基于唯一性特征的中文論文作者姓名消歧實(shí)證研究.pdf

1、姓名消歧指的是消除多文檔中的人名歧義性，把相同的人名按照現(xiàn)實(shí)世界的不同實(shí)體進(jìn)行區(qū)分。姓名歧義是導(dǎo)致搜索引擎以及文獻(xiàn)數(shù)據(jù)庫(kù)中人物檢索效率低下的原因之一，用戶(hù)需要花費(fèi)大量時(shí)間從重名人物中篩選出自己感興趣的人物信息。姓名消歧是科技評(píng)價(jià)、信息檢索等領(lǐng)域急需但是尚未解決的問(wèn)題之一，在數(shù)據(jù)挖掘、自然語(yǔ)言處理、人工智能等領(lǐng)域具有廣泛的應(yīng)用。
　　本文著重研究中文論文作者姓名消歧，在廣泛調(diào)研國(guó)內(nèi)外姓名消歧算法基礎(chǔ)上，根據(jù)數(shù)據(jù)庫(kù)的特點(diǎn)有針對(duì)性的選擇

2、成熟機(jī)器學(xué)習(xí)算法并進(jìn)行改進(jìn)，研究設(shè)計(jì)姓名消歧方案。
　　首先，根據(jù)切入點(diǎn)國(guó)際唯一學(xué)術(shù)識(shí)別符Researcher ID、ORCID等引申出email可以代表唯一真實(shí)作者，設(shè)計(jì)唯一性特征辨識(shí)法進(jìn)行初步消歧形成論文種子集合。唯一性特征辨識(shí)法綜合了單一性唯一性特征Email以及復(fù)合相對(duì)唯一性特征研究機(jī)構(gòu):將Email出現(xiàn)兩次以上論文記錄視為同一個(gè)作者;對(duì)于研究機(jī)構(gòu)，創(chuàng)新性地利用網(wǎng)絡(luò)搜索引擎資源PageRank來(lái)識(shí)別機(jī)構(gòu)的唯一性，即標(biāo)識(shí)為官

3、網(wǎng)的網(wǎng)頁(yè)域名是否一致來(lái)判別是否為同一機(jī)構(gòu)。一級(jí)機(jī)構(gòu)相同但二級(jí)或三級(jí)機(jī)構(gòu)不相同的研究機(jī)構(gòu)識(shí)別為不同實(shí)體。將兩者識(shí)別出的唯一真實(shí)候選作者群交叉合并后得到具有唯一性的真實(shí)作者以及論文種子集合。
　　其次，對(duì)比各種聚類(lèi)算法思想和優(yōu)缺點(diǎn)，采用凝聚的層次聚類(lèi)方法AGNES算法進(jìn)行下一步的消歧研究。將特征文本表示為向量空間模型，通過(guò)計(jì)算相似度比較論文與論文之間的相似性。針對(duì)層次聚類(lèi)中聚類(lèi)次數(shù)難以判定，衡量聚類(lèi)效果較難的情況，設(shè)計(jì)聚類(lèi)停止節(jié)點(diǎn)決策

4、方法。聚類(lèi)停止節(jié)點(diǎn)的判斷與聚類(lèi)結(jié)果的評(píng)價(jià)驗(yàn)證是同一個(gè)問(wèn)題的兩個(gè)方面，選擇一個(gè)合理的召回率作為聚類(lèi)停止節(jié)點(diǎn)的決策值，得到消歧結(jié)果。比傳統(tǒng)方法相似度閾值的設(shè)定更加合理。
　　最后，開(kāi)展實(shí)證研究，測(cè)試集選取科研之友上所有王偉的論文，樣本集選擇與科研之友標(biāo)題相同的論文在萬(wàn)方數(shù)據(jù)上的映射后的作者信息和論文信息。在唯一性特征辨識(shí)法基礎(chǔ)上進(jìn)行層次聚類(lèi)，得到最終消歧結(jié)果。選取準(zhǔn)確率，召回率，F(xiàn)值對(duì)姓名消歧實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)。設(shè)置兩組實(shí)驗(yàn):A組使用合