(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 202210195764.5 (22)申请日 2022.02.22 (71)申请人 同方知网数字出版技 术股份有限公 司 地址 100192 北京市海淀区西小口路6 6号 东升科技园B2 楼 申请人 《中国学术期刊 （光盘版） 》 电子杂志 社有限公司 (72)发明人 冯晓燕　吴晨　徐永潜　 (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 16/38(2019.01)G06F 16/36(2019.01) (54)发明名称 一种防作弊的智能推荐审稿人给系统的方 法 (57)摘要 本发明公开了一种防作弊的智能推荐审稿 人给系统的方法， 包括获取专家的相关信息， 梳 理获取的专家相关信息构建专家信息库； 分析专 家信息库中的数据， 构建专家知识图谱； 基于专 家知识图谱与待审文 献及作者信息检索专家， 并 根据机构需求参数对检索到的专家排序， 取前若 干位专家 推荐给系统。 该方法一方面使系统在推 荐审稿人时不仅考虑到专家的研究方向， 同时也 考虑专家的研究深度和研究广度； 另一方面更加 深入挖掘专家和作者之间的关系， 使稿件审核更 加公平公正， 且跟随机构的需求可以灵活设置推 荐指标和计算 参数。 权利要求书3页 说明书4页 附图2页 CN 114547284 A 2022.05.27 CN 114547284 A 1.一种防作弊的智能推荐审稿人 给系统的方法， 其特 征在于， 所述方法包括： A、 获取专 家的相关信息， 根据获取的专 家相关信息构建专 家信息库； B、 分析专 家信息库中的数据， 构建专 家知识图谱； C、 基于专家知识图谱与待审文献及作者信 息检索专家， 并根据机构需求参数对检索到 的专家排序， 取 前若干位专 家推荐给系统。 2.如权利要求1所述的防作弊的智能推荐审稿人给系统的方法， 其特征在于， 所述A中 从专家库和人才库中获取专家的默认研究方向、 毕业院校和专业、 工作经历、 家庭成员信 息， 然后从知网总库中获取专家的发表文献， 再从采编总库中获取专家历史审阅稿件和专 家在审文献， 最后根据获取的专 家相关信息构建专 家信息库Exper tDataBase。 3.如权利要求1所述的防作弊的智能推荐审稿人给系统 的方法， 其特征在于， 所述B中： 随着专家信息库 的更新专家知识图谱也处于持续更新状态； 专家知识图谱的构建流程包 括： b1)分析专家的发表文献、 历史审阅稿件、 默认研究方向、 毕业院校专业综合得到代表 专家研究方向的词/序列， 得到专 家研究方向的三元组： “专家”、“研究”、“词/序列”； b2)分析专家发表文献的作 者信息得到有合作关系的专家三元组： “专家”、“合作”、“专 家”； b3)根据“专家”、“研究”、“词/序列”三元组和“专家”、“合作”、“专家”三元组得到 “专 家”、“研究方向包 含”、“专家”三元组及“专家”、“研究方向一 致”、“专家”三元组； b4)分析专 家的毕业院校和工作经历得到三元组： “专家”、“从属”、“单位/学校/机构”； b5)分析专家的家庭成员信息得到 “专家”、“家庭关系 ”、“人物”三元组及“人物”、“从 属”、“单位/机构”三元组； b6)分析专 家的在审文献 得到“专家”、“在审”、“文献特征集合”三元组； b7)根据得到的所有三元组构建专 家知识图谱Exper t‑KG。 4.如权利要求1所述的防作弊的智能推荐审稿人给系统的方法， 其特征在于， 所述C中 机构需求参数包括待审文献和专家研究方向相关度、 专家研究广度、 专家研究深度、 待审文 献作者和专 家的相关度。 5.如权利要求1所述的防作弊的智能推荐审稿人给系统的方法， 其特征在于， 所述C中 排序流程包括： c1)计算待审文献和专 家研究方向相关度向量； c2)计算专 家研究广 度向量， 即以专 家研究方向为粒度计算研究方向数； c3)计算专 家研究深度向量； c4)计算待审文献作者和专 家的相关属性 值向量； c5)计算专 家推荐指数向量； c6)对专家推荐指数向量反向排序， 取前若干位专家推荐给系统， 并在系统中对存在 关 系做提示。 6.如权利要求5所述的防作弊的智能推荐审稿人给系统 的方法， 其特征在于， 所述c1包 括： 1)通过对待审文献提取 特征和特征语义降维， 提取待审文献的关键词/序列； 2)计算提取的关键词/序列和专家知识图谱中的词/序列进行语义匹配， 再根据专家知权　利　要　求　书 1/3 页 2 CN 114547284 A 2识图谱中“词/序列”和“专家”之间的“研究”关系计算文献和专家研究方向的相关度sims_ doc_exper ts_vector； 3)sims_doc_experts_vector＝[sim_0,sim_1,.......,sim_j,......,sim_n ‑1], sim_j是待审文献跟第j个专 家研究方向的相似性， 共有n个专 家。 7.如权利要求5所述的防作弊的智能推荐审稿人给系统 的方法， 其特征在于， 所述c2以 专家研究方向为粒度计算研究方向数； 包括： 1)计算专家知识图谱中从 “专家i”节点出发具有 “研究方向包含 ”关系的“专家” experts_from_exper t_i＝[exper t_10,......,expert_j],j≠i； 2)给experts_from_exper t_i中的专 家降维， 合并 “研究方向一 致”的专家； 3)计算experts_from_expert_i中的专家数,即为expert_i的研究广度b_i,假如 计算" 专家1"的研究广 度， b_1＝3； 4)breadth_experts_vector＝[b_0,b_1,......,b_j,......,b_n ‑1]， b_j是第j个专 家的研究广 度， breadth_exper ts_vector经 过归一化， b_j归一 化为0～1之间的值。 8.如权利要求5所述的防作弊的智能推荐审稿人给系统 的方法， 其特征在于， 所述c3包 括： 1)计算一个专家的研究方向被包 含层数； 2)depth_experts_vector＝[d_0,d_1,......,d_j,......,d_n ‑1],d_j是第j个专家 的研究深度， depth_exper ts_vector经 过归一化， d_j归一 化为0～1之间的值。 9.如权利要求5所述的防作弊的智能推荐审稿人给系统 的方法， 其特征在于， 所述c4中 计算通过以下 方面： 1)专家和作者是否同属一人， cj,0＝{0|1}， 0代 表否， 1代 表是； 2)专家在审状态的文献跟待审文献是否相似或几乎一致， cj,1＝{0|1}， 0代表否， 1代表 是； 3)专家和作者是否合作发表过文献， cj,2＝{0|1},0代 表否， 1代 表是； 4)专家和作者是否从属同一个学 校/单位/ 机构， cj,3＝{0|1},0代 表否， 1代 表是； 5)专家和作者具是否有家庭关系， 或专家 的家庭关系成员和作者从属同一个学校/单 位/机构cj,4＝{0|1},0代 表否， 1代 表是； 6)cj＝1,如果 w0cj,0+w1cj,1+w2cj,2+w3cj,3+w4cj,4＝0 cj＝0,如果 w0cj,0+w1cj,1+w2cj,2+w3cj,3+w4cj,4＞0 其中： w0＝0|1,默认情况 下w0＝1， 如果设置为0会在系统中提 示关系的存在 w1＝0|1， 默认情况 下w1＝1， 如果设置为0会在系统中提 示关系的存在 w2＝0|1， 默认情况 下w2＝1， 如果设置为0会在系统中提 示关系的存在 w3＝0|1， 默认情况 下w3＝1， 如果设置为0会在系统中提 示关系的存在 w4＝0|1， 默认情况下w4＝1， 如果设置为0会在系统中提示关系的存在w0,w1,w2,w3,w4之 间相互独立， 可 单独设置； 7)Correlation_vector＝[c0,c1,......,cj,.......,cn‑1]， cj是作者和第j个专家的相 关性， 共n个专 家。 10.如权利要求5所述的防作弊的智能推荐审稿人给系统的方法， 其特征在于， 所述c5权　利　要　求　书 2/3 页 3 CN 114547284 A 3