Please wait a minute...
Advanced Search
数据分析与知识发现  2021, Vol. 5 Issue (4): 90-102     https://doi.org/10.11925/infotech.2096-3467.2020.0532
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
融合多特征的中文论文同名学者消歧研究 *
林克柔,王昊(),龚丽娟,张宝隆
南京大学信息管理学院南京 210023
江苏省数据工程与知识服务重点实验室南京 210023
Disambiguation of Chinese Author Names with Multiple Features
Lin Kerou,Wang Hao(),Gong Lijuan,Zhang Baolong
School of Information Management, Nanjing University, Nanjing 210023, China
Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing 210023, China
全文: PDF (1086 KB)   HTML ( 11 ) 
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 解决文献资源管理系统中中文论文学者同名问题。【方法】 在文献数据的基础上构建以“作者名+机构名”为标识的学者实体,利用学者实体的属性构建三个方面的6个相似度特征,分别采用主成分分析、直接赋值权重以及二者结合的方法融合特征,研究各融合方法消歧能力和各特征消歧效果。【结果】 主成分分析与以单个特征为单位的赋值权重相结合的融合方法,以及以单个方面为单位的赋值权重的融合方法能有效降低时间开销,在LIS测试集上F1值分别达到70.74%和70.42%,在经济学测试集上F1值分别达到81.90%和80.93%。【局限】 研究所使用的特征有限,均来源于论文的元数据描述,没有使用外部信息或挖掘文本内容。【结论】 所提特征融合方法可有效解决多特征融合时权重设置问题。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
林克柔
王昊
龚丽娟
张宝隆
关键词 ： 特征融合,  同名消歧,  主成分分析,  中文论文    
Abstract：

[Objective] This paper aims to address the issues facing document management systems due to Chinese authors with the same names. [Methods] We built author entities with “author name + institution name” based on bibliographic data. Then, we used the attributes of author entities to construct six similarity features from three aspects. Third, we merged these features by principal component analysis or direct weight assignment. Finally, we evaluated the performance of the proposed method. [Results] Our methods significantly reduced processing time. Their F1 values on the LIS dataset were 70.74% and 70.42%, while their F1 values on the economics dataset were 81.90% and 80.93%. [Limitations] The attributes used in this research were only retrieved from metadata of the papers. [Conclusions] The proposed method could improve weight setting of multiple features.
Key words： Feature Fusion    Author Name Disambiguation    PCA    Chinese Papers
收稿日期: 2020-06-08      出版日期: 2020-10-10
ZTFLH:  分类号: TP393  
基金资助:*江苏省“六大人才高峰”高层次人才项目(JY-001);江苏青年社科英才和南京大学仲英青年学者的研究成果之一
通讯作者: 王昊     E-mail: ywhaowang@nju.edu.cn
引用本文:   
林克柔,王昊,龚丽娟,张宝隆. 融合多特征的中文论文同名学者消歧研究 *[J]. 数据分析与知识发现, 2021, 5(4): 90-102.
Lin Kerou,Wang Hao,Gong Lijuan,Zhang Baolong. Disambiguation of Chinese Author Names with Multiple Features. Data Analysis and Knowledge Discovery, 2021, 5(4): 90-102.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0532      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2021/V5/I4/90
Fig.1  研究框架
AU IN CA CI IA TI KW
陈婧 湖南师范大学 王知津/张收棉/张素芳/严贝妮/周贺来 南开大学/国家图书馆 蔡骐/陈婧/陈君莲/陈万忠/党洪莉/党美锦… 企业竞争情报作战室运行准备机制研究/政府公共决策支持系统的构建 企业竞争情报/竞争情报作战室/运行准备/公共决策/决策支持/信息系统
Table 1  一个待消歧实体描述结构示例
机构信息方面特征
（SIIN）		 合作信息方面特征（SCIN） 主题信息方面特征（SSIN）
机构作者相似度（SIA）
机构名相似度（SIN）		 合作者相似度（SCA）
合作机构相似度（SCI）		 标题相似度（STI）
关键词相似度（SKW）
Table 2  所有特征汇总
测试集 序号 AU IN1 IN2 SIA SIN SCA SCI STI SKW
LIS测试集 1 安新颖 中国医学科学院 中国医学科学院医学信息研究所 0.845 1.000 0.612 0.000 0.204 0.000
2 安新颖 中国科学院文献情报中心 中国医学科学院 0.442 0.000 0.250 0.707 0.226 0.120
3 安新颖 黑龙江大学 中国科学院文献情报中心 0.331 0.000 0.408 0.000 0.000 0.000
… … … … … … … … … …
1281 张梅 南京大学 西安文理学院图书馆 0.175 0.000 0.000 0.000 0.000 0.000
1282 张梅 解放军医学图书馆 南京大学 0.298 0.000 0.000 0.000 0.000 0.000
1283 张梅 福建师范大学 河北大学 0.214 0.000 0.000 0.000 0.000 0.000
ECO测试集 1 张巍 吉林财经大学 上海理工大学 0.203 0.000 0.000 0.000 0.086 0.000
2 张巍 吉林财经大学 财政部企业司 0.308 0.000 0.000 0.000 0.052 0.000
3 张巍 吉林财经大学 华信惠悦中国投资咨询部 0.335 0.000 0.000 0.000 0.000 0.000
… … … … … … … … … …
1736 姜松 重庆理工大学经济金融学院 重庆理工大学 0.431 1.000 0.500 0.000 0.234 0.000
1737 姜松 重庆理工大学经济金融学院 西南大学经济管理学院 0.235 0.236 0.267 0.577 0.243 0.102
1738 姜松 重庆理工大学 西南大学经济管理学院 0.191 0.000 0.267 0.000 0.178 0.102
Table 3  测试集待消歧实体特征相似度计算结果
测试集 序号 AU IN1 IN2 judge FS
LIS测试集 1 张静 互联网实验室 浙江传媒学院互联网与社会研究中心 1 4.490
2 王斌 河南工业大学 河南工业大学管理学院 1 4.456
3 张静 东北林业大学 东北林业大学图书馆 1 4.099
4 白献阳 河北大学管理学院 中国人民大学 1 3.926
5 刘冬梅 天津理工大学 天津理工大学图书馆 1 3.604
6 刘华 上海大学 上海大学图书馆 1 3.419
7 安新颖 中国医学科学院 中国医学科学院医学信息研究所 1 3.383
8 鄢小燕 中国科学院 中国科学院国家科学图书馆成都分馆 1 3.353
9 张静 西安交通大学图书馆采编部 西安交通大学图书馆副研究馆员 1 3.253
10 李广建 北京大学 北京大学信息管理系 1 3.112
ECO测试集 1 李建军 新疆大学新疆创新管理研究中心 新疆大学经济与管理学院 1 8.708
2 丁慧 南京大学商学院 南京大学商学院经济学系 1 5.328
3 严良 中国地质大学[武汉]经济管理学院 中国地质大学（武汉）经济管理学院 1 4.562
4 刘杨 天水师范学院经管学院 天水师范学院经济与社会管理学院 1 4.325
5 李军 中铝财务有限责任公司 对外经济贸易大学国际商学院 1 4.286
6 贾康 财政部财政科研所 财政部财科所 1 4.243
7 姜松 重庆理工大学经济与贸易学院 重庆理工大学经济金融学院 1 4.142
8 刘伟 北京大学 北京大学经济学院 1 3.793
9 侯鹏 北京林业大学经济管理学院 北京林业大学 1 3.767
10 张云 南开大学经济学院经济系 南开大学经济学院 1 3.693
Table 4  FS从高到低排序前10条结果
Fig.2  LIS测试集主成分分析融合全部特征评价结果
Fig.3  ECO测试集主成分分析融合全部特征评价结果
测试集 序号 去除的方面 WZSIA WZSIN WZSCA WZSCI WZSTI WZSKW R_threshold P/% R/% F1/%
LIS测试集 1 无 0.23 0.27 0.12 0.02 0.16 0.20 0.50 81.93 50.00 62.10
2 SIIN 0.00 0.00 0.18 0.10 0.36 0.36 0.65 52.07 64.71 57.70
3 SCIN 0.40 0.38 0.00 0.00 0.08 0.14 0.40 81.82 39.71 53.47
4 SSIN 0.38 0.39 0.18 0.06 0.00 0.00 0.45 89.71 44.85 59.80
ECO测试集 1 无 0.08 0.15 0.23 0.15 0.18 0.20 0.65 87.10 65.32 74.65
2 SIIN 0.00 0.00 0.29 0.21 0.24 0.26 0.50 82.67 50.00 62.31
3 SCIN 0.12 0.25 0.00 0.00 0.31 0.32 0.65 69.23 65.32 67.22
4 SSIN 0.16 0.24 0.34 0.27 0.00 0.00 0.70 92.55 70.16 79.82
Table 5  去除单个方面特征后主成分分析融合特征对应的F1值最高的评价结果
测试集 序号 去除的特征 WZSIA WZSIN WZSCA WZSCI WZSTI WZSKW R_threshold P/% R/% F1/%
LIS测试集 1 无 0.23 0.27 0.12 0.02 0.16 0.20 0.50 81.93 50.00 62.10
2 SIA 0.00 0.27 0.14 0.04 0.26 0.29 0.65 61.81 65.44 63.57
3 SIN 0.14 0.00 0.15 0.08 0.31 0.32 0.65 53.01 64.71 58.28
4 SCA 0.04 0.10 0.00 0.26 0.32 0.29 0.65 52.69 64.71 58.09
5 SCI 0.32 0.30 0.17 0.00 0.08 0.13 0.45 91.04 44.85 60.10
6 STI 0.29 0.33 0.14 0.02 0.00 0.21 0.50 83.95 50.00 62.67
7 SKW 0.31 0.33 0.16 0.05 0.16 0.00 0.50 82.93 50.00 62.39
ECO测试集 1 无 0.08 0.15 0.23 0.15 0.18 0.20 0.65 87.10 65.32 74.65
2 SIA 0.00 0.17 0.25 0.17 0.20 0.22 0.65 84.38 65.32 73.64
3 SIN 0.10 0.00 0.27 0.19 0.21 0.23 0.50 84.93 50.00 62.94
4 SCA 0.10 0.21 0.00 0.17 0.26 0.26 0.70 70.73 70.16 70.45
5 SCI 0.10 0.19 0.25 0.00 0.21 0.24 0.70 79.09 70.16 74.36
6 STI 0.11 0.19 0.28 0.19 0.00 0.22 0.70 90.63 70.16 79.09
7 SKW 0.11 0.20 0.28 0.21 0.20 0.00 0.70 87.88 70.16 78.03
Table 6  去除单个特征后主成分分析融合特征对应的F1值最高的评价结果
Fig.4  以单个方面为单位和以单个特征为单位赋值权重效果对比
测试集 序号 WSIIN WSCIN WSSIN R_threshold P/% R/% F1/%
LIS测试集 1 0.05 0.85 0.10 0.55 97.40 55.15 70.42
2 0.10 0.70 0.20 0.55 97.40 55.15 70.42
ECO测试集 1 0.05 0.95 0.00 0.70 95.60 70.16 80.93
2 0.10 0.90 0.00 0.70 95.60 70.16 80.93
3 0.15 0.85 0.00 0.70 95.60 70.16 80.93
Table 7  以单个方面为单位直接赋值权重F1值最高时各权重组合评价结果
Fig.5  以单个特征为单位直接赋值权重F1值最高的权重组合中各权重的平均值
Fig.6  LIS测试集两种方法混合与只采用主成分分析法F1值比较
Fig.7  ECO测试集两种方法混合与只采用主成分分析法F1值比较
[1] Strotmann A, Zhao D Z. Author Name Disambiguation: What Difference does It Make in Author-Based Citation Analysis?[J]. Journal of the American Society for Information Science & Technology, 2012,63(9):1820-1833.
[2] Kang I S, Na S H, Lee S, et al. On Co-Authorship for Author Disambiguation[J]. Information Processing & Management, 2009,45(1):84-97.
doi: 10.1016/j.ipm.2008.06.006
[3] 朱云霞. 中文文献题录数据作者重名消解问题研究[J]. 图书情报工作, 2014,58(23):143-148, 142.
[3] ( Zhu Yunxia. Study on Author Name Disambiguation for Chinese Bibliographic Information[J]. Library and Information Service, 2014,58(23):143-148,142.)
[4] 于夏薇. 基于唯一性特征的中文论文作者姓名消歧实证研究[D]. 北京: 中国科学技术信息研究所, 2017.
[4] ( Yu Xiawei. An Empirical Study of Disambiguation Based on Uniqueness of Chinese Authors Name[D]. Beijing: Institute of Scientific and Technical Information of China, 2017.)
[5] Haak L L, Fenner M, Paglione L, et al. ORCID: A System to Uniquely Identify Researchers[J]. Learned Publishing, 2012,25(4):259-264.
doi: 10.1087/20120404
[6] Youtie J, Carley S, Porter A L, et al. Tracking Researchers and Their Outputs: New Insights from ORCIDs[J]. Scientometrics, 2017,113(1):437-453.
doi: 10.1007/s11192-017-2473-0
[7] Sanyal D K, Bhowmick P K, Das P P. A Review of Author Name Disambiguation Techniques for the PubMed Bibliographic Database[J/OL]. Journal of Information Science. (2019-12-01). [2020-06-01]. https://doi.org/10.1177/0165551519888605.
[8] 陈嘉勇, 周婕, 李玲, 等. 基于文献实体关系模型的高校机构知识库作者认领模式研究[J]. 情报理论与实践, 2015,38(2):59-63.
[8] ( Chen Jiayong, Zhuo Jie, Li Ling, et al. Research on Author Claim Pattern for University Institutional Repository Based on Paper-Entity Relationship Model[J]. Information Studies: Theory & Application, 2015,38(2):59-63.)
[9] D’Angelo C A, van Eck N J. Collecting Large-Scale Publication Data at the Level of Individual Researchers: A Practical Proposal for Author Name Disambiguation[J]. Scientometrics, 2020,123(2):883-907.
doi: 10.1007/s11192-020-03410-y
[10] 刘巍, 祝忠明, 张旺强, 等. 机构知识库中作者标识与作品认领机制的研究与实现[J]. 现代图书情报技术, 2014(3):8-13.
[10] ( Liu Wei, Zhu Zhongming, Zhang Wangqiang, et al. Development and Research of Author Identifier and Item Claim Service for Institutional Repository[J]. New Technology of Library and Information Service, 2014(3):8-13.)
[11] 张旺强, 祝忠明, 李雅梅, 等. 机构知识库作者名自动消歧框架设计与实践[J]. 数据分析与知识发现, 2019,3(6):92-98.
[11] ( Zhang Wangqiang, Zhu Zhongming, Li Yamei, et al. Disambiguating Author Names Automatically for Institutional Repository[J]. Data Analysis and Knowledge Discovery, 2019,3(6):92-98.)
[12] 孙笑明, 李瑶, 王成军, 等. 基于专家研讨思想的发明人姓名消歧研究[J]. 情报科学, 2019,37(4):116-121.
[12] ( Sun Xiaoming, Li Yao, Wang Chengjun, et al. Research on Inventors’ Names Disambiguation Based on Expert Discussion[J]. Information Science, 2019,37(4):116-121.)
[13] Han H, Giles L, Zha H Y, et al. Two Supervised Learning Approaches for Name Disambiguation in Author Citations[C]// Proceedings of the 4th ACM/IEEE Joint Conference on Digital Libraries. New York: ACM, 2004: 296-305.
[14] 邓可君, 华凯, 邓昌明, 等. 基于机器学习的论文作者名消歧方法研究[J]. 四川大学学报(自然科学版), 2019,56(2):241-245.
[14] ( Deng Kejun, Hua Kai, Deng Changming, et al. Research on Author Name Disambiguation Method Based on Machine Learning[J]. Journal of Sichuan University (Natural Science Edition), 2019,56(2):241-245.)
[15] Ferreira A A, Goncalves M A, Laender A H F. A Brief Survey of Automatic Methods for Author Name Disambiguation[J]. Sigmod Record, 2012,41(2):15-26.
[16] 张雄, 陈福才, 黄瑞阳. 基于融合特征相似度的实体消歧方法研究[J]. 计算机应用研究, 2017,34(2):347-350, 396.
[16] ( Zhang Xiong, Chen Fucai, Huang Ruiyang. Research on Entity Disambiguation Method Based on Fusion Feature Similarity[J]. Application Research of Computers, 2017,34(2):347-350, 396.)
[17] 李孟亚. 基于融合特征的中文图书作者人名消歧方法研究[J]. 电脑知识与技术, 2018,14(11):182-184.
[17] ( Li Mengya. Research on Chinese Book Author’s Name Disambiguation Based on Fusion Features[J]. Computer Knowledge and Technology, 2018,14(11):182-184.)
[18] 杨欣欣, 李培峰, 朱巧明, 等. 一种基于改进的K-means算法的人名消歧系统的设计与实现[J]. 计算机与数字工程, 2010,38(8):10-12,17.
[18] ( Yang Xinxin, Li Peifeng, Zhu Qiaoming, et al. A Name Disambiguation Method Based on Improved K-means Algorithm[J]. Computer and Digital Engineering, 2010,38(8):10-12,17.)
[19] 朱亮亮. 利用改进的K-means算法实现文献著者人名消歧[J]. 软件导刊, 2013,12(5):63-66.
[19] ( Zhu Liangliang. Research on Name Disambiguation Based on Improved K-means Algorithm[J]. Software Guide, 2013,12(5):63-66.)
[20] 任景华. 利用优化的DBSCAN算法进行文献著者人名消歧[J]. 图书馆理论与实践, 2014(12):61-65.
[20] ( Ren Jinghua. Using the Optimized DBSCAN Algorithm for Disambiguation of the Names of the Authors[J]. Library Theory and Practice, 2014(12):61-65.)
[21] Kim K, Khabsa M, Giles C L. Inventor Name Disambiguation for a Patent Database Using a Random Forest and DBSCAN[C]//Proceedings of 2016 IEEE/ACM Joint Conference on Digital Libraries. New York: IEEE, 2016: 269-270.
[22] Han H Q, Yu Y S, Wang L J, et al. Disambiguating USPTO Inventor Names with Semantic Fingerprinting and DBSCAN Clustering[J]. The Electronic Library, 2019,37(2):225-239.
doi: 10.1108/EL-12-2018-0232
[23] 李维佳. 基于多层次聚类的同名区分算法研究与应用[D]. 大连: 大连理工大学, 2013.
[23] ( Li Weijia. The Research and Application of Name Disambiguation Algorithm Based on Multi-Level Clustering[D]. Dalian: Dalian University of Technology, 2013.)
[24] Zhu J, Wu X C, Lin X Q, et al. A Novel Multiple Layers Name Disambiguation Framework for Digital Libraries Using Dynamic Clustering[J]. Scientometrics, 2018,114(3):781-794.
doi: 10.1007/s11192-017-2611-8
[25] Zhang S Y, E X H, Pan T. A Multi-Level Author Name Disambiguation Algorithm[J]. IEEE Access, 2019,7:104250-104257.
doi: 10.1109/Access.6287639
[26] 郝丹丹, 郭景峰, 郑超. 基于属性关系图的同名实体区分算法[J]. 计算机工程与科学, 2010,32(9):61-64.
[26] ( Hao Dandan, Guo Jingfeng, Zheng Chao. An Algorithm Based on Attributed Relational Graphs for Name Disambiguation[J]. Computer Engineering and Science, 2010,32(9):61-64.)
[27] 黄斌. 社会网络中基于随机游走的名称消歧算法[J]. 计算机应用研究, 2015,32(12):3650-3653.
[27] ( Huang Bin. Random Walk Based Name Disambiguation Algorithm in Social Networks[J]. Application Research of Computers, 2015,32(12):3650-3653.)
[28] Pooja K M, Mondal S, Chandra J. An Unsupervised Heuristic Based Approach for Author Name Disambiguation[C]//Proceedings of the 10th International Conference on Communication Systems & Networks. New York, USA: IEEE, 2018: 540-542.
[29] Pooja K M, Mondal S, Chandra J. A Graph Combination with Edge Pruning‐Based Approach for Author Name Disambiguation[J]. Journal of the Association for Information Science and Technology, 2020,71(1):69-83.
doi: 10.1002/asi.v71.1
[30] Muller M C. Semantic Author Name Disambiguation with Word Embeddings[C]//Proceedings of 2017 International Conference on Theory and Practice of Digital Libraries. Cham, Switzerland: Springer, 2017: 300-311.
[1] 陈杰,马静,李晓峰. 融合预训练模型文本特征的短文本分类方法*[J]. 数据分析与知识发现, 2021, 5(9): 21-30.
[2] 徐月梅, 王子厚, 吴子歆. 一种基于CNN-BiLSTM多特征融合的股票走势预测模型*[J]. 数据分析与知识发现, 2021, 5(7): 126-138.
[3] 孟镇,王昊,虞为,邓三鸿,张宝隆. 基于特征融合的声乐分类研究*[J]. 数据分析与知识发现, 2021, 5(5): 59-70.
[4] 张国标,李洁. 融合多模态内容语义一致性的社交媒体虚假新闻检测*[J]. 数据分析与知识发现, 2021, 5(5): 21-29.
[5] 王雨竹,谢珺,陈波,续欣莹. 基于跨模态上下文感知注意力的多模态情感分析 *[J]. 数据分析与知识发现, 2021, 5(4): 49-59.
[6] 韩普, 张伟, 张展鹏, 王宇欣, 方浩宇. 基于特征融合和多通道的突发公共卫生事件微博情感分析*[J]. 数据分析与知识发现, 2021, 5(11): 68-79.
[7] 刘伟江,魏海,运天鹤. 基于卷积神经网络的客户信用评估模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 80-90.
[8] 李军莲,吴英杰,邓盼盼,冷伏海. 基于特征融合的引文失范数据自动处理策略研究*[J]. 数据分析与知识发现, 2020, 4(5): 38-45.
[9] 祁瑞华,简悦,郭旭,关菁华,杨明昕. 融合特征与注意力的跨领域产品评论情感分析*[J]. 数据分析与知识发现, 2020, 4(12): 85-94.
[10] 马娜,张智雄,吴朋民. 基于特征融合的术语型引用对象自动识别方法研究*[J]. 数据分析与知识发现, 2020, 4(1): 89-98.
[11] 陈远, 王超群, 胡忠义, 吴江. 基于主成分分析和随机森林的恶意网站评估与识别*[J]. 数据分析与知识发现, 2018, 2(4): 71-80.
[12] 余传明, 龚雨田, 赵晓莉, 安璐. 基于多特征融合的金融领域科研合作推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 39-47.
[13] 张李义, 张皎. 一种基于主成分分析和随机森林的刷客识别方法[J]. 现代图书情报技术, 2015, 31(10): 65-71.
[14] 俞仙子, 高英莲, 马春霞, 刘金星. 提取核心特征词的惩罚性矩阵分解方法——以共词分析为例[J]. 现代图书情报技术, 2014, 30(3): 88-95.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址：北京市海淀区中关村北四环西路33号 邮编：100190
电话/传真：(010)82626611-6626，82624938
E-mail:jishu@mail.las.ac.cn