1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，人們對科技文獻的獲取方式發(fā)生了根本性改變。目前通過網(wǎng)絡獲取、閱讀文獻已經(jīng)成為主流，為了推動科研成果的傳播和利用，開放存取(Open Access)在這一背景下應景而生。開放存取的核心特征是在尊重作者權益的前提下，利用互聯(lián)網(wǎng)為用戶免費提供學術信息和研究成果的全文服務。本文工作基于在研的國家自然科學基金委開放存取科研數(shù)據(jù)平臺項目，該項目擬研發(fā)的開放存取系統(tǒng)能夠有效緩解當前國內(nèi)科研文獻數(shù)據(jù)的獲取困難，有助于提升政府和科研

2、機構在大數(shù)據(jù)時代對科研數(shù)據(jù)的管理能力。
　　針對國家自然科學基金委源數(shù)據(jù)庫中論文元數(shù)據(jù)格式不規(guī)范、屬性錯誤、缺失等問題，本文構建了一個基于多數(shù)據(jù)源的數(shù)據(jù)獲取和處理組件，從多個權威的科研論文數(shù)據(jù)源獲取了約800萬篇科研論文，并對論文元數(shù)據(jù)進行了系統(tǒng)地清洗、補全和去重，建立了海量學術論文數(shù)據(jù)庫。學術論文是一種嚴謹?shù)目萍碱愇墨I且包含豐富的信息，合理利用論文數(shù)據(jù)可以有效地實現(xiàn)分析專家研究領域和興趣、計算專家之間的科研領域相似度進而推薦相似

3、專家等功能。基于在研項目的實際系統(tǒng)功能需求和所構建的大規(guī)模論文數(shù)據(jù)庫，本文提出了一種基于主題模型的科研興趣標簽提取方法，該方法根據(jù)專家各自的論文集合，分析其論文的主題分布，配合主題在詞語上的概率分布，找出對專家論文中貢獻最大的詞語作為科研興趣標簽，并與基于TF-IDF的標簽提取方法做了對比。本文還提出了一種基于詞向量模型的專家科研相似度計算方法，該方法利用主題模型生成的專家科研標簽，通過計算標簽關鍵詞詞向量之間的距離，進而獲得專家之間的