科研机构名称归一化实现

doi:10.13266/j.issn.0252-3116.2018.13.013

图书情报工作 ›› 2018, Vol. 62 ›› Issue (13): 103-110.DOI: 10.13266/j.issn.0252-3116.2018.13.013

科研机构名称归一化实现

贾君枝¹, 曾建勋², 李捷佳¹, 付晓梅¹

1. 山西大学经济与管理学院太原 030006;
2. 中国科技信息研究所信息资源中心北京 100038

收稿日期:2017-12-08 修回日期:2018-03-29 出版日期:2018-07-05 发布日期:2018-07-05
作者简介:贾君枝(ORCID:0000-0003-1486-673X),教授,博士,E-mail:junzhij@163.com;曾建勋(ORCID:0000-0002-0432-9618),主任,研究馆员,博士生导师;李捷佳(ORCID:0000-0002-2357-6315),硕士研究生;付晓梅(ORCID:0000-0002-9831-0204),硕士研究生。
基金资助:
本文系国家社会科学基金项目"机构规范文档结构及构建方式研究"（项目编号：15BTQ015）和国家社会科学基金重点项目"基于关联数据的中文名称规范档语义描述及数据聚合研究"（项目编号：15ATQ004）研究成果之一。

Realization of Research Institution Name Normalization

Jia Junzhi¹, Zeng Jianxun², Li Jiejia¹, Fu Xiaomei¹

1. School of Economics and Management, Shanxi University, Taiyuan 030006;
2. Institute of Scientific and Technical Information of China, Beijing 100038

Received:2017-12-08 Revised:2018-03-29 Online:2018-07-05 Published:2018-07-05

摘要/Abstract

摘要： [目的/意义]机构名称的数目多且较为繁杂，机构名称归一化可将同一机构的规范名称以及不同时段、不同表达形式的非规范名称汇集在一起，提高查询检索的查全率和查准率；有利于建立与其他系统之间的互操作，实现资源的共享。[方法/过程]在分析机构名称字符串的特点和基于K-means算法的基础上，利用编辑距离算法实现一级机构名称的初步聚类，然后利用初步聚类结果并基于TF-IDF算法计算机构名称各词项的权值，从而基于K-means算法将机构名称围绕聚类中心抱团聚簇，并对每一个簇的机构名称赋予唯一标识符。[结果/结论]该方法可实现同一机构实体不同形式的规范名称的归一，提高机构名称聚类的准确率，但对K取值、距离测度方法的选取仍有待优化。

关键词: 科研机构名称, 聚类, K-means

Abstract: [Purpose/significance] Institution names are numerous and complicated. The normalization of institution names brings the authoritative name and the informal ones(both at different times and in different ways of expression) of the same institution together,enhancing comprehensiveness and accuracy of searches,promoting interoperability with other systems, and thus realizing resource sharing.[Method/process] Based on the analysis of institution names' characteristic and K-means algorithm, this paper utilizes the edit distance similarity algorithm to achieve name normalization of institution names. Then uses TF-IDF to calculate the weight of each item, around the cluster center to normalize institution name based on K-means algorithm and gives the unique identifier to every cluster.[Result/conclusion] It achieves name normalization of the same institution name in different forms. And it improves the precision of institution name cluster, but the choice of K value and distance measurement method still needs to be optimized.

Key words: research institution name, cluster, K-means

中图分类号:

G254

贾君枝, 曾建勋, 李捷佳, 付晓梅. 科研机构名称归一化实现[J]. 图书情报工作, 2018, 62(13): 103-110.

Jia Junzhi, Zeng Jianxun, Li Jiejia, Fu Xiaomei. Realization of Research Institution Name Normalization[J]. LIS, 2018, 62(13): 103-110.

参考文献

[1] VIAF[EB/OL].[2017-03-06]. http://www.oclc.org/en/viaf.html.
[2] LEAF-linking and exploring authority files[EB/OL].[2018-03-27].http://www.dlib.org/dlib/september01/09inbrief.html.
[3] 中文名称规范联合数据库检索系统[EB/OL].[2017-12-01] http://cnass.cccna.org/jsp/index.jsp.
[4] 中国科学院机构名称规范库[EB/OL].[2017-03-08]. http://irsr.llas.ac.cn/institution/.
[5] 张小衡, 王玲玲. 中文机构名称的识别与分析[J]. 中文信息学报, 1997, 11(4):21-32.
[6] 沈嘉懿, 李芳, 徐飞玉,等. 中文组织机构名称与简称的识别[J]. 中文信息学报, 2007, 21(6):17-21.
[7] 陈霄, 刘慧, 陈玉泉. 基于支持向量机方法的中文组织机构名的识别[J]. 计算机应用研究, 2008, 25(2):362-364.
[8] 俞鸿魁, 张华平, 刘群,等. 基于层叠隐马尔可夫模型的中文命名实体识别[J]. 通信学报, 2006, 27(2):87-94.
[9] 叶琳莉, 黄日茂. 结合决策树方法的中文机构名称识别[J]. 福建电脑, 2007(12):184-184.
[10] 尹继豪, 樊孝忠, 赵攀超,等. 基于组块分析技术的中文机构名称识别[J]. 哈尔滨工程大学学报, 2006, 27(S1):466-470.
[11] JIANG Y, ZHENGH T, WANG X, et al. Affiliation disambiguation for constructing semantic digital libraries[J]. Journal of the American Society for Information Science &Technology, 2011, 62(6):1029-1041.
[12] 杨奕虹, 李雅萍, 张立丽,等. 机构多层级词表的编制及在文献计量评价与科研绩效管理中的应用[J]. 数字图书馆论坛, 2013(6):57-63.
[13] 孙海霞, 李军莲, 吴英杰. 基于K-means的机构归一化研究[J]. 医学信息学杂志, 2013, 34(7):41-44.
[14] 贤信. 机构规范文档结构及构建方式研究[D]. 北京:中国科学技术信息研究所, 2015.
[15] DONOHUE J C. Understanding scientific literatures:abibliometricapproach[M]. Cambridge:The MIT Press, 1973:49-50.
[16] 章成志. 基于多层特征的字符串相似度计算模型[J]. 情报学报, 2005, 24(6):696-701.
[17] LEVENSHTEIN V I. Binary codes capable of correcting deletions, insertions and reversals[J]. Soviet physics doklady, 1966, 10(1):707-710.
[18] 吴军. 数学之美[M]. 北京:人民邮电出版社, 2014.
[19] 李飞, 薛彬, 黄亚楼. 初始中心优化的K-Means聚类算法[J]. 计算机科学, 2002, 29(7):94-96.
[20] 何晓群. 多元统计分析[M]. 北京:中国人民大学出版社, 2012.

科研机构名称归一化实现

Realization of Research Institution Name Normalization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	何琳, 马晓雯, 喻雪寒, 艾毓茜, 李章超, 高丹. 典籍事件触发动词识别研究:基于《左传》的文本实验[J]. 图书情报工作, 2022, 66(5): 133-141.
[2]	张彪, 吴红, 高道斌, 林艳秋. 基于潜在高被引论文与高价值专利的创新前沿识别研究[J]. 图书情报工作, 2022, 66(18): 72-83.
[3]	谷莹, 李贺, 祝琳琳. 融合主题聚类和语义图模型的产品评论自动摘要方法研究[J]. 图书情报工作, 2022, 66(13): 118-126.
[4]	吴茵茵. 英美高校图书馆在线展览的主题和情感特征定量分析[J]. 图书情报工作, 2021, 65(20): 142-150.
[5]	阳昕, 张敏, 廖剑岚, 邵诚敏. 社会网络视角下的高校图书馆电子资源利用研究——以复旦大学图书馆为例[J]. 图书情报工作, 2021, 65(15): 91-99.
[6]	张海涛, 宋拓, 周红磊, 张鑫蕊. 基于谱聚类的虚拟健康社区知识聚合方法研究[J]. 图书情报工作, 2020, 64(8): 134-140.
[7]	钱明辉, 徐志轩, 陈相仪. 中外公共图书馆特色服务类型识别与比较研究[J]. 图书情报工作, 2020, 64(5): 60-70.
[8]	王阮, 邓君, 孙绍丹, 宋先智, 宋雪雁. 哥伦比亚大学口述历史中心项目聚类分析与主题解构[J]. 图书情报工作, 2020, 64(17): 37-48.
[9]	王忠义, 沈雪莹, 黄京. 基于知识元的中文文本层级分割[J]. 图书情报工作, 2019, 63(7): 105-115.
[10]	张莉曼, 张向先, 卢恒, 张玲. 知识直播平台付费用户群体画像研究[J]. 图书情报工作, 2019, 63(5): 84-91.
[11]	张瑞红, 陈云伟, 邓勇. 用于科学结构分析的混合网络社团划分方法述评[J]. 图书情报工作, 2019, 63(4): 135-141.
[12]	邱云飞, 张伟竹. 基于网络结构和文本内容的群体画像构建方法研究[J]. 图书情报工作, 2019, 63(22): 21-30.
[13]	黄微, 朱镇远, 许烨婧, 孙悦. 网络舆情衍进指数构建与实证分析[J]. 图书情报工作, 2019, 63(20): 26-33.
[14]	沈玖玖, 徐萍, 张琴, 龚花萍. 大数据时代高校数据素养课程群构建研究[J]. 图书情报工作, 2019, 63(19): 66-74.
[15]	曲靖野, 陈震, 郑彦宁. 基于主题模型的科技报告文档聚类方法研究[J]. 图书情报工作, 2018, 62(4): 113-120.