基于唯一性特征的中文論文作者姓名消歧實證研究.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)實世界的不同實體進行區(qū)分。姓名歧義是導致搜索引擎以及文獻數(shù)據(jù)庫中人物檢索效率低下的原因之一，用戶需要花費大量時間從重名人物中篩選出自己感興趣的人物信息。姓名消歧是科技評價、信息檢索等領域急需但是尚未解決的問題之一，在數(shù)據(jù)挖掘、自然語言處理、人工智能等領域具有廣泛的應用。
　　本文著重研究中文論文作者姓名消歧，在廣泛調研國內(nèi)外姓名消歧算法基礎上，根據(jù)數(shù)據(jù)庫的特點有針對性的選擇

2、成熟機器學習算法并進行改進，研究設計姓名消歧方案。
　　首先，根據(jù)切入點國際唯一學術識別符Researcher ID、ORCID等引申出email可以代表唯一真實作者，設計唯一性特征辨識法進行初步消歧形成論文種子集合。唯一性特征辨識法綜合了單一性唯一性特征Email以及復合相對唯一性特征研究機構:將Email出現(xiàn)兩次以上論文記錄視為同一個作者;對于研究機構，創(chuàng)新性地利用網(wǎng)絡搜索引擎資源PageRank來識別機構的唯一性，即標識為官

3、網(wǎng)的網(wǎng)頁域名是否一致來判別是否為同一機構。一級機構相同但二級或三級機構不相同的研究機構識別為不同實體。將兩者識別出的唯一真實候選作者群交叉合并后得到具有唯一性的真實作者以及論文種子集合。
　　其次，對比各種聚類算法思想和優(yōu)缺點，采用凝聚的層次聚類方法AGNES算法進行下一步的消歧研究。將特征文本表示為向量空間模型，通過計算相似度比較論文與論文之間的相似性。針對層次聚類中聚類次數(shù)難以判定，衡量聚類效果較難的情況，設計聚類停止節(jié)點決策

4、方法。聚類停止節(jié)點的判斷與聚類結果的評價驗證是同一個問題的兩個方面，選擇一個合理的召回率作為聚類停止節(jié)點的決策值，得到消歧結果。比傳統(tǒng)方法相似度閾值的設定更加合理。
　　最后，開展實證研究，測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題相同的論文在萬方數(shù)據(jù)上的映射后的作者信息和論文信息。在唯一性特征辨識法基礎上進行層次聚類，得到最終消歧結果。選取準確率，召回率，F(xiàn)值對姓名消歧實驗結果進行評價。設置兩組實驗:A組使用合