[发明专利]一种用于专利数据中发明人姓名消歧的方法

权利要求书

1.一种用于专利数据中发明人姓名消歧的方法，其特征在于，包括以下步骤：

步骤1、提取专利数据中的发明人姓名集合、发明人的合作者集合、发明人所在申请单位集合及知识分类号集合；

步骤2、如果专利数据中不重复的发明人姓名集合的元素数量大于10000，则对发明人姓名集合进行初步过滤；计算发明人姓名集合中各发明人拥有的知识分类号相似程度，若发明人间知识分类号相似度大于设定的阈值a，则将该姓名对加入潜在相似集合Pi；

步骤3、对潜在相似集合Pi中的数据采用遍历方法提取集合元素，计算相似集合Pi中两个姓名元素间的相似度；

步骤4、采用随机森林算法对步骤3计算的相似度数据进一步进行判别，获得结果集R′，防止过拟合；

步骤5、将结果集R′以可视化界面操作的方式展示给用户选择，用户选择是否需要变更、修改，用户提交后对结果集中的数据进行替代；

所述步骤3中，所述合作者相似度的计算如下：

S_Coo＝Mean{S_Coo₁，S_Coo₂，S_Coo₃} (4)

其中A_ai表示的是研发者i在其申请的专利中，研发者对应的专利合作者集合；B_aj表示的是研发者j在其申请的专利中，研发者对应的专利合作者；S_Coo₁，S_Coo₂，S_Coo₃分别表示其合作者相似度的计算方法，最后S_Coo取三者的均值作为研发者合作者相似度；

所述步骤3中，所述专利分类号相似度计算如下：

S_Pcn＝Mean{S_Pcn₁，S_Pcn₂，S_Pcn₃} (8)

其中，A_bi表示的是研发者i在其申请的专利中，研发者i的专利对应的专利分类号；B_bj表示的是研发者j在其申请的专利中，研发者j的专利对应的专利分类号；

S_Pcn_1，S_Pcn_2，S_Pcn₃分别表示其专利分类号相似度的计算方法，最后S_Pcn取三者的均值作为研发者合作者相似度；

所述步骤3中，所述姓名相似度计算如下：

S_Nam＝S_Nam₁×S_Nam₂ (11)

其中，A_ci表示的是研发者i的拼音转换字符，B_cj表示的是研发者j的拼音转换字符，S_Nam₁表示的是研发者i和j间姓名拼音相似度的计算方法；A_di表示的是研发者i的姓名字形转换字符，B_cj表示的是研发者j的姓名字形转换字符，S_Nam₂表示的是研发者i和j间姓名字形相似度的计算方法；S_Nam表示的是研发者姓名相似度的计算公式，将拼音相似度与字形相似度相乘；

所述步骤4包括以下步骤：

步骤4.1、首先随机放回抽取训练样本集中的数据训练一个决策树；

步骤4.2、针对每个样本的特征维度是3，当决策树的每个节点需要分裂时，随机从属性中选择1个属性，使用信息增益的方法作为该节点的分裂属性；

步骤4.3、重复该步骤直到节点不能再分裂；注意整个决策树形成的过程中没有进行减枝；

步骤4.4、按照步骤4.1和4.3形成大量的决策树，构成决策树随机森林模型，该模型对输入的相似度数据进行判断是否是有歧义，获得结果集数据R；

步骤4.5、将结果集数据R输入该决策树森林模型中，将模型输出无歧义的数据从R中去除，得到最终的结果集R′；

所述步骤4.4的判断规则如下所述：

A、如果姓名相似程度小于0.5，则该姓名不存在歧义，在集合中去除该姓名对；

如果姓名相似程度大于0.5，则计算合作者相似度；

B、如果姓名相似度大于0.5，合作者相似度小于0，则该姓名不存在歧义，在集合中去除该姓名对；

C、如果合作者相似度大于0，并且姓名相似度大于0.6，则该姓名对可能存在歧义，将其加入结果集数据R中，R指的是最终可能存在姓名歧义的结果集；

D、如果姓名相似度小于0.6，则继续比较专利分类号相似度；

E、如果分类号相似度大于0.5，则该姓名可能存在歧义，将姓名对加入结果集数据R中；否则该姓名不存在歧义，在集合Pi中去除该姓名对。