[发明专利]一种用于专利数据中发明人姓名消歧的方法

说明书

本发明提供了一种用于专利数据中发明人姓名消歧的方法，属于信息处理领域，包括：提取专利数据中的发明人姓名集合、合作者集合、所在申请单位集合及知识分类号集合；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间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；对潜在相似集合Pi中的数据采用遍历方法提取集合元素，计算两个元素间的姓名相似度；采用随机森林算法对结果数据数据进一步进行判别；将结果数据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。该方法可以快速筛选出大部分无用数据，减小计算量。

技术领域

本发明属于信息处理领域，具体涉及一种用于专利数据中发明人姓名消歧的方法。

背景技术

发明人姓名消歧主要用于处理专利数据中由于输入或者编码错误导致的发明人姓名歧义。如在专利数据中申请人为张明与张日月，实际上其为同一个发明人，但是由于在数据输入时的错误导致申请人被区分为两个人，这类错误会影响专利数据中以发明人为研究对象的网络分析。因此需要使用发明人姓名消歧算法对这类错误进行处理。

现有同一公司的专利数据中发明人消歧技术主要是由美国加州大学 Fleming教授团队开发的贝叶斯消歧模型完成，即利用先验概率和后验概率评估姓名发生错误的概率，根据概率阈值或置信区间判断发明人姓名是否产生歧义。

但该模型所包含的技术主要针对非汉字发明人姓名，即只能识别和纠正英文字母类姓名错误。由于汉字有其特殊性，以汉字为基础的发明人姓名消歧需要设计新的算法，原算法应用上存在局限性。

因此，本申请提出一种用于专利数据中发明人姓名消歧的方法。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种用于专利数据中发明人姓名消歧的方法。

为了实现上述目的，本发明提供如下技术方案：

一种用于专利数据中发明人姓名消歧的方法，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。

优选地，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。