基于開(kāi)放存取的科研數(shù)據(jù)獲取與專家相似度研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，人們對(duì)科技文獻(xiàn)的獲取方式發(fā)生了根本性改變。目前通過(guò)網(wǎng)絡(luò)獲取、閱讀文獻(xiàn)已經(jīng)成為主流，為了推動(dòng)科研成果的傳播和利用，開(kāi)放存取(Open Access)在這一背景下應(yīng)景而生。開(kāi)放存取的核心特征是在尊重作者權(quán)益的前提下，利用互聯(lián)網(wǎng)為用戶免費(fèi)提供學(xué)術(shù)信息和研究成果的全文服務(wù)。本文工作基于在研的國(guó)家自然科學(xué)基金委開(kāi)放存取科研數(shù)據(jù)平臺(tái)項(xiàng)目，該項(xiàng)目擬研發(fā)的開(kāi)放存取系統(tǒng)能夠有效緩解當(dāng)前國(guó)內(nèi)科研文獻(xiàn)數(shù)據(jù)的獲取困難，有助于提升政府和科研

2、機(jī)構(gòu)在大數(shù)據(jù)時(shí)代對(duì)科研數(shù)據(jù)的管理能力。
　　針對(duì)國(guó)家自然科學(xué)基金委源數(shù)據(jù)庫(kù)中論文元數(shù)據(jù)格式不規(guī)范、屬性錯(cuò)誤、缺失等問(wèn)題，本文構(gòu)建了一個(gè)基于多數(shù)據(jù)源的數(shù)據(jù)獲取和處理組件，從多個(gè)權(quán)威的科研論文數(shù)據(jù)源獲取了約800萬(wàn)篇科研論文，并對(duì)論文元數(shù)據(jù)進(jìn)行了系統(tǒng)地清洗、補(bǔ)全和去重，建立了海量學(xué)術(shù)論文數(shù)據(jù)庫(kù)。學(xué)術(shù)論文是一種嚴(yán)謹(jǐn)?shù)目萍碱?lèi)文獻(xiàn)且包含豐富的信息，合理利用論文數(shù)據(jù)可以有效地實(shí)現(xiàn)分析專家研究領(lǐng)域和興趣、計(jì)算專家之間的科研領(lǐng)域相似度進(jìn)而推薦相似

3、專家等功能?；谠谘许?xiàng)目的實(shí)際系統(tǒng)功能需求和所構(gòu)建的大規(guī)模論文數(shù)據(jù)庫(kù)，本文提出了一種基于主題模型的科研興趣標(biāo)簽提取方法，該方法根據(jù)專家各自的論文集合，分析其論文的主題分布，配合主題在詞語(yǔ)上的概率分布，找出對(duì)專家論文中貢獻(xiàn)最大的詞語(yǔ)作為科研興趣標(biāo)簽，并與基于TF-IDF的標(biāo)簽提取方法做了對(duì)比。本文還提出了一種基于詞向量模型的專家科研相似度計(jì)算方法，該方法利用主題模型生成的專家科研標(biāo)簽，通過(guò)計(jì)算標(biāo)簽關(guān)鍵詞詞向量之間的距離，進(jìn)而獲得專家之間的