=Paper=
{{Paper
|id=None
|storemode=property
|title=Сервисы структурирования математического контента и интеграция электронных математических коллекций в научное информационное пространство
(Services Structuring Mathematical Content and Integration of Digital Mathematical Collections into Scientific Information Space)
|pdfUrl=https://ceur-ws.org/Vol-934/paper47.pdf
|volume=Vol-934
|dblpUrl=https://dblp.org/rec/conf/rcdl/ElizarovZLM12
}}
==Сервисы структурирования математического контента и интеграция электронных математических коллекций в научное информационное пространство
(Services Structuring Mathematical Content and Integration of Digital Mathematical Collections into Scientific Information Space)
==
https://ceur-ws.org/Vol-934/paper47.pdf
Сервисы структурирования математического контента
и интеграция электронных математических коллекций
в научное информационное пространство
© А.М. Елизаров © Д.С. Зуев © Е.К. Липачёв
© М.А. Малахальцев
Институт математики и механики им. Н.И. Лобачевского
Казанского (Приволжского) федерального университета
amelizarov@gmail.com dzuev11@gmail.com lipachev@ksu.ru
mikarm@uniandes.edu.co
Аннотация 1 Введение
Процесс структурирования (разделения на Многочисленные научные электронные коллек-
смысловые элементы) электронных версий ции, созданные на основе действующих периодиче-
печатных изданий является необходимым ских научных журналов, состоят из электронных
этапом для последующего семантического версий статей, изданных типографским способом.
структурирования и включения электрон- Как следствие, электронные документы в таких кол-
ных коллекций в информационное про- лекциях хранятся в виде отдельных файлов с мини-
странство. мальной метаинформацией и не имеют структуры,
Электронные версии печатных научных позволяющей выполнить автоматизацию по выделе-
журналов представляют собой документы, нию данных.
имеющие структуру, которая отражает ло- Как правило, электронные документы не имеют
гику разделение документа на части. Эта связей внутри коллекции. Аналитическая обработка
структура сформирована шрифтовым выде- документов такой коллекции (например, сбор нау-
лением, абзацами, вертикальными и гори- кометрических данных) представляется крайне за-
зонтальными отступами. Автоматическая труднительной.
обработка таких документов с целью отбо- Электронные журналы, публикующие материалы
ра структурных компонент (например, вы- исключительно в электронном виде, в большинстве
деления авторов статьи или библиографи- случаев являются коллекцией электронных доку-
ческих данных) затруднительна. Как след- ментов, созданных теми же программными средст-
ствие, большинство операций с электрон- вами, ориентированными только на «финишную»
ным контентом, в частности, создание свя- печать и, следовательно, имеющими только струк-
зей между объектами электронного храни- туру оформления.
лища, необходимо выполнять вручную. Примерами современных электронных храни-
В докладе обсуждается подход к автома- лищ с развитыми сервисами являются научная
тизации процесса обработки научных элек- электронная библиотека eLibrary.ru (http://elibrary.ru)
тронных документов и их преобразования в и общероссийский математический портал Math-
структурированные документы. Акцент Net.Ru (http://www.mathnet.ru/). Отметим также кол-
сделан на особенностях обработки матема- лекцию электронного математического журнала
тических текстов. С помощью сервисов, Lobachevskii Journal of Mathematics, содержащую
созданных по предложенной методике, вы- сервисы управления электронным контентом, сфор-
полнено структурирование достаточно мированные на основе семантического Веба (см.,
большого по объему электронного храни- напр., [1], [2]). Этот журнал, издаваемый с 1998 го-
лища, содержащего выпуски периодическо- да, является одним из первых российских электрон-
го журнала по математике и многотомных ных научных журналов и включен в базы данных
трудов конференций. Science Direct (Elsevier) и eLibrary.ru.
На современном этапе развития электронных на-
Работа поддержана РФФИ (проекты № 12-
учных библиотек важное место занимает интегра-
07-00667 и 12-07-97018-р_поволжье)
ция созданных научных ресурсов в научное инфор-
мационное пространство, в котором между объек-
Труды 14-й Всероссийской научной конференции тами электронных коллекций присутствуют семан-
«Электронные библиотеки: перспективные методы и
технологии, электронные коллекции» — RCDL-2012,
тические связи (см., напр., [3], [4]). Необходимым
Переславль-Залесский, Россия, 15-18 октября 2012 г. условием такой интеграции являются семантическое
структурирование контента научных электронных
309
библиотек и создание семантических связей между сносок с учетом требований ГОСТ 7.1-84 «Библио-
информационными объектами. Технологии семан- графическое описание документа».
тического Веба, разрабатываемые консорциумом Для структурирования макетов печатных изда-
W3C (www.w3.org), являются технологической ний в рамках проекта «Научная электронная биб-
платформой, на которой осуществляется интеграция лиотека eLibrary.ru» была разработана программа, в
электронных ресурсов в информационное простран- основу которой положен принцип выделения эле-
ство (см., напр., [5], [6]). ментов текста и присвоения им меток полей собст-
венного XML-формата, названного Sarcticle (см.
2 Проблемы обработки электронных [7]).
математических ресурсов Отличительными особенностями этого формата
являются: вложенность полей, возможности описа-
Как уже было отмечено, у большинства имею- ния любого количества информации одним файлом,
щихся электронных документов, являющихся элек- проверки правильности составления файлов описа-
тронными версиями печатных публикаций, можно ний на стороне издательств, использования файлов
обнаружить только структуру, отражающую форма- описаний для наполнения собственных сайтов изда-
тирование (шрифт, выделение). Выполнить преоб- тельств и совместимости с другими форматами об-
разование таких документов в структурирован- мена метаданными, основанными на XML. Основ-
ный документ можно на основе особенностей ные блоки формата – информация о журнале, о вы-
форматирования. Процесс такого преобразования пуске, о статье (основная информация файла).
можно разделить на несколько последовательных Большинство полей может дублироваться на не-
этапов, с которыми связано решение соответствую- скольких языках с целью более удобного представ-
щих задач. ления для разных пользователей конечной инфор-
Первая задача – это разделение текстов на кате- мации в электронной библиотеке.
гории по общей для них системе форматирования и Основные разделы формата:
программным средствам, используемым для науч- раздел описания журнала в целом, куда
ной разметки. Можно считать, что такое разделение входят сведения о названии журнала, издателе,
уже сделано – журналы, сборники трудов и т. д., как ISSN, обобщенной структуре издания (том – номер
правило, подчинены единообразному для каждого – часть – спецвыпуск), а также поля, позволяющие
издания стилю оформления. Затруднение может вы- описать отдельный выпуск журнала;
звать только система научной нотации – в ряде из- сведения о статье из выпуска журнала, куда
даний можно обнаружить, что разные авторы ис- входят описание индивидуальных и/или коллектив-
пользуют отличающиеся технологии разметки. На- ных авторов статьи с подробной информацией о
пример, в одном и том же сборнике наряду со стать- них, название статьи, ключевые слова, реферат (ан-
ями, выполненными в TeX-разметке, присутствуют нотация), полный текст статьи без списка литерату-
статьи, выполненные в MS Word + MathType. ры, наиболее распространенные коды классифика-
Следующая задача – создание системы призна- торов (УДК, ББК, ГРНТИ, DOI для электронных
ков для каждой категории электронных документов, изданий и др.), а также подраздел, описывающий
на основании которых из текста выделяются струк- пристатейные списки литературы; при этом каждая
турные элементы. позиция в списке литературы (или сноске) разбита
Сложной задачей является обработка электрон- на отдельные поля и подполя – например, автор(ы)
ного документа и его трансформация в структури- работы, название, источник, год издания и т. д.;
рованный документ на основе системы признаков. раздел тематических рубрик журнала, куда
Отдельная задача заключается в генерации мета- входит описание подразделов выпуска журнала.
данных и выделении из текста ключевых слов. Формат исполнен в двух видах – в DTD и в MS
Завершающим этапом является создание элек- Schema. Набор тегов формата не зависит от выбора
тронного документа, структурированного по прави- видов описания XML. Порядок следования тегов
лам семантического Веба. важен. Все теги имеют закрывающий тег. Регистр
тегов должен соблюдаться: используются как
3 Технологии структурирования строчные, так и прописные буквы в названиях те-
электронных ресурсов гов. Все спецсимволы при использовании формата
требуется заменить на предопределенные сущности.
Один из подходов к структурированию макетов Технически возможно в одном файле описать
печатных изданий в составе электронной коллекции любое количество журналов, но с точки зрения
предложен в проекте «Научная электронная библио- удобства хранения и заполнения предпочтительна
тека eLibrary.ru». Алгоритм структурирования осно- ситуация «один файл XML – один выпуск журна-
ван на выделении элементов текста и присвоении ла».
им специализированных меток. Возможные способы создания документов XML
Подготовка библиографических материалов, в формате Sarcticle могут включать использование:
включаемых в индексы научного цитирования, вы- специализированных программных средств
полняется автоматически с помощью сервиса, про- создания документов XML, конформных формату
изводящего структурирование списков литературы и Sarcticle;
310
любого XML-ориентированного текстового ции от информационного мусора. Семантический
редактора, например, MS XML Notepad; Веб, будучи частью глобальной концепции развития
любого текстового редактора. интернета, имеет целью реализацию возможности
Имеются дополнительные описания элементов машинной обработки информации и позволит рас-
формата (или «справочники»): сматривать интернет в целом как глобальную базу
«arcticle types» – список кодов типов статей данных. Один из акцентов этой концепции – работа
для атрибута arttype; с метаданными, однозначно характеризующими
«language codes» – список кодов языков для свойства и содержание сетевых ресурсов, вместо
атрибута fieldlang; текстового анализа документов. Поэтому экстракция
«country codes» – список кодов стран для метаданных является необходимой составной ча-
атрибута jcountry; стью процесса автоматизации управления электрон-
«symbols.html» (в HTML) – список всех ной научной коллекцией. Вместе с тем, метаданных
сущностей, заменяющих специальные символы; недостаточно для интеграции электронных коллек-
ций в информационное пространство, в котором
«dateUni format.txt» – описание формата по-
поиск и обработка информации программируются
ля dateUni.
как машиноориентированные. В настоящее время
В случае электронной коллекции однотипных
имеется широкий набор программных средств для
документов (научные статьи журнала, материалы
семантической разметки электронных документов и
конференции) возможна автоматизация процесса
записи их в XML-формате, в частности, преобразо-
извлечения метаданных. Алгоритм такой экстрак-
вания документов из ТeХ-нотации в MathML. Одна-
ции основан на анализе синтаксического уровня
представления информации. ко исходные файлы документов электронный кол-
Научные статьи размечены в соответствии со лекций, как правило, не удовлетворяют требованиям
имеющихся пакетов и сервисов семантического
стилевыми правилами, принятыми в научных жур-
преобразования из-за многообразия стилевых кон-
налах, и поэтому имеют относительно регулярную
структуру для определенного блока электронных струкций и отсутствия разделения на структурные
элементы. Поэтому необходимым этапом становит-
документов.
ся предварительная трансформация электронных
Математические статьи в большинстве случаев
документов, обеспечивающая им структуру, общую
создаются с помощью систем, основанных на TeX-
нотации. Но, несмотря на продвинутые возможно- для данной коллекции, и возможность дальнейшей
автоматизированной обработки. Разработанный ал-
сти структурирования документа, заложенные в
горитм трансформации электронных документов
TeX-системы, в научных журналах, за редким ис-
основан на синтаксическом анализе документов (см.
ключением, используются упрощенные (с семанти-
раздел 3).
ческой точки зрения) средства структурирования.
Практическая реализация описанного подхода,
Наиболее сложными в этом плане являются архивы
научных статей прошлых десятилетий, когда элек- выполненная авторами для нескольких электронных
математических коллекций, выявила дополнитель-
тронная форма документа являлась промежуточной
ные сложности, связанные с наличием авторских
и использовалась только для редактирования и под-
конструкций в электронных документах, входящих в
готовки перед печатью. Структура такого документа
эти коллекции. Большинство этих сложностей уда-
определяется на основе анализа шрифтового выде-
ления и порядка следования текстовых единиц (на- ется преодолеть за счет использования специализи-
рованных сервисов на всех этапах формирования
звание, автор, аннотация). Этого недостаточно для
электронной коллекции, в частности, электронного
выделения ключевых слов.
научного журнала (машинное взаимодействие авто-
Основой алгоритма структурирования журналь-
ров и редакции, анализ соответствия представляе-
ных статей по математике являлась обработка ин-
формации из стилевых файлов, используемых при мых материалов заданной структуре и т. д.).
Одна из систем таких сервисов создана при ав-
предпечатной подготовке журнала. Название статьи,
томатизации работы электронного журнала
ее авторы, выходные данные, УДК определялись
Lobachevskii Journal of Mathematics. Кратко пере-
автоматически выделением тега, характерного для
числим функциональные возможности разработан-
данного элемента. Создание программной среды,
реализующей указанный алгоритм, позволило авто- ной системы: вывод списка ссылок на статьи, вхо-
дящие в коллекцию; вывод списка авторов статей,
матизировать процесс структурирования электрон-
входящих в коллекцию; поиск по авторам, заглави-
ной коллекции математического журнала.
ям, ключевым словам, рефератам, тексту статей.
Отдельно выделим поиск по математическим фор-
4 Сервисы электронных математических мулам. Этот сервис основан на использовании тех-
коллекций нологии MathML (см., напр., [8], [9]).
Как известно, сегодня поиск является самым
распространенным инструментом доступа к инфор- Заключение
мации в сети. По многим оценкам, поиск занимает Использование технологий семантического Веба
до 50% времени работы на компьютере, а самая является основой интеграции электронных научных
сложная проблема – отделение значимой информа-
311
коллекций в информационное научное пространст-
во. Автоматизация процесса структурирования [6] Когаловский М. Р., Хохлов Ю. Е. Стандарты
имеющихся электронных математических ресурсов Всемирной паутины в разработках электронного
создает возможность быстрого включения элек- правительства. – Информационное общество:
тронных версий математических публикаций в ин- научно-аналитический журнал. – 2009. – № 2. –
формационное научное пространство. С. 21-32.
[7] Глухов В. А., Елизаров А. М. Проект «Научная
Литература электронная библиотека eLibrary.ru» и россий-
ские электронные журналы: новый этап разви-
[1] Елизаров А. М., Липачев Е. К., Малахаль- тия //Тр. 8-й Всерос. науч. конф. «Электронные
цев М. А. Технологии Semantic Web в практике библиотеки: перспективные методы и техноло-
работы электронного журнала по математике // гии, электронные коллекции» – RCDL’2006,
Тр. 8-й Всерос. науч. конф. «Электронные биб- Суздаль, Россия, 2006. – С. 203-207.
лиотеки: перспективные методы и технологии, [8] Елизаров А. М., Липачев Е. К., Малахальцев
электронные коллекции» – RCDL’2006, Суз- М.А. Веб-технологии для математика: Основы
даль, Россия, 2006. – С. 215-218. MathML. Практическое руководство. – М.:
[2] Веселаго В. Г., Елизаров А. М., Липачёв Е. К., Физматлит, 2010. – 216 с.
Малахальцев М. А. Формирование и поддержка [9] Елизаров А.М., Липачёв Е. К., Малахаль-
физико-математических электронных научных цев М.А. Языки разметки семантического веба.
изданий: переход на технологии семантического Практические аспекты. – http://www.ksu.ru/
веба // В кн. «Научно-исследовательский инсти- fpk/docs/lip_mal.pdf.
тут математики и механики им. Н. Г. Чеботарева
Казанского государственного университета.
Services structuring mathematical content
2003 – 2007 гг.». Кол. монография под ред. А.
М. Елизарова. – Казань: Изд-во Казан. ун-та, and integration of digital mathematical
2008. – С. 456-476. collections at scientific information space
[3] Когаловский М. Р., Паринов С. И. Семантиче-
ское структурирование контента научных элек- Alexander Elizarov, Denis Zuev, Eugene Lipachev,
тронных библиотек на основе онтологий // В сб. Michael Malakhaltsev
«Современные технологии интеграции инфор-
мационных ресурсов: сборник научных трудов», The approach to automate the processing of scien-
2011. – Вып. 2. – www.cemi.rssi.ru/mei/articles/ tific digital documents and convert them into structured
kogalov11-04.pdf. documents is discussed. Main emphasis is placed on the
[4] Паринов С. И., Когаловский М. Р. Техноло- features of processing of mathematical texts. Using spe-
гия семантического структурирования контента cial services which were created by the proposed meth-
научных электронных библиотек // Тр. 13-й od of structuring texts the large enough digital reposito-
Всерос. науч. конф. «Электронные библиотеки: ry with periodical journal issues in mathematics and
перспективные методы и технологии, электрон- multivolume conference proceedings was performed.
ные коллекции» – RCDL’2011, Воронеж, 2011. –
С. 94-103.
[5] Когаловский М. Р., Хохлов Ю. Е. Стандарты
XML для электронного правительства. – М.:
Институт развития информационного общества,
2008. – 416 с.
312