[发明专利]一种基于词向量模型的机构名称规范方法

权利要求书

1.一种基于词向量模型的机构名称规范方法，其特征在于：

包括以下步骤：

S10获取科技文献数据的机构名称以及字段特征，选取机构相关字段；

S20通过所述选取机构相关字段提取文献相关字段信息文本；

S30将多个所述信息文本构建word2vec词向量模型，并将机构名称聚类；

S40基于词向量模型和聚类结果对相似机构名称查找和提取集合；

S50所述集合采用Jaro相似度方法计算机构间相似度，得出最终机构规范结果。

2.根据权利要求1所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述机构相关字段包括机构简称、机构全称、web of science提供的增强组织机构名称、二级机构名称、机构内部Id和机构地址。

3.根据权利要求1所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述文献相关信息文本的提取工作包括对文献相关字段的提取，以及对所提取字段信息的清洗和变换，以得到词向量训练文本集合text_wv、清洗变换后机构名称集合list_inst、清洗变换后机构名称和内部Id对应关系集合list_inst-id。

4.根据权利要求3所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述获取词向量训练文本集合text_wv的方法包括：

1)对于科技文献数据集R中的每一篇文献R_i，根据标签信息提取文献标题；

2)对于每篇文献贡献集C中每一个贡献者C_j，判断其类型是否为作者，如果是则根据标签信息提取作者名称和作者对应机构编号；

3)根据机构编号，提取作者对应机构的机构简称、机构全称、机构所属系统和机构对应地址编号；

4)根据地址编号，提取机构对应地址信息；

5)根据标签信息提取文献主题；

6)对提取文献信息进行清洗变换和保存。

5.根据权利要求3所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述数据清洗工作包括删除特殊字符和标点，统一转化为小写字符，清洗变换后机构名称集合list_inst只包含清洗变换后的机构名称。

6.根据权利要求3所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述清洗变换后机构名称和内部Id对应关系集合list_inst-id包含变换后机构名称、原始机构名称和机构内部Id；获取list_inst-id的方法包括：

1)对于科技文献数据集R中的每一篇文献R_i，提取机构相关信息；

2)对于每篇文献机构集I中每一个机构I_j，提取机构名称和机构内部Id；

3)对提取机构名称进行清洗变换；

4)将清洗变换后机构名称，原始机构名称和机构内部Id组成三元组；

6)将所有三元组加入集合list_inst-id并保存。

7.根据权利要求3所述的一种基于词向量模型的机构名称规范方法，其特征在于，所述word2vec词向量模型采用skip-gram模型训练；skip-gram模型包含输入层、隐藏层和输出层；该模型使用中心词预测其上下文，其预测概率是p(w_i|w_t)，其中t-c≤i≤t+c,i≠t，c是上下文窗口常数，即输入是特定的一个词的词向量，而输出是特定词对应的上下文词向量；通过训练文本集合text_wv，将文本内容简化为K维向量空间的向量运算，并转化得到文本集合中每个单词的词向量。