[发明专利]无监督的基于表示学习的同名作者消歧方法及装置

权利要求书

1.一种无监督的基于表示学习的同名作者消歧方法，其步骤包括：

1)对科学文献数据进行预处理，得到若干结构化文本数据，抽取各结构化文本数据的第一关键文本信息与第二关键文本信息；

2)依据第一关键文本信息，将各结构化文本数据转化为第一论文语义表示向量，并生成第一论文相似度矩阵；

3)依据第二关键文本信息，将各结构化文本数据转化为第二论文语义表示向量，并生成第二论文相似度矩阵；

4)依据结构化文本数据生成论文网络，并针对每一待消歧作者，从论文网络中抽取存在该待消歧作者的节点，生成局部异质网络，其中论文网络的节点是各结构化文本数据相应的论文，论文网络的边为各论文间的关联关系；

5)对每一局部异质网络进行随机游走获取相应的路径集，并通过训练各路径集得到的论文关系表示向量，生成第三论文相似度矩阵；

6)根据第一论文相似度矩阵、第二论文相似度矩阵及第三论文相似度矩阵，得到混合表征学习的相似度矩阵，并对混合表征学习的相似度矩阵中的数据进行聚类，得到预聚类结果和聚类离群集；

7)对聚类离群集进行离散点指派，并结合预聚类结果，得到消歧结果；

其中通过以下步骤对对聚类离群集进行离散点指派：

7.1)对于每一离散点p_i，计算该离散点p_i与其它各点的相似度，得到相似度矩阵，Sim(p_i，p_j)＝w₀*count_{co_author}(p_i，p_j)+w₁*count_{co_venue}(p_i，p_j)+w₂*count_{co_org}(p_i，p_j)+w₃*count_{co_title}(p_i，p_j)+w₄*count_{co_keyword}(p_i，p_j)，其中p_j为任一其它点，w_*为权重；

7.2)依据相似度矩阵Sim，获取与离散点p_i最相似的点p_k，记Sim(p_i，p_k)＝s₀；

7.3)若s₀小于设定值，则离散点p_i指派为新簇；若s₀不小于设定值且点p_k不是离散点，则离散点p_i指派为点p_k所在簇；若s₀不小于设定值且点p_k是离散点，则通过与点p_k最相似的非离散点p_m及与离散点p_i最相似的非离散点p_n，对离散点p_i进行离散点指派，包括：

记相似度Sim(p_k，p_m)＝s₁与相似度Sim(p_i，p_n)＝s₂；

若相似度s₁与相似度s₂都小于设定值，则离散点p_i指派为新簇；

若相似度s₁与相似度s₂不都小于设定值，则计算相似度s₁与相似度s₂之间的大小，并将离散点p_i指派为相似度大的簇。

2.如权利要求1所述的方法，其特征在于，预处理方法包括：统一使用特殊标识进行填充、删除标点符号、删除转义符、删除常用冠词和删除介词。

3.如权利要求1所述的方法，其特征在于，第一关键文本信息包括：题目、关键词、机构信息、期刊/会议名称和/或摘要；第二关键文本信息包括：论文题目、关键词和/或摘要；论文间的关联关系包括：共同机构和/或共同作者。