[发明专利]一种分析知识资源与作者身份关系的方法

说明书

本发明公开了一种分析知识资源与作者身份关系的方法，属于知识资源(例如：图书，论文，期刊，讲座音视频)的信息处理领域。本发明利用文本内容相似和姓名稀缺度计算，分析知识资源与作者身份关系，准确地得到资源内容的作者身份。本发明在可利用信息较少的情况下，实现了只需要资源内容以及作者姓名，就能准确获得知识资源与作者身份关系。

技术领域

本发明属于文本信息处理领域，侧重于知识资源(例如：图书，论文，期刊，讲座音视频)的信息处理。

背景技术

中文的同名现象比较多，特别是一些常见名，例如：刘洋，张伟等。在很多场景中，我们需要准确地识别作者，并与同名的作者进行区分，但是却缺乏这个作者的详细介绍信息(比如：工作单位，邮箱，籍贯等)，只能获得这个作者的作品的数据。例如：很多图书，音视频讲座，都只给出了作者名字。在这种情况下，需要基于作者的创作内容来识别这个作者(与其他资源的同名作者进行区分)。

此外，名字本身也是一个可以利用的信息。如果两个资源的同名作者的姓名非常罕见，重名的概率较小，那么除非这两个资源内容相差过于明显，它们的作者应当是同一人。而当两个资源的同名作者的姓名十分普通，除非这两个资源的内容相似度很高，那么它们的作者应该不是同一个人。因此，需要提供一种分析资源内容与作者身份依赖关系的方法。

发明内容

针对以上问题，本发明提供一种分析知识资源与作者身份关系的方法，准确地得到资源内容的作者身份。

本发明提供的技术方案如下：

一种分析知识资源与作者身份关系的方法，其步骤包括：

1)针对不同媒介和领域的资源文本z₁和z₂，分别提取资源摘要T(z₁)，T(z₂)；

2)如果资源文本z₁和z₂的作者同名，则计算该姓名的稀缺度：

其中z₁是前述的资源文本；au(z₁)表示z₁的作者；au_x(z₁)表示z₁的作者的姓；au_m(z₁)表示z₁的作者的名；au_m_i(z₁)表示z₁的作者的名的第i个字；

F(au_x(z₁))表示z₁的作者的姓作为姓氏的概率；F(au_m_i(z₁)|au_x(z₁))表示姓氏为au_x(z₁)的情况下，名字第一个字是au_m₁(z₁)的概率；F(au_m_i(z₁)|au_m_i-1(z₁))名字第i-1个字是au_m_i-1(z₁)的情况下，名字第i个字是au_m_i(z₁)的概率；num(au_m(z₁))是au_m(z₁)的字数。

姓氏的概率由下式进行计算：

count(au_x(z₁))表示au_x(z₁)作为姓氏的次数；namebase表示姓名库，size(namebase)表示namebase的大小，即namebase含有的姓名的数量；