一种面向英文文献中中国作者的姓名消歧方法技术

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。

【技术实现步骤摘要】

本专利技术涉及一种英文文献中的中国作者姓名的消歧方法。技术背景作者重名问题由来已久，一直是信息科学、计算机科学等领域的热门议题。近年来，随着中国发表国际论文的数量大幅攀升，中国作者在国际学术界的受关注程度持续走高。同时，英文学术文献数据库中，中国作者重名问题日益突显。中文姓名转化为拼音(或英文名)之后，丢失了汉字特征，重名几率大幅度提升，这使得英文文献中中国作者重名问题更复杂、更难以解决。作者重名的问题就成了干扰检索精确度的一个重要因素，判断两篇论文的同名作者是否为同一人，往往会耗费大量的时间。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种英文文献中的中国作者姓名的消歧方法。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；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。作者的个人信息包括：姓名、邮箱、所属机构、院/系/所/中心、学科属性等；作者之间的合著关系来源于同一篇论文的作者两两之间的关系；作者之间的引用关系来源于文献与其参考文献之间的引用关系；2.比对重名作者的邮箱；邮箱具有唯一性。因此，使用同一邮箱的作者必然为同一人，但使用不同邮箱的作者并不必然不是同一人；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、所属学科等，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；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，这两位作者可能为同一人；5.计算重名作者引用关系的相似度；作者在发表新的论文时，会更倾向于引用自己之前发表的文献(“自引”)。因此，一篇文献的作者与其参考文献的作者中存在重名，那么，这种重名可能为同一人。作者有相对固定的引用偏好(“引用认同”)。因此，两位重名作者的引用偏好相近(计算余弦相似度)，那么，两位作者可能为同一人；6.基于三类相似度聚类；当上述三种相似度全部计算完成后，可根据当前的结果进行聚类。具有较高相似度的重名作者可被聚为同一类。层次聚类可以避免相似度判断过程中阈值的主观设定。本专利技术的优点是：本专利技术综合考虑了英文学术文献中作者的邮箱、作者所属的机构、院/系/所/中心、文献所属的学科、作者之间的合著关系、作者之间的引用关系等特征，从多个维度消歧，比单一维度更有效；本专利技术在机构相似度、合著关系相似度、引用关系相似度的基础上，借助层次聚类算法消歧，比设定阈值的方式更客观。附图说明图1是本专利技术的方法流程图。具体实施方式下面参照附图进一步说明本专利技术的技术方案。两篇英文文献中，两位中国作者姓名重名(实际可能并非同一人)主要包括以下几种情况：(1)两位作者全名的拼音拼写方式相同，“LI,JIANG”与“LI,JIANG”；(2)两位作者中，有一位作者的名仅有首字母缩写，例如，“LI,J.”与“LI,JIANG”。(3)两位作者的名均只有首字母缩写，例如，“LI,J.”与“LI,J.”。为了解决“一(拼)音多(汉)字”导致的英文文献中大量中国作者重名的问题，本专利技术提供一种综合考虑作者的机构与学科特征、合著关系、引用关系的相似度的人名消歧算法，该算法的逻辑如下：本专利技术所述的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获取数据；WebofScience是最为常用的英文学术文献数据库，其中SCI、SSCI、A&HCI三个子库被称为三大引文索引。从WebofScience数据库中可以获取以下字段，以作为解决人名消歧的辅助信息：(1)作者姓名AF，拼音或英文名写法；(2)工作单位C1，作者同一时间段对应的多个工作单位；(3)院/系/所/中心C2，工作单位里对应的具体工作部门；(4)学科WC，文献类别分类中对应的第一学科；(5)作者邮箱EM；(6)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清理数据；1.2.1分割字段；从WebofScience数据库导出的数据中，每篇文献的所有作者合在一起，以“；”分隔，如“yangliu；yangli；yangLUO”。每位作者对应的邮箱等信息也合在一起，以“；”分隔。这种格式无法满足算法批量处理的基本要求，因此，需要将其分割为独立的姓名、邮箱(该步骤可在Excel中用“分列”功能完成)。1.2.2匹配姓名与邮箱；由于数据缺失等原因，每位作者的姓名与邮箱等信息并非一一对应。因此，需要借助程序将作者与邮箱等信息一一匹配。电子邮箱地址的命名规则为：用户名+@+域名。其中用户名是由用户自定义的；域名是电子邮箱服务提供商的识别码，由提供商定义。“用户名”的命名规划大致包含如下几类：①作者姓名字母组合，包括全拼、首字母缩写等写法；②作者姓名字母加其他字符组合，其他字符包括数字或字母等，主要是为了增加作者的辨识度，例如，作者的生日、工作单位等信息；③与作者姓名无关的字符组合，例如，手机号、QQ号、虚拟ID等。“域名”包含以下两类：①工作单位的域名，例如，中国各个高校或研究机构提供的xxx.edu.cn域名；②商业公司提供的域名，例如，gmail.com、163.com等。在匹配姓名与邮箱时，提取用户名部分和域名部分，用户名作为主要的参考因素，域名作为次要的参考因素。作者姓名的一般格式是：姓(全拼)+名(全拼)。少数作者在中间或者结尾增加英文名的信息。将作者的姓名提取出来分为三部分：A(姓全拼)、B(名全拼)、C(其余部分全拼)，记A、B、C三部分的首字母分别为A1、B1、C1。生成集合E＝(A,A1)×(B,B1)×(C,C1)取元素a∈E，利用KMP算法(一种改进的字符串匹配算法)，匹配邮箱中用户名和元素a的相同部分，取匹配的最大值，计算出匹配用户名的匹配率。当匹配率较高时，则匹配作者和该邮箱。若邮箱的域名是工作单位域名，且和作者的工作单位是相同的，则将其作为参考指标。1.2.3构建作者之间的合作关系与引用关系；作者之间的合作关系即一篇论文的N(≥2)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(若参考文献是期刊论文)等信息。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。1.2.4统一格式；关于数据的格式统一，作者姓名(全拼或简拼)全部处理成姓在前名在后的格式，且所有字母大写，姓与名中间用一个空格字符隔断。例如，姓名为“yangliu”或者“yangliu”或者“YangLiu”的作者，格式统一后均为“LIUYANG”。对于工作单位、院/系/所/中心，预处理时需要将名称统一，字符表现形式以统一后的形式呈现。例如，“ZhejiangUniv”和“ZhejiangUniversity”统一为“ZhejiangUniversity”；“DepartmentofInformationResourceManagement”和“DepartmentofIn本文档来自技高网...

【技术保护点】
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可以获取以下题录字段，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(≥2)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、所属学科等，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：cosθ=a·b||a||·||b||=Σi=1n(Ai*Bi)Σi=1n(Ai)2*Σi=1n(Bi)2---(1)]]>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ci和cj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，再利用作者集合相似度算法(如式2所示)，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)判断这两个簇的相似度是否达到聚类标准，即可以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)。...

【技术特征摘要】
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可以获取以下题录字段，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(≥2)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、所属学科等，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：cosθ=a·b||a||·||b||=Σi=1n(Ai*Bi)Σi=1n(Ai)2*Σi=1n(Bi)2---(1)]]>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ci和cj是两位重名的作者，他们各自的...

【专利技术属性】
技术研发人员：李江，杨斯杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33