(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210856262.2 (22)申请日 2022.07.14 (71)申请人 同方知网 （北京） 技 术有限公司 地址 100192 北京市海淀区西小口路6 6号 东升科技园北 领地A2楼 申请人 同方知网数字出版技 术股份有限公 司 (72)发明人 刘军　王似巍　周万青　罗梦灵　 杨永秀　吕强　段飞虎　张宏伟　 (74)专利代理 机构 北京天奇智新知识产权代理 有限公司 1 1340 专利代理师 陈新胜 (51)Int.Cl. G06F 16/335(2019.01) G06F 16/33(2019.01)G06F 16/31(2019.01) G06F 16/36(2019.01) (54)发明名称 一种基于关键词打 分的评审专 家推荐方法 (57)摘要 本发明公开了一种基于关键词打分的评审 专家推荐方法， 包括： 根据评论专家库中的专家 信息补充专家学术信息并处理； 根据专家的基本 信息及专家学术数据构建专业词汇词典； 根据 专 业词汇词典提取专家备选关键词和项目备选关 键词； 确定专家关键词及项目关键词， 并通过关 键词的匹配， 推荐合适的专家。 该方法首先实用 一套关键词库提取备选关键词保证信息维度的 一致性， 其次补充专家的学术数据， 基于关键词 的专家推荐方法能够综合考虑专家信息的维度 并弥补当前评标专家推荐方法适配度较低的问 题。 权利要求书3页 说明书6页 附图4页 CN 115114426 A 2022.09.27 CN 115114426 A 1.一种基于关键词打 分的评审专 家推荐方法， 其特 征在于， A根据评论专 家库中的专 家信息补充专 家学术信息并处 理； B根据专家的基本信息及专 家学术数据构建专业词汇词典； C根据专业词汇词典提取专 家备选关键词和项目备选关键词； D确定专家关键词及项目关键词， 并通过关键词的匹配， 推荐合 适的专家。 2.如权利要求1所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述A中专 家学术信息的处 理包括： 专 家学术数据补充及预处 理与项目数据预处 理； 所述B具体包括， 对于不常见的领域词汇， 利用新词发现算法进行筛选； 对于给定的专 家数据， 采用基于凝固度及自由度的新词发现算法得到备选专业词汇， 并筛选得到专业词 典； 所述凝固度就是一个字组合片段里面字与字之间的紧密程度； 所述自由度就是一个字 组合片段能独立自由运用的程度。 3.如权利要求2所述的基于关键词打分的评审专家推荐方法， 其特征在于， 词凝固度与 自由度的大小计算包括： 利用N‑gram得到原文本中的所有可能成词的字组合， 并统计词频； 计算凝固度词汇的凝固程度， 凝固度越大， 其组成一个新词的可能性 也就越大： 其中， I(x,y)代表由字x及字y组成的新词凝固度， P(x,y)代表字x及字y联合出现的概 率； P(x)代表字x单独出现的概率， P(y)代表字y单独出现的概率； 计算左右熵， 左右熵值越 大， 说明该词的周边词越丰富， 意味着词的自由程度越大， 其成为一个独立的词的可能性也 就越大 其中， EL代表左熵， ER代表右熵， P(Wi|string)代表给定字符串string的情况下其左右 两边出现字Wi的概率。 4.如权利要求1所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述C具体 包括： 基于T F‑IDF的关键词打分模 型分别对基于专家关键词的打分模型及基于项目关键词 的打分模型进行改进。 5.如权利要求4所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述C1中TF 为词频， 表示词条在文本中出现的频率： 其中nij代表词i在文本j中出现的次数， TFij代表词i在文本j中出现的词频； IDF为逆文 件频率， 表 示关键词的普遍程度， 如果包含某词条的文档越少， 则该词条IDF越大， 则说明该 词条具有很好的类别区分能力； 其中 其中， |D|代表文本总数量， dj代表文本j， IDFi代表词i的逆文档频率； TF ‑IDF倾向于过权　利　要　求　书 1/3 页 2 CN 115114426 A 2滤掉常见的词语， 保留重要的词语， 表达为: TF‑IDF＝TF*IDF        (6)。 6.如权利要求4所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述C2具体 包括： 在为专家关键词进 行打分时， 通过专家信息 分配权重的方式对打分模型进 行改进， 具 体为： 根据信息类型配置初始权重， 在初始权重基础上， 针对不同的词进行调整， 调整原则 为： 某字段某关键词在大多数 人的该字段均有出现则在 初始权重基础上适当惩罚； 某字段某关键词仅在某个人的该字段 出现则在 初始权重基础上适当奖励； 表达为如下公式: TF‑IDF＝TF*IDF*wk      (7) 其中W′k代表人为根据字段设置的初始权 重， Wk为动态调整后单词k的最终权 重： 7.如权利要求4所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述C3具体 包括： 弱化TF值影响， 强化 IDF值影响： 改进后的TF值即NTF表达为公式9， 其中nij代表词i在文本j中出现的次数： 改进后的IDF值即NIDF表达为 公式10， 其中， |D|代表文本总数量， dj代表文本j， NIDFi代 表词i的逆文档频率： 改进后的TF ‑IDF值表打为： TF‑IDF＝NTF*NIDF        (II)。 8.如权利要求1所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述步骤D 具体包括: D1基于关键词权值的专 家推荐； D2基于关键词相似匹配的专 家推荐。 9.如权利要求8所述的基于关键词打分的评审专家推荐方法， 其特征在于， 所述D1具体 包括根据关键词的位置为关键词重新分配权重， 首先根据TF ‑IDF值截取前k个关键词并由 大到小排序， 排序后进行权重再分配， 分配方式如下,其中k代表关键词的数量， i代表关键 词的位置， wi代表位置为 i的关键词的权 重： 在专家推荐时， 根据匹配到的关键词及关键词在项目和专家中的权值， 推荐匹配数量 越多， 且关键词权值越高的专 家； 推荐值具体表达如下： 最后依据关键词 推荐值， 选择前N个专家进行推荐； 其中k表示关键词， kx表示专家关键权　利　要　求　书 2/3 页 3 CN 115114426 A 3