citation-Parser、GROBID、ParsCit、PDFSSA4MET、Reference Tagger和Science Parse。我们在来自化学领域的105k条参考文献上评估ParsRec。我们提出两种元学习推荐方法。第一种为整条参考字符串学习最佳解析器。第二种为参考字符串中每种元数据类型学习最佳解析器。第二种方法相较最佳单一解析器（GROBID）在F1上提升2.6%（0.909对0.886），假正率降低20.2%（0.075对0.094），假负率降低18.9%（0.107对0.132）。
引用
@article{arxiv.1811.10369,
title = {ParsRec: A Novel Meta-Learning Approach to Recommending Bibliographic Reference Parsers},
author = {Dominika Tkaczyk and Rohit Gupta and Riccardo Cinti and Joeran Beel},
journal= {arXiv preprint arXiv:1811.10369},
year = {2018}
}
备注
Accepted at the 26th Irish Conference on Artificial Intelligence and Cognitive Science. This paper is an extended version of a poster published at the 12th ACM Conference on Recommender Systems, Proceedings of the 26th Irish Conference on Artificial Intelligence and Cognitive Science (AICS). Dublin, Ireland 2018