专家研究领域自动识别研究*

doi:10.11925/infotech.1003-3513.2010.02.11

现代图书情报技术

2010, Vol. 26

Issue (2): 63-67 https://doi.org/10.11925/infotech.1003-3513.2010.02.11

情报分析与研究

本期目录 | 过刊浏览 | 高级检索

专家研究领域自动识别研究*

赵红斌陆伟

(武汉大学信息资源研究中心武汉 430072)

The Study of Expert Research Field Automatic Recognition

Zhao Hongbin Lu Wei

(Center for Studies of Information Resources, Wuhan University, Wuhan 430072，China)

摘要
参考文献
相关文章
Metrics

全文: PDF (654 KB) HTML
输出: BibTeX | EndNote (RIS)

摘要

借鉴文本自动分类思想，基于文档权重归并法，采用N元语言模型，设计一个专家领域识别实验系统；并以“武汉大学”为例对专家研究领域自动识别的效果进行初步评测，实验结果表明该系统对专家研究领域的自动识别具有很高的查准率。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	赵红斌
	陆伟

关键词 ：专家研究领域识别, 专家检索, 文本分类

Abstract：

Based on document-weight combining method, this paper uses N-gram language model and designs an expert research field recognition system. Taking Wuhan University as a preliminary evaluation example, the authors find that the system is highly effective in the expert research field recognition.

Key words： Expert research field recognition Expert search Text classification

收稿日期: 2010-01-20 出版日期: 2010-02-25

TP393

基金资助:

*本文系国家自然科学基金重点项目“基于生命周期理论的数字信息资源深度开发与管理机制研究”（项目编号：70833005）和教育部人文社会科学规划项目“专家专长智能识别与检索系统实现研究”（项目编号：09YJA870021）的研究成果之一。

通讯作者: 赵红斌 E-mail: sakura-2008@163.com

作者简介: 赵红斌,陆伟

引用本文:

赵红斌,陆伟. 专家研究领域自动识别研究*[J]. 现代图书情报技术, 2010, 26(2): 63-67.
Zhao Hongbin,Lu Wei. The Study of Expert Research Field Automatic Recognition. New Technology of Library and Information Service, 2010, 26(2): 63-67.

链接本文:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2010.02.11 或 https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2010/V26/I2/63

［1］ Budura A, Bourges-Waldegg D, Riordan J. Deriving Expertise Profiles from Tags［C］. In：Proceedings of the 2009 International Conference on Computational Science and Engineering.2009：34-41.
［2］ Tsai T M, Shih C C, Peng T C. Explore the Possibility of Utilizing Blog Semantic Analysis for Domain Expert and Opinion Mining［C］. In：Proceedings of the International Conference on Intelligent Networking and Collaborative Systems.2009.
［3］ Khan S, Nabeel S M.OPEMS: Online Peer-to-Peer Expertise Matching System［C］. In：Proceedings of the 1st International Conference on Information and Communication Technologies.2005.
［4］杨斌,刘记. 基于Web2.0的专长识别与共享模型研究［J］.图书情报工作,2009,53(15):113-117.
［5］杨彩鸽，曹俊霞. 基于Web的学术专家管理系统的设计与实现［J］. 现代电子技术, 2005，28(17): 53-55.
［6］陆伟，赵浩镇.基于文档权重归并法的企业专家检索［J］.现代图书情报技术，2008(7): 38-42.
［7］陆伟，韩曙光.组织专家的检索系统设计与实现［J］.情报学报，2008,27(5):657-663.
［8］徐望，王炳锡.N—gram语言模型中的插值平滑技术研究［J］. 信息工程大学学报,2002,3(4):32-37.
［9］ Peng F, Huang X, Schuurmans D, et al. Text Classification in Asian Languages Without Word Segmentation ［C］.In：Proceedings of the 6th International Workshop on Information Retrieval with Asian Languages, Sapporo, Japan. Morristown, NJ, USA：Association for Computational Linguistics，2003:41-48.
［10］ Lingpipe API ［EB/OL］. ［2009-07-01］.http://alias-i.com/lingpipe/docs/api/index.html.
［11］陈素萍，谢丽聪.一种文本特征选择方法的研究［J］. 计算机技术与发展, 2009,19(2):31-37.
［12］ Apache Lucene-Overview ［EB/OL］. ［2009-07-01］.http://lucene.apache.org/java/docs/index.html.
［13］ JDOM v1.1 API Specification ［EB/OL］. ［2009-07-01］.http://www.jdom.org/docs/apidocs/index.html.
［14］ Lingpipe 官网［EB/OL］. ［2009-07-02］.http://alias-i.com/lingpipe/.
［15］ Peng F, Schuurmans D, Wang S. Language and Task Independent Text Categorization with Simple Language Models［C］.In: Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology, Edmonton,Canada.2003:110-117.

[1]	陈杰,马静,李晓峰. 融合预训练模型文本特征的短文本分类方法*[J]. 数据分析与知识发现, 2021, 5(9): 21-30.
[2]	周泽聿,王昊,赵梓博,李跃艳,张小琴. 融合关联信息的GCN文本分类模型构建及其应用研究*[J]. 数据分析与知识发现, 2021, 5(9): 31-41.
[3]	余本功,朱晓洁,张子薇. 基于多层次特征提取的胶囊网络文本分类研究^*[J]. 数据分析与知识发现, 2021, 5(6): 93-102.
[4]	王艳, 王胡燕, 余本功. 基于多特征融合的中文文本分类研究^*[J]. 数据分析与知识发现, 2021, 5(10): 1-14.
[5]	唐晓波,高和璇. 基于关键词词向量特征扩展的健康问句分类研究 ^*[J]. 数据分析与知识发现, 2020, 4(7): 66-75.
[6]	王思迪,胡广伟,杨巳煜,施云. 基于文本分类的政府网站信箱自动转递方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 51-59.
[7]	徐月梅,刘韫文,蔡连侨. 基于深度融合特征的政务微博转发规模预测模型^*[J]. 数据分析与知识发现, 2020, 4(2/3): 18-28.
[8]	徐彤彤,孙华志,马春梅,姜丽芬,刘逸琛. 基于双向长效注意力特征表达的少样本文本分类模型研究^*[J]. 数据分析与知识发现, 2020, 4(10): 113-123.
[9]	余本功,曹雨蒙,陈杨楠,杨颖. 基于nLD-SVM-RF的短文本分类研究*[J]. 数据分析与知识发现, 2020, 4(1): 111-120.
[10]	聂维民,陈永洲,马静. 融合多粒度信息的文本向量表示模型 ^*[J]. 数据分析与知识发现, 2019, 3(9): 45-52.
[11]	邵云飞,刘东苏. 基于类别特征扩展的短文本分类方法研究 ^*[J]. 数据分析与知识发现, 2019, 3(9): 60-67.
[12]	秦贺然,刘浏,李斌,王东波. 融入实体特征的典籍自动分类研究 ^*[J]. 数据分析与知识发现, 2019, 3(9): 68-76.
[13]	陈果,许天祥. 基于主动学习的科技论文句子功能识别研究 ^*[J]. 数据分析与知识发现, 2019, 3(8): 53-61.
[14]	余本功,陈杨楠,杨颖. 基于nBD-SVM模型的投诉短文本分类^*[J]. 数据分析与知识发现, 2019, 3(5): 77-85.
[15]	谭章禄,王兆刚,胡翰. 一种基于χ²统计的特征分类选择方法研究^*[J]. 数据分析与知识发现, 2019, 3(2): 72-78.

Viewed

Full text

Abstract

Cited

Shared

Discussed