Vergleich von neuronalen Architekturen zur Segmentierung bibliografischer Referenzen: Eine empirische Studie

Im Bereich der digitalen Bibliotheken erfordert die effiziente Verwaltung und der Zugriff auf wissenschaftliche Publikationen die automatisierte Segmentierung bibliografischer Referenzen. Diese Studie behandelt die Herausforderung, bibliografische Referenzen genau zu segmentieren, eine Aufgabe, die durch die unterschiedlichen Formate und Stile der Referenzen kompliziert wird. Fokussiert auf die empirische Bewertung von Conditional Random Fields (CRF), Bidirectional Long Short-Term Memory mit CRF (BiLSTM+CRF) und Transformer Encoder mit CRF (Transformer+CRF) Architekturen, verwendet diese Forschung Byte Pair Encoding und Character Embeddings zur vektoriellen Darstellung. Die Modelle wurden an dem umfangreichen Giant-Korpus trainiert und anschließend am Cora-Korpus bewertet, um einen ausgewogenen und rigorosen Vergleich zu gewährleisten und die Einheitlichkeit über Einbettungsebenen, Normalisierungstechniken und Dropout-Strategien aufrechtzuerhalten. Die Ergebnisse zeigen, dass die BiLSTM+CRF-Architektur ihre Mitbewerber übertrifft, indem sie die syntaktischen Strukturen, die in bibliografischen Daten häufig vorkommen, geschickt verarbeitet und einen F1-Score von 0,96 erreicht. Dieses Ergebnis unterstreicht die Notwendigkeit, die Modellarchitektur an die spezifischen syntaktischen Anforderungen von Segmentierungsaufgaben bibliografischer Referenzen anzupassen. Folglich etabliert die Studie das BiLSTM+CRF-Modell als einen überlegenen Ansatz innerhalb des aktuellen Stands der Technik, der eine robuste Lösung für die Herausforderungen der digitalen Bibliotheksverwaltung und der wissenschaftlichen Kommunikation bietet.