[发明专利]一种基于象形-语义双特征空间映射的评审专家推荐方法

权利要求书

1.一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，包括：

获取电力科技项目申请书的摘要信息；

对所述电力项目申请书的摘要信息进行命名实体识别，获得电力项目实体，所述电力项目实体包括使用方法实体和涉及领域实体；

爬取电力专家的个人主页信息和已发表论文的摘要信息；

对所述电力专家的个人主页信息和所述已发表论文的摘要信息进行命名实体识别，获得电力专家实体，所述电力专家实体包括擅长技术实体和研究方向实体；

对所述使用方法实体进行象形映射，获得象形使用方法实体，以及对所述涉及领域实体进行象形映射，获得象形涉及领域实体；

对所述擅长技术实体进行象形映射，获得象形擅长技术实体，以及对所述研究方向实体进行象形映射，获得象形研究方向实体；

对所述象形使用方法实体进行语义映射，获得使用方法特征向量，以及对所述象形涉及领域实体进行语义映射，获得涉及领域特征向量；

对所述象形擅长技术实体进行语义映射，获得擅长技术特征向量，以及对所述象形研究方向实体进行语义映射，获得研究方向特征向量；

根据所述使用方法特征向量、所述涉及领域特征向量、所述擅长技术特征向量和所述研究方向特征向量，计算获得综合匹配得分；

根据所有的综合匹配得分的高低，确定评审专家。

2.根据权利要求1所述的一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，利用RoBERTa预训练模型和BiLSTM+CRF模型进行命名实体识别。

3.根据权利要求2所述的一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，利用RoBERTa预训练模型和BiLSTM+CRF模型进行命名实体识别的具体方法为：

获取文本信息；

对文本信息进行分词，获得词语的集合；

运用RoBerta预训练模型对所述词语的集合进行向量映射，获得词向量集合；

运用BiLSTM+CRF模型对所述词向量集合进行训练，获得所述文本信息的命名实体。

4.根据权利要求3所述的一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，获得研究方向实体和擅长技术实体的具体方法为：

获取评审专家信息的关键词；

根据所述关键词，爬取专家个人主页信息和已发表论文的摘要信息；

根据RoBERTa预训练模型和BiLSTM+CRF模型，对所述专家个人主页信息进行命名实体识别，获得所述研究方向实体；

根据RoBERTa预训练模型和BiLSTM+CRF模型，对所述已发表论文的摘要信息进行命名实体识别，获得所述擅长技术实体。

5.根据权利要求1所述的一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，所述计算获得综合匹配得分的具体方法为：

对所述涉及领域特征向量与所述研究方向特征向量在象形特征空间进行欧氏距离计算，获得第一象形匹配得分；

对所述涉及领域特征向量与所述研究方向特征向量在语义特征空间进行余弦相似度计算，获得第一语义匹配得分；

对所述使用方法特征向量与所述研究方法特征向量在象形特征空间进行欧氏距离计算，获得第二象形匹配得分；

对所述使用方法特征向量与所述研究方法特征向量在语义特征空间进行余弦相似度计算，获得第二语义匹配得分；

对所述第一象形匹配得分和第一语义匹配得分进行求和，获得研究方向匹配得分；

对所述第二象形匹配得分和第二语义匹配得分进行求和，获得研究方法匹配得分；

对所述研究方向匹配得分和所述研究方法匹配得分进行加权求和，获得综合匹配得分。

6.根据权利要求5所述的一种基于象形-语义双特征空间映射的评审专家推荐方法，其特征在于，采用以下方法进行欧氏距离计算：

式中，D为领域(方向)层面的实体相似度得分，F为涉及领域实体对应的集合，R为涉及研究方向实体对应的集合，为F集合中实体对应的象形空间嵌入，为R集合中实体对应的象形空间嵌入，为F集合中实体对应的语义空间嵌入，为R集合中实体对应的语义空间嵌入。