随着个人计算机和网络的广泛应用,以及光学字符识别(optical character recognition,OCR)技术的发展,把纸质文档转化为数字形式变得非常方便,这也促进了互联网上数字图书数量的急剧增长。数字图书的增加让用户获取和学习知识的过程变得十分方便,但与此同时也引来了信息过载的问题。当用户想要了解一个主题的相关知识时,可以查询得到与其相关的成百上千本图书。但是,由于图书编者的个人风格和侧重点不同,这些图书往往会呈现出各种各样的组织形式。如何将这成百上千本存在差异的图书融合起来,并从中挖掘出一个清晰的学习脉络是一个十分有意义的任务。基于此,我们设计了基于大规模图书的知识脉络服务系统,对主题相关的成百上千本图书进行知识挖掘,总结出几条具有丰富知识点、流畅度好、覆盖度高的学习路径,由这些学习路径构成知识脉络图,并仿照地铁图的形式进行可视化展示,从而帮助用户高效地进行知识学习。论文的主要工作如下:(1)实现了一个通用的数字图书结构化分析处理系统。使用OCR工具识别图书文本内容,然后综合运用文档的布局特征、视觉特征和功能性特征对图书的目录和段落进行识别提取,最终得到结构化的数字图书。(2)提出了一种基于加权词嵌入的无监督方法来解决短文本匹配问题,然后结合聚类算法将相似图书的所有章节聚类得到知识单元集合。(3)提出了一个综合考虑信息度、流畅度和覆盖度的学习路径选择算法。根据图书章节之间的前后序关系将知识单元集合构建成知识图,然后用路径选择算法从中选择出TOPK条信息度高、流畅度好、覆盖度高的学习路径构成知识脉络。(4)仿照地铁图的形式将知识脉络可视化,基于此实现了知识脉络服务系统。