实体解析是指匹配并合并数据中指向现实世界同一实体的数据记录,它是数据清洗数据集成中关键的一步。传统的实体解析研究工作主要是针对一个或多个数据库中的数据记录进行解析。网页数据具有非结构化,非格式化的特性,且真实数据中数据问题是多种多样的,因此传统匹配特征单一的算法很难获得令人满意的召回效果。本文通过对万方网上的论文数据进行爬取与解析,构建科研信息知识库,与传统实体解析工作具有不同的应用背景。本文首先分析了现有实体解析算法的特点,提出了基于文本匹配的实体解析算法模型。将长文本语义属性的相似度计算看作文本匹配问题,根据实体解析应用场景对文本匹配模型进行调整,结合字符级相似度度量方式,捕捉数据对中字符相似度特征和语义相似度特征,对数据进行实体解析。实验证明该方法比传统仅考虑字符相似度特征的算法在数据噪音较大的任务中能获得更好的结果。随后分析了实际网站中爬取的科研数据特点,提出了结合属性相似度、关系相似度、语义信息相似度的多特征融合实体解析算法。爬取科研论文数据,标注数据构建数据集。对机构名称相似度、关系网络相似度、研究领域相似度三种特征进行研究与实验,设计了科研机构名称特征词算法,构建科研机构关系网络计算关系相似度,通过对科研机构的高质量论文的信息提取,将科研机构研究领域信息向量化。实验证明这三种特征的结合能够提高算法的召回率,有效解决实际数据场景中杂质多样化的问题。最后将本研究的实体解析算法应用到实际系统中,构建科研信息知识库,为上层应用提供数据支持。基于数据分散难以一次性地完成实体解析的特点,提出了线下迭代聚集的实体解析流程。