[发明专利]基于主题模型的领域标签获取方法

说明书

本发明提供一种基于主题模型的领域标签获取方法，在海量学术数据的基础上，分析学术数据固有的特点，引入学术词频特征构建FLDA主题模型，利用主题模型将同一学者的学术文档进行“主题‑短语”抽取。其次，引入领域体系，将主题模型的抽取结果与体系标签进行向量表征，经过位置加权后使用相似度进行体系映射，最终获得学者的领域标签。实验表明，FLDA模型与传统的LDA模型、基于统计的TFIDF算法和基于网络图的TextRank算法相比，最终获取的标签词效果更好，准确率更高，说明基于主题模型的标签抽取方法在学术领域具有良好的适用性。

技术领域

本发明涉及一种基于主题模型的领域标签获取方法，具体的，涉及一种学者的领域标签的获取方法，属于信息处理技术领域。

背景技术

经济社会的蓬勃发展，促使着各种科技项目不断产生，项目从立项、评审到验收均需要前沿学者的参与。在以往的经验中，学者的遴选往往由专人进行人为遴选，通过人为统计各学者的研究领域，选择与项目领域相符的学者。然而现有技术的方法往往有以下缺点：同一时间内存在大量项目需要前沿学者参与，这无形中加大了人为遴选的工作量；人为遴选容易受到人的主观性和局限性影响，且在整个遴选过程中容易受到自身的知识层次、社会关系、个人偏好与利益等因素的影响，对学者的领域判断不全面，进而影响遴选结果的准确性。

现有技术的领域标签获取主要分为传统的领域标签获取和基于关键词的领域标签获取。

在传统领域方面，一种方法是利用学者在互联网各平台的简介进行抽取，称之为网络标签。区别于抽取的标签，网络标签通常由本人或他人总结添加，且没有统一的规范，用词随意，进而导致获取的标签复杂多样，可用性低。另外，由于互联网内容较为随意，且多带有作者的写作特点，这导致在标签抽取过程中较难区分正确的数据信息和无用的信息，抽取时往往要针对特定平台、特定学者设计具有针对性的抽取方案，无形中增加了的工作量。

另一种方法是基于本体技术，设计P2P模式的学者研究领域管理系统，利用RDF技术解决学者领域获取的问题，但由于该方法使用了特定的模板，导致方法的扩展性不足。

还有一种方法是利用J2EE技术实现学者信息管理系统，通过人工更新学者的基本信息和研究领域等信息，并提供咨询学者推荐模块，通过使用Pearson相似度计算用户问题文本与学者研究领域的相似性来实现学者推荐功能，该方法需要学者登陆网站进行信息的更新与维护，只适应少量学者单一领域的情况，无法完成大规模学者发现与机器化领域标签抽取的功能。