[发明专利]一种论文元数据的相似度计算方法和计算机可读存储介质

权利要求书

1.一种论文元数据相似度的计算方法，其特征在于：包括如下步骤：

对需比较的两个论文元数据，提取第一个论文元数据中的至少两个特征，提取第二个论文元数据中相应的特征；

确定这两个论文元数据的被提取的每个相应特征的相似度；

根据各个特征被赋予的权重，对各个特征的相似度进行加权计算，得出这两个论文元数据的相似度。

2.如权利要求1所述的一种论文元数据的相似度计算方法，其特征在于：在提取特征之前对元数据的相关字段进行数据清洗和规整。

3.如权利要求1所述的一种论文元数据的相似度计算方法，其特征在于：所述特征类型包括作者、摘要、标题、doi、出版期数、出版卷号和页码中的至少两个。

4.如权利要求3所述的一种论文元数据的相似度计算方法，其特征在于：提取的特征当中：

作者：提取元数据中的作者字段，对字符串以分割符分割得到作者列表，将作者列表和字段字符串保存为作者特征值；

摘要：提取元数据中的摘要字段，对字符串进行分词得到摘要的词列表，将词列表和字段字符串保存为摘要特征值；

标题：提取元数据中的标题字段，对字符串进行分词得到标题的词列表，将词列表和字段字符串保存为标题特征值；

doi：提取元数据中的doi字段，字段字符串保存为doi特征值；

出版期数：提取元数据中的出版期数字段，字段字符串转换为数字保存为出版期数特征值；

出版卷号：提取元数据中的出版卷号字段，字段字符串转换为数字保存为出版卷号特征值；

页码：提取元数据中的页码字段，对字符串提取出其中的数字，按照数值的大小分别与起始页、结束页进行匹配，将字段字符串和起始页、结束页作为页码特征值。

5.如权利要求4所述的一种论文元数据的相似度计算方法，其特征在于：所述特征的相似度计算方法是：

作者：若字段字符串相同则置为1，否则统计作者列表中相同位置值相同的元素数量记为N，记两个作者列表的最大长度为M，则相似度值置为N/M，

摘要：若字段字符串相同则置为1，否则相似度值置为词列表之间的cosine距离，

标题：若字段字符串相同则置为1，否则相似度值置为词列表之间的cosine距离，

doi：若字段字符串相同则置为1，否则置为0，

出版期数:若字段字符串或者出版期数值相同则置为1，否则置为0，

出版卷号：若字段字符串或者出版卷号值相同则置为1，否则置为0，

页码：若字段字符串或者起始页、结束页相同则置为1，否则置为0。

6.如权利要求5所述的一种论文元数据的相似度计算方法，其特征在于：对于所有特征，若元数据对之间某一个特征值为空则将该特征的相似度置为0.5，同时将该特征对应的权重置为1。

7.如权利要求6所述的一种论文元数据的相似度计算方法，其特征在于：所述词列表之间的cosine距离的计算方式为：将两个词列表中的词进行索引得到词的索引映射表map，map(term)＝N表示词term的索引为N，记m为map的大小，对于第一词列表新建大小为m的数组vec1并将所有元素初始为0，遍历词列表，对词t其索引为map(t)则置vec1[map(t)]＝vec1[map(t)]+1，遍历结束得到第一词列表的词向量数组vec1，对于第二词列表进行相同操作得到词向量数组vec2，cosine距离为

8.如权利要求1所述的一种论文元数据的相似度计算方法，其特征在于：对特征相似度进行加权计算得到元数据的相似度，计算方式为：假设选择了特征类型F₁,F₂,...,F_n，其中n为选择特征的数量，相对应的权重设置为W₁,W₂,...,W_n，对于元数据计算所有特征的相似度为S₁,S₂,...,S_n，则元数据之间的相似度为

9.一种计算机可读存储介质，存储有计算机程序，其特征在于：该程序被执行时实现权利要求1至8所述方法的步骤。

10.根据权利要求9所述的一种计算机可读存储介质，其特征在于：所述程序被执行时实现用户对各个特征的权重的赋予。