[发明专利]一种文献完成者研究兴趣图聚类方法、装置、设备及介质

说明书

本申请涉及一种文献完成者研究兴趣图聚类方法、装置、设备及介质，属于大数据技术领域，解决了现有主题挖掘不精准、学者兴趣描述模糊的问题。本申请技术方案主要包括：获取目标完成者的信息，根据所述信息获取所述目标学者的文献数据集；根据所述文献数据集构建文献网络图，所述文献网络图的包括所述文献数据集中，由各文献之间的文本相似度和文献引用数据融合得到的文献关系指标；对所述文献网络图进行图聚类分析，以获得若干研究兴趣簇；依据各所述研究兴趣簇各自的文献对各所述研究兴趣簇进行主题短语提取，以获得所述目标完成者的研究兴趣画像。

技术领域

本申请属于大数据技术领域，具体而言涉及一种文献完成者研究兴趣图聚类方法、装置、设备及介质。

背景技术

近年来，随着科学技术的发展，无论是高校还是科技公司发表学术文献的数量呈现爆炸式增长。科研人员及相关从业者在面对开放互联网和各种论文数据库中大量的科研学者及其科技论文时，无法快速且准确地从海量论文中方便且快捷地定位到所需论文集或者找到具有相同兴趣的从业者。而学者研究热点的标签来自于学者的自我设定，但是大部分学者的研究兴趣没有被定义，如何利用大数据技术挖掘学者的研究兴趣以及自动构建学者画像是亟待解决的问题。

传统研究方法主要分为两种实现思路：一方面是基于统计方法，即通过TF-IDF进行词频统计或者使用TextRank等算法抽取关键词，这种方法未充分利用到引文网络中图结构信息；另一方面是基于有监督的学习方法预测学者兴趣标签，即使用学者主题（AT）模型或者潜在狄利克雷分配（LAD）模型对学者与主题进行建模，它假设文档是由一组主题生成的，将主题表示成单词的特征分布，论文表示为潜在主题的多项概率分布，但是大部分学者并没有为自己设置研究兴趣标签，如果给未分配标签的学者进行人工分配标签不仅会花费大量的人力物力与财力，而且有标签的学者，其研究方向也会因时间发生变化，从而导致标签不精确。而且以上两种思路的本质都是利用了词与词、词与文档之间的关系。

综上，传统方法往往会导致主题挖掘不精准、学者兴趣描述模糊等问题。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种文献完成者研究兴趣图聚类方法、装置、设备及介质，用以解决现有技术中主题挖掘不精准、学者兴趣描述模糊的问题。

本申请第一方面实施例提供一种文献完成者研究兴趣图聚类方法，包括以下步骤：

获取目标完成者的信息，根据所述信息获取所述目标完成者的文献数据集；

根据所述文献数据集构建文献网络图，所述文献网络图的包括所述文献数据集中，由各文献之间的文本相似度和文献引用数据融合得到的文献关系指标；

对所述文献网络图进行图聚类分析，以获得若干研究兴趣簇；

依据各所述研究兴趣簇各自的文献对各所述研究兴趣簇进行主题短语提取，以获得所述目标完成者的研究兴趣画像。

在一些实施例中，所述目标完成者的信息包括常用名、常用邮箱或者所在机构；

所述根据所述信息获取所述目标完成者的文献数据集，包括：

根据所述常用名在文献数据库中进行检索以获得文献集S1；

根据所述常用邮箱或者所述所在机构对所述文献集S1进行筛选以获得所述文献数据集，所述文献数据集包括文献的基本属性，所述基本属性包括文献标题、摘要、发表地、关键词、引文关系以及合作者姓名与所属单位中的一种或多种的组合。

在一些实施例中，所述根据所述文献数据集构建文献网络图包括：

采用OAG-BERT学术语言大模型基于所述基本属性生成各所述文献的特征向量；

根据所述特征向量采用余弦相似度算法构建各所述文献间的相似度指标矩阵，所述相似度指标矩阵表示为：

，其中TS-index表示相似度指标矩阵，表示文献i与文献j之间的文本相似度，表示文献i的特征向量，表示文献j的特征向量；