[发明专利]一种面向英文文献中中国作者的姓名消歧方法

摘要

一种面向英文文献中中国作者的姓名消歧方法。主要步骤：(1)从英文文献题录信息中抽取作者个人信息、构建作者之间的合著关系与引用关系等；(2)比对重名作者的邮箱；(3)计算重名作者所属机构与学科的相似度；(4)计算重名作者合著关系的相似度；(5)计算重名作者引用关系的相似度；(6)基于步骤3‑5计算出的三类相似度聚类，即可对姓名消歧。

主权项

1.一种面向英文文献中中国作者的姓名消歧方法，操作步骤如下：1)、预处理数据；1.1抽取作者个人信息；从英文文献数据库中获取以下题录字段，以作为解决人名消歧的辅助信息：(a1)作者姓名AF，拼音或英文名写法；(a2)工作单位C1，作者同一时间段对应的多个工作单位；(a3)院/系/所/中心C2，工作单位里对应的具体工作部门；(a4)学科WC，文献类别分类中对应的第一学科；(a5)作者邮箱EM；(a6)引用关系CR，一篇文献的作者与该文献的参考文献的作者之间存在引用关系；1.2构建作者之间的合著关系与引用关系；作者之间的合作关系即一篇论文的N个作者中两两之间的关系；在作者姓名字段分割之后，即可构建作者之间的合作关系；作者之间的引用关系有赖于论文之间的引用关系；不同期刊论文的参考文献的著录格式并不统一，但可基于论文的DOI，提出作者姓名、发表年份、发表期刊的信息；然后，从引用作者群体中提取作者的自引与作者频繁引用的作者信息；2)、比对重名作者的邮箱；对于两位重名的作者，在邮箱信息无缺失的情况下，比对邮箱的结果为0或1，0表示不相同，1表示相同；邮箱地址具有唯一性，若结果为1，则可断定两位重名的作者为同一人；若结果为0，则待定；3)、计算重名作者所属机构与学科的相似度；作者所属机构与学科的特征信息包括：工作单位、院/系/所/中心系所、所属学科，每个特征值的表达形式都是字符型；分别提取两位重名作者的特征值，计算特征值的余弦相似度；余弦相似度计算方法：(b1)列出两个待计算特征值的所有词，计算词频；(b2)计算余弦相似度，计算公式：计算出cosθ的值，这个值即为两个特征值的相似度；4)、计算重名作者合著关系的相似度；作者的合著关系，是解决作者重名问题的一个重要参考因素；若两位重名作者的合著网络高度相似，那么，这两位作者可视为同一人；假设c_i和c_j是两位重名的作者，他们各自的合著者集合分别为N1和N2，那么，这两位重名作者的合著关系的相似度算法如下：实质上，该相似度算法是一个均值型算法，其中，η是合著者集合中两两匹配相似度时匹配上的作者的总数量；合著者集合中作者两两匹配的相似度算法如下：其中，α、β和γ分别是三种不同匹配类型的权重，这三种匹配类型分别是：e全名匹配,b简写匹配和q首字母缩写匹配，中国作者的合著者集合中可能存在外国作者姓名，因此，这三种匹配方式也适用于外国作者姓名；与h分别指匹配两个人名时相同字符与不同字符的数量；h*100的目的是为了让姓名中有不同字符的两个作者的相似度趋近于0；5)、计算重名作者引用关系的相似度；计算重名作者引用关系的相似度的步骤如下：(c1)列出两个作者发表的文献和这些文献的参考文献；(c2)提取参考文献中的作者姓名，计算作者的自引比例；(c3)计算两位重名作者的施引作者集合中各作者的被引频次，生成两个频次向量，再利用如式2所示的作者集合相似度算法，计算两位作者的施引相似度；(c4)综合自引比例与施引作者集合相似度，加权平均，得出两位作者引用关系的相似度；6)、基于三类相似度聚类；当三种相似度全部计算完成后，可根据当前的结果进行聚类；凝聚型层次聚类算法的基本思路是：将每个对象作为一个聚类簇，计算两两簇之间的相似度，若相似度达到一定数值，则合并两个簇为一个簇，直到簇群无法合并为止；在算法中维护一个相似度排序表，该表是当前所有簇两两根据三种相似度计算出的相似度，降序排列后，得出的表，即将最相近的簇依次排列出来，表首是所有簇中最接近的两个簇，接下来是所有簇中第二接近的两个簇；维护这个表可有效地降低算法的时间复杂度，当计算到某个位置时发现它们的相似度达不到标准，不用再计算后续的簇群；算法的基本步骤如下：(e1)从相似度排序表中提出表首的两个簇；进入步骤(e2)；(e2)根据这两个簇的相似度达到聚类标准，判定这两个同名的作者是同一个人；若达到则进入步骤(e3)；若否，根据新的簇群重新计算三种相似度，回到步骤(e1)；如果表首的两个簇无法合并，则退出算法；(e3)将两个簇群合并在一起，更新相关数据集合；返回步骤(e1)。