Please wait a minute...
Advanced Search
数据分析与知识发现  2018, Vol. 2 Issue (8): 88-97     https://doi.org/10.11925/infotech.2096-3467.2018.0178
  应用论文 本期目录 | 过刊浏览 | 高级检索 |
科技文献数据库中机构名称匹配策略研究*
孙海霞1,2, 王蕾2, 吴英杰2, 华薇娜1, 李军莲2()
1南京大学信息管理学院 南京 210093
2中国医学科学院医学信息研究所 北京 100020
Matching Strategies for Institution Names in Literature Database
Sun Haixia1,2, Wang Lei2, Wu Yingjie2, Hua Weina1, Li Junlian2()
1School of Information Management, Nanjing University, Nanjing 210093, China
2Institute of Medical Information, Chinese Academy of Medical Sciences, Beijing 100020, China
全文: PDF (687 KB)   HTML ( 3
输出: BibTeX | EndNote (RIS)      
摘要 

目的】规范科技文献数据库中机构名称存储与管理, 设计并实现机构名称匹配策略。【方法】引入地区、类别和命名特征, 构建3类7组匹配判定规则, 设计4组规则与编辑距离混合的匹配策略, 基于中文生物医学文献数据库2006年-2011年“作者单位”数据进行实现与评估。【结果】在600余万条“作者单位”数据集上, 对高等院校、医院与科研院所三类机构进行匹配实现, 结果表明综合考虑机构地区和命名特征规则的混合匹配策略表现最佳, 准确率均在80%以上, 召回率达64.82%, F值达71.66%。【局限】辅助词典和规则构建主要依赖人工经验, 覆盖面不全; 机构名称识别存在错误, 对匹配结果产生影响; 提出的匹配策略无法有效解决机构名称形态差异较大的规范问题。【结论】本研究提出一种基于规则和编辑距离的机构名称匹配策略, 能够提高科研文献数据库建设的规范性。

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
孙海霞
王蕾
吴英杰
华薇娜
李军莲
关键词 信息检索机构名称规范相似度计算混合策略文献数据库    
Abstract

[Objective] This paper designs and implements matching strategies for institution names in literature database, aiming to regulate their storage and management. [Methods] We first established seven name matching rules based on their regions, types and naming characteristics. Then, we designed four hybrid matching strategies combining rules and Levenstein distance. Finally, we evaluated the four hybrid strategies with institution names from the papers indexed by Chinese Biomedical Literature (CBM) database during 2006-2011. [Results] More than six million affiliation strings from CBM were matched, which included higher education institutions, hospitals and research institutes. We found that the hybrid matching strategy based on region, naming characteristics and Levenstein distance obtained the highest precision (all above 80%), recall (64.82%), and F-value (71.66%). [Limitations] The rules and related dictionary were mainly constructed with human experience and their coverage is limited. There are some errors in the identifying institution names. The proposed strategy cannot address the issues caused by the transformative actions of institutions. [Conclusions] The proposed strategies could improve the performance of scientific research literature databases.

Key wordsInformation Retrieval    Normalization of Affiliation Strings    Similarity Measure    Hybrid Strategy    Literature Database
收稿日期: 2018-02-11      出版日期: 2018-09-08
ZTFLH:  TP393  
基金资助:*本文系中央级公益性科研院所基本科研业务费专项“基于共现分析的著者机构名称规范机制研究”(项目编号: 2016RC330006)和国家科技图书文献中心“下一代国家科技创新开放知识服务系统”先期研发任务“STKOS自动构建与维护关键技术研究”(项目编号: XQYF0102)的研究成果之一
引用本文:   
孙海霞, 王蕾, 吴英杰, 华薇娜, 李军莲. 科技文献数据库中机构名称匹配策略研究*[J]. 数据分析与知识发现, 2018, 2(8): 88-97.
Sun Haixia,Wang Lei,Wu Yingjie,Hua Weina,Li Junlian. Matching Strategies for Institution Names in Literature Database. Data Analysis and Knowledge Discovery, 2018, 2(8): 88-97.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2018.0178      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2018/V2/I8/88
  整体研究思路
FP FN
LR R1
CR R2
LFR R3-R6 R7
  规则分类
机构分类 关键特征词示例
医院 医院、临床中心、门诊中心、门诊部、…
医学高等教育机构 学院、大学、学校、学部、…
医学科学研究机构 科学院、研究所、研究院、研究中心、创新中心、…
  部分类别关键特征词示例
  机构名称匹配算法流程
序号 作者机构字符串常见结构 示例
1 ‘机构’+ ‘逗号’+ ‘省份名城市名’+‘邮编’ 昆山市第一人民医院肿瘤科, 江苏昆山 215300
2 ‘机构’+ ‘逗号’+‘城市名’+‘邮编’ 上海复旦大学附属华山医院神外科, 上海 200040
3 ‘机构’+‘逗号’+ ‘省份名’+‘邮编’ 昆山市第一人民医院, 江苏省 215300
4 ‘机构’+‘逗号’+ ‘邮编’ 江苏省南通大学附属肿瘤医院, 226361
5 ‘机构’+ ‘邮编’ 江苏省南通大学附属肿瘤医院 226361
6 ‘机构’ 安徽医科大学第一附属医院消化内科
  作者机构名称字符串常见组成结构
测试数据集分组 基础数据集合 新增数据集合
序号 CBM收录年份范围 机构类别 去重后机构名称串 序号 CBM收录年份范围 机构类别 去重后机构名称串
第一组(T1) TBD1 2006-2008 高等院校 22 685 TID1 2009-2011 高等院校 10 192
研究所 11 178 研究所 5 182
医院 93 895 医院 59 937
合计 127 758 合计 75 311
第二组(T2) TBD2 2006-2009 高等院校 26 943 TID 2 2010-2011 高等院校 5 932
研究所 13 195 研究所 3 165
医院 113 554 医院 40 281
合计 153 692 合计 49 378
第三组(T2) TBD3 2006-2010 高等院校 31 014 TID3 2011 高等院校 1 862
研究所 15 051 研究所 1 313
医院 133 003 医院 20 833
合计 179 068 合计 24 008
  测试数据集统计
方案 T1 T2 T3
P R F值 P R F值 P R F值
C1 71.15% 62.26% 66.41% 72.68% 68.66% 70.62% 72.79% 74.37% 73.57%
C2 71.23% 60.80% 65.60% 72.23% 66.82% 69.42% 72.45% 72.92% 72.69%
C3 80.72% 53.29% 64.20% 80.56% 59.22% 68.26% 80.11% 64.82% 71.66%
C4 80.77% 51.10% 62.59% 80.46% 57.20% 66.86% 80.00% 63.17% 70.59%
  不同组合方案在3个测试集中实验评估结果
  不同方案在三个测试集下效果变化趋势
方案 高等院校 科研院所 医院
T1 T2 T3 T1 T2 T3 T1 T2 T3
C1 72.55% 72.37% 68.84% 79.51% 79.64% 77.94% 71.05% 72.33% 72.85
C2 72.35% 71.86% 67.70% 77.33% 78.79% 77.08% 71.05% 72.25% 72.77%
C3 74.43% 74.24% 70.41% 84.91% 85.41% 84.83% 81.75% 81.45% 80.79%
C4 74.44% 74.00% 69.51% 77.46% 79.57% 77.27% 81.61% 81.25% 80.94%
  不同组合方案在不同类别子集中准确率评估结果
  组合方案C3在三类机构名称不同测试子集中召回率及其变化情况
  组合方案C3在三类机构名称不同测试子集中F值及其变化情况
[1] Khalid M A, Jijkoun V, De Rijke M.The Impact of Named Entity Normalization on Information Retrieval for Question Answering[C]//Proceeding of the IR Research, 30th European Conference on Advances in Information Retrieval,Glasgow, UK. Berlin, Heidelberg: Springer-Verlag, 2008: 705-710.
[2] 唐金玲. 国际三大检索系统论文作者机构名称问题研究——以高校机构名称为例[J]. 情报探索, 2014(9): 80-84.
doi: 10.3969/j.issn.1005-8095.2014.09.021
[2] (Tang Jinling.Study on Issues of Author Affiliations on Papers Included in International Three Key Retrieval Systems: Case Study of Name of University[J]. Information Research, 2014(9): 80-84.)
doi: 10.3969/j.issn.1005-8095.2014.09.021
[3] 苏新宁. 图书馆、情报与文献学学术影响力研究报告(2000-2004)——基于CSSCI的分析[J]. 情报学报, 2006, 25(2): 131-153.
doi: 10.3969/j.issn.1000-0135.2006.02.001
[3] (Su Xinning.Report on Academic Influence in Library, Information and Documentation Science (2000-2004)[J]. Journal of the China Society for Scientific and Technical Information, 2006, 25(2): 131-153.)
doi: 10.3969/j.issn.1000-0135.2006.02.001
[4] 曾建勋, 王立学. 面向知识评价的规范文档建设方法[J]. 图书情报工作, 2012, 56(10): 101-106.
[4] (Zeng Jianxun, Wang Lixue.Construction of Knowledge Evaluation-oriented Authority Files[J]. Library and Information Service, 2012, 56(10): 101-106.)
[5] Abramo G, D’Angelo C A, Pugini F. The Measurement of Italian Universities’ Research Productivity by a Non Parametric-Bibliometric Methodology[J]. Scientometrics, 2008, 76(2): 225-244.
doi: 10.1007/s11192-007-1942-2
[6] French J C, Powell A L, Schulman E.Automating the Construction of Authority Files in Digital Libraries: A Case Study[C]//Proceedings of International Conference on Theory and Practice of Digital Libraries.Berlin,Heidelberg: Springer, 1997: 55-71.
[7] Liu W L, Doğan R I, Sun K, et al.Author Name Disambiguation for PubMed[J]. Journal of the Association for Information Science and Technology, 2014, 65(4): 765-781.
doi: 10.1002/asi.23063
[8] 孙海霞, 李军莲. 学术论文作者机构规范文档构建[J]. 医学信息学杂志, 2015, 36(11): 42-47.
doi: 10.3969/j.issn.1673-6036.2015.11.010
[8] (Sun Haixia, Li Junlian.Construction of Authority File of Author Affiliations[J]. Journal of Medical Informatics, 2015, 36(11): 42-47.)
doi: 10.3969/j.issn.1673-6036.2015.11.010
[9] 陈金星, 祝忠明. 责任者名称规范控制研究及进展[J]. 现代图书情报技术, 2009(12): 12-17.
[9] (Chen Jinxing, Zhu Zhongming.Research Progress of the Name Authority Control for the Contributor[J]. New Technology of Library and Information Service, 2009(12): 12-17.)
[10] Jonnalagadda S R, Topham P.NEMO: Extraction and Normalization of Organization Names from PubMed Affiliation String[J]. Journal of Biomedical Discovery and Collaboration, 2010, 5(1): 50-75.
doi: 10.1186/1747-5333-2-2 pmid: 2990275
[11] Jiang Y, Zheng H T, Wang X, et al.Affiliation Disambiguation for Constructing Semantic Digital Libraries[J]. Journal of the American Society for Information Science and Technology, 2011, 62(6): 1029-1041.
doi: 10.1002/asi.21538
[12] Torvik V I, Weeber M, Swanson D R, et al.A Probabilistic Similarity Metric for Medline Records: A Model for Author Name Disambiguation[J]. Journal of the American Society for Information Science and Technology, 2005, 56(2): 140-158.
doi: 10.1002/asi.20105 pmid: 14728536
[13] Cuxac P, Lamirel J C, Bonvallot V.Efficient Supervised and Semi-Supervised Approaches for Affiliations Disambiguation[J]. Scientometrics, 2013, 97(1): 47-58.
doi: 10.1007/s11192-013-1025-5
[14] French J C, Powell A L, Schulman E.Using Clustering Strategies for Creating Authority Files[J]. Journal of the American Society for Information Science, 2000, 51(8): 774-786.
doi: 10.1002/(ISSN)1097-4571
[15] Huang S, Yang B, Yan S, et al.Institution Name Disambiguation for Research Assessment[J]. Scientometrics, 2014, 99(3): 823-838.
doi: 10.1007/s11192-013-1214-2
[16] 孙海霞, 成颖. 信息集成中的字符串匹配技术研究[J]. 现代图书情报技术, 2007(7): 22-26.
[16] (Sun Haixia, Cheng Ying.Study on String-based Matching of Information Intergration[J]. New Technology of Library and Information Service, 2007(7): 22-26.)
[17] Jacob F, Javed F, Zhao M, et al.sCooL: A System for Academic Institution Name Normalization[C]//Proceeding of 2014 International Conference on Collaboration Technologies & Systems.IEEE, 2014: 86-93.
[18] Bollegala D, Ishizuka M, Matsuo Y.Measuring Ssemantic Similarity Between Words Using Web Search Engines[C]// Proceeding of the 14th International Conference on World Wide Web. 2007: 757-766.
[19] Aumüller D, Rahm E.Web-based Affiliation Matching[C]// Proceeding of International Conference on Information Quality. DBLP, 2009: 246-256.
[20] 杨波, 杨军威, 阎素兰. 基于规则的机构名称规范化研究[J]. 现代图书情报技术, 2015(6): 57-63.
[20] (Yang Bo, Yang Junwei, Yan Sulan.Research on Rule-based Normalization of Institution Name[J]. New Technology of Library and Information Service, 2015(6): 57-63.)
[21] Onodera N, Iwasawa M, Midorikawa N, et al.A Method for Eliminating Articles by Homonymous Authors from the Large Number of Articles Retrieved by Author Search[J]. Journal of the American Society for Information Science and Technology, 2011, 62(4): 677-690.
doi: 10.1002/asi.v62.4
[22] 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.
[22] (Zhang Xiaoheng, Wang Lingling.Identification and Analysis of Chinese Organization and Institution Names[J]. Journal of Chinese Information Processing, 1997, 11(4): 21-32.)
[23] 中国生物医学文献数据库[EB/OL]. [2017-10-30]. .
[23] (SinoMed[EB/OL]. [2017-10-30].
[1] 黄名选,卢守东,徐辉. 基于加权关联模式挖掘与规则后件扩展的跨语言信息检索 *[J]. 数据分析与知识发现, 2019, 3(9): 77-87.
[2] 关鹏,王曰芬,傅柱. 基于LDA的主题语义演化分析方法研究 * ——以锂离子电池领域为例[J]. 数据分析与知识发现, 2019, 3(7): 61-72.
[3] 杨超凡, 邓仲华, 彭鑫, 刘斌. 近5年信息检索的研究热点与发展趋势综述*——基于相关会议论文的分析[J]. 数据分析与知识发现, 2017, 1(7): 35-43.
[4] 张晓娟, 韩毅. 时态信息检索研究综述*[J]. 数据分析与知识发现, 2017, 1(1): 3-15.
[5] 黄名选. 基于矩阵加权关联模式的印尼中跨语言信息检索模型*[J]. 数据分析与知识发现, 2017, 1(1): 26-36.
[6] 丁恒, 陆伟. 基于相关性的跨模态信息检索研究*[J]. 现代图书情报技术, 2016, 32(1): 17-23.
[7] 吴丹, 向雪. 社群环境下的协同信息检索行为实验研究[J]. 现代图书情报技术, 2014, 30(12): 1-9.
[8] 邱均平, 方国平. 基于知识图谱的中外自然语言处理研究的对比分析[J]. 现代图书情报技术, 2014, 30(12): 51-61.
[9] 吴丹,余文婷. 国外协同信息检索系统比较分析*[J]. 现代图书情报技术, 2014, 30(1): 14-23.
[10] 唐静笑,吕学强,柳成洋,李涵. 用户查询意图的层次化识别方法*[J]. 现代图书情报技术, 2014, 30(1): 36-42.
[11] 张梅, 段建勇, 徐骥超. 人名属性知识挖掘及其在查询分类中的应用[J]. 现代图书情报技术, 2013, 29(9): 82-87.
[12] 周姗姗, 毕强, 高俊峰. 基于社会网络分析的信息检索结果可视化呈现方法研究[J]. 现代图书情报技术, 2013, 29(11): 81-85.
[13] 马军红. 分阶段融合的文本语义相似度计算方法[J]. 现代图书情报技术, 2013, 29(10): 20-26.
[14] 孙海霞, 李军莲, 吴英杰, 吴夙慧. 基于混合策略的中文生物医学领域未登录词识别研究[J]. 现代图书情报技术, 2013, 29(1): 15-21.
[15] 邱瑾, 吴丹. 用户协同信息检索行为与系统评价研究——以任务类型和协同能力为视角[J]. 现代图书情报技术, 2012, (9): 62-68.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn