科学文献中机构名称规范化处理研究.pdfVIP

2010年学术年会论文集 科学文献中机构名称的规范化处理研究 高 星 吴英杰 杨 滨 徐海涛 冀玉静 摘要：本文以中国生物医学文献库的机构名称数据作为研究对象，结合机构名称数据的特点以 及存在的问题，对数据进行预处理，并在此基础上搭建机构名称规范化处理平台，建立机构规范名、别 名和更名之间的映射关系，实现对机构名称的规范化处理。 关键词：机构名称；规范化；平台 on namedataoftheChineseBiomedicalLiterature Abstract：Based organization Database，this paper describedata the ofthe characteristics namedataandthe preprocesscombining organization existingprob— thenbuilds namestandardizedtreatment toset the lems，and organization platformup mapping relationship standardized andold lastrealizesstandardizedtreatmentofthe amongagencies name，aliasname，at organi— zationname． Keywords：organizationname；standardization；platform 1 引言 科技论文对作者所属机构的表现形式没有规定统一的格式。因此会出现同一机构名称不一致的 情况，同一机构以全称、简称或别名等多种形式存在，同时各种机构间的合并与分拆更加剧了这种混 乱，进而导致文献数据库中同一机构有多种不同的表现形式。比如美国麻省理工大学仅在Scopus中 就有1700多种不同的表现形式；【l o中国医学科学院医学信息研究所在中国生物医学文献数据库 (CBM)中也有协和医科大学图书馆、医学信息研究所／图书馆、协和医大信息所等不同的表现形式。 这种状况给准确检索定位机构带来了极大的挑战，也给用户检索和信息分析工作造成了极大的不便 和困扰。 基于此，本文对文献库中的机构数据的特点以及存在问题进行分析，对数据进行预处理，并在此 基础上搭建机构名称规范化处理平台，实现一次性检索到同一机构不同名称下的所有研究产出，提高 检索的查全率和查准率，满足用户多层次的需求。 2数据情况分析 2．1数据来源 数据来源，采集流水号、著者、著者单位名、国省市名等字段的数据。 2．2数据特点及存在问题 2．2．1数据特点 从著者单位字段看，机构名称在CBM中并不是以一个独立的字段存在的，而是与省市、邮编数据 一起储存在著者单位字段中。一般来说，机构全称与省市之间用“，隔开，省市和邮编以空格隔开。 从机构名称的命名方式看，其一般表达式：D+P木n+c+E(表达式1)心]，其中，D是前缀部分， 表达机构地理位置、级别等信息。P是机构活动内容部分，表达机构所属行业、学科、活动内容以及创 办方式等信息。C是机构性质或类别部分。E是机构的具体部门或科系。有些机构名称是有层级关 系的，包含多个机构特征词，如：华中科技大学附属同济医学院协和医院，其表达式表示为：D+P术n+ R2 2010年学术年会论文集 n+E。 C+(D+P：l：n+C)：Ic 2．2．