[发明专利]一种学术链节点的智能识别方法

权利要求书

1.一种学术链节点的智能识别方法，其特征在于，其步骤如下：

S1、用户根据检索需要确定检索主题词，按照被引频次降序在科技文献数据库网站上检索文献数据，得到文献列表链接A＝{a(1),a(2),…,a(i),…,a(k)}以及文献链接a(i)对应的施引文献列表链接B(i)＝{b(1),b(2),…,b(j),…,b(l_i)}，其中，k表示文献列表的数量，l_i施引文献列表的数量；

S2、对步骤S1中的文献列表链接A中的所有文献链接进行爬取，将文献链接对应的文章被引频次大于0的文献列表链接A中的前n个文献链接a(i)以及施引文献列表链接B(i)保存至待深度爬取的URL队列组合{a(i),B(i)}中，其中，n≤k；

S3、对于文献链接a(i)和施引文献列表链接B(i)，抽取施引文献链接b(j)中与文献链接a(i)中相关的语句；

S4、利用自然语言处理方法对步骤S3中得到的语句进行三要素识别，其中，三要素包括标志词、作者名、时间词；

S5、如果三要素均存在，则将三要素保存为文献链接a(i)的节点信息，并计算文献链接a(i)的学术评价指标F1，否则，执行步骤S6；

S6、j＝j+1，如果j≤l_i，循环执行步骤S3至S6，否则，计算文献链接a(i)的学术评价指标F2、F3，执行步骤S7；

S7、i＝i+1，如果i≤n，循环执行步骤S3至S7，否则，文献列表链接A中的所有文献链接被爬取完成，得到文献列表链接A中的所有文献链接的节点信息。

2.根据权利要求1所述的学术链节点的智能识别方法，其特征在于，所述步骤S4中利用自然语言处理方法对步骤S3中得到的语句进行三要素识别的方法为：

S41、模糊匹配标志词：

S41.1、将英文输入文本格式转化为字符串数组，数组中的每一个元素对应一个英文单词；

S41.2、将滑动距离设为1，滑动窗口的长度为N，将字符串数组从左到右依次滑动得到M组候选词组，其中，N表示标志词词典中所有词的最大长度；

S41.3、将M组候选词组分别与标志词词典中的词进行模糊匹配；模糊匹配是指将候选词组与标志词词典中的词进行匹配，因候选词组中的词的长度均为N，而标志词词典中的词的长度为1～N，故将所有词进行左对齐匹配，如果候选词组的前n个单词与词典中的某个长度为n的标志词相同，即视为匹配成功，候选词组的后N-n个词不做匹配工作，其中，1≤n≤N；

S41.4、若M组候选词组中有一组候选词组与标志词词组匹配成功，执行步骤S42，进行作者名和时间词的识别；若匹配失败，则删除语句；

S42、作者名、时间词的识别：

S42.1、数据集的获取：在学术论文数据库中爬取的不同领域的学术论文，对学术论文进行文本预处理；

S42.2、采用BIOES标注方法定义的标签集对预处理后的学术论文进行命名实体标注，得到数据集，其中，命名实体包括作者名、时间词；

S42.3、分析作者名和时间词的特征信息，并利用特征信息构造特征函数，借助特征信息构造特征模板，通过训练确定每种特征信息的权重，合理的标记在训练样本中，特征信息出现的次数多，对应的权重就高，其中，特征信息包括标点符号、关键字、指示词、方向词、位置词、中心词、词性和句法等；

S42.4、将特征函数融入CRF模型中，得到改进的CRF模型；

S42.5、随机选取数据集中的一部分数据作为训练集，将训练集输入改进的CRF模型中进行训练，得到命名实体识别模型；

S42.6、将数据集中的其余数据作为测试集，并将测试集输入命名实体识别模型中进行测试，重复执行步骤S42.5，得到最优的识别模型；

S42.7、将语句输入最优的识别模型中进行识别，输出作者名和时间词。

3.根据权利要求2所述的学术链节点的智能识别方法，其特征在于，所述命名实体识别模型为：

其中：X为观测序列，Y为输出标注序列，λ_j是特征函数F_j(Y,X)的权重，1/Z(X)是归一化因子。

4.根据权利要求3所述的学术链节点的智能识别方法，其特征在于，所述特征函数F_j(Y,X)包含了转移函数和状态函数，则命名实体识别模型转化为：

其中，λ_k为转移函数的权值，μ_l为状态函数的权值，t_k(y_i-1,y_i,i)为转移函数，s_l(y_i,X,i)为状态函数。