[发明专利]一种融合学术影响力的学者人名消除歧义的方法

摘要

本发明公开了一种融合学术影响力的学者人名消除歧义的方法，该方法是将消歧数据子集和源数据集依据其合著及引用关系构建社交网络，根据网络关系计算消歧数据子集中各个节点的影响力；在消歧数据子集内部根据节点关系分别构建学者与学者，学者与文献，文献与文献，三个网络关系，使用基于排序的损失函数，并结合节点影响力相似度在多个网络中联合学习学者节点间的相似度；基于节点相似度和节点影响力构造聚类函数，从而实现较好的消歧效果。本发明在保护个人隐私的同时克服学术数据中的信息缺失问题，充分利用社交网络特征，融合节点影响力与节点相似度，有效提升学者人名消歧效果。

主权项

1.一种融合学术影响力的学者人名消除歧义的方法，其特征在于：该方法是以实现将待消歧人名与学者实体准确对应为目标，通过融合学者影响力，改进相似度计算模型，提出增强的影响力计算模型，而后通过改进网络结构、模型聚类函数和模型组合，以达到更高的消歧准确率；其包括以下步骤：步骤S1、将学者数据集合U按名字分组得到n个名字组A，根据文献将每个名字组划分为m个学者实体节点a；步骤S2、根据步骤S1划分结果，对每个组A，分别在组内学者实体节点与U中名字组节点间通过合作关系建立合作关系网络G；步骤S3、对于每个组A，结合节点相似度和自身重要性，在合作网络G上计算A中各个学者实体节点a基于特征集F的学术影响力步骤S4、使用网络嵌入匿名图方法，结合步骤S3所得节点的学术影响力，得到文献矩阵D，根据D计算得到名字组内学者实体节点a带学术影响力约束的相似度Sa；步骤S5、利用步骤S4所得相似度，重复步骤S1～S3重新计算学术影响力，得到学者实体节点a基于学术影响力相似度的新的学术影响力其中S表示该节点带学术影响力约束的相似度；步骤S6、根据节点学术影响力的差异和相似度得到聚类函数C，使用凝聚层次聚类算法得到消歧结果。