基于网络表示学习的作者重名消歧研究

摘要：

[目的]消除文献系统中的作者重名歧义,以解决其导致的文献错误聚合问题.[方法]通过结构化文献数据建立作者网络、文献网络以及作者-文献网络,融合不同网络表示学习方法获得文献节点表示,并采用无监督学习方法,将文献节点表示作为特征,使用层次凝聚聚类按照真实作者对文献进行正确划分.[结果]在ArnetMiner、CiteSeerX和DBLP三组数据集上进行实证研究,本文方法在网络稀疏的情况下仍然具有较好的效果,Macro-F1值在次优模型基础上最高提升6％.[局限]仅研究英文情境下的作者重名消歧.[结论]基于网络表示学习的方法能够有效解决作者重名消歧问题,实验结果对于改进科研合作推荐、引文推荐以及知识网络相关研究具有重要意义.

关键词：网络表示学习、异构网络、作者重名消歧、无监督学习

所属期刊栏目：4

分类号：TP391(计算技术、计算机技术)

资助基金：本文系教育部人文社会科学研究一般项目“多语言情境下基于深度表示与对齐的观点摘要研究”;国家自然科学基金面上项目“大数据环境下基于领域知识获取与对齐的观点检索研究”

在线出版日期：2020-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：48-59