Coverage of Author Identifiers in Web of Science and Scopus
由于科学文献的数字化收藏在知识密集型工作环境中广泛使用，正确识别作者姓名已成为一项挑战。同音异义词的处理对于可靠地确定作者姓名至关重要。除了对名字、中间名和姓氏的不同处理外，供应商以及数字图书馆社区还创建了一些工具来解决作者姓名消歧的问题。本技术报告重点关注两个广泛收集的科学文献，Web of Science（WoS）和Scopus，以及1996 - 2014年期间作者识别信息的覆盖范围，如研究人员ID，ORCID和Scopus作者标识符。本研究的目的是描述这两个集合的显着差异方面的总体分布的作者标识符和它的使用在不同的主题领域。我们发现STM学科在我们的6，032，000篇出版物的数据集中显示了作者标识符的最佳覆盖率，这些出版物都被WoS和Scopus覆盖。在我们的数据集中，我们发现了184，823个不同的ResearcherID和70，043个不同的ORCID。在本报告的附录中，我们列出了所有WoS主题领域的完整概述以及这些主题领域中的作者标识符的数量。
2017-03-03 cs.DL
Effect of forename string on author name disambiguation
University of Michigan（密歇根大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在作者名消歧中，作者名用于决定哪些名称实例一起消歧以及它们在多大程度上可能指代同一作者。尽管这样一个至关重要的作用，forenames，其效果的启发式（字符串匹配）和算法消歧的性能还没有得到很好的理解。本研究评估的贡献，在作者姓名消歧使用多个标记数据集下不同的比例和长度的完整的名字，反映现实世界中的情况下，一个作者是由名字的变体（同义词）和一些作者共享相同的名字（同音异义词）。结果表明，增加的比例，充分forenames大幅提高启发式和基于机器学习的消歧的性能。当许多名字被初始化或同音异义词普遍存在时，算法消歧的性能增益是明显的。然而，随着完整名字的比例增加，它们与字符串匹配的性能相比变得微不足道。与使用全长字符串相比，使用一小部分名字字符串不会降低启发式和算法消歧的性能。这些研究结果提供了实际的建议，如恢复初始化的forenames到一个完整的字符串格式，通过记录链接，以提高消歧性能。
2021-02-05 cs.DL cs.IR cs.LG
Scaling Author Name Disambiguation with CNF Blocking
作者姓名消歧（AND）算法从学术或类似数据库中的所有类似或相同出版物记录中识别唯一的作者实体记录。通常，使用聚类方法，该方法需要计算每个可能的记录对之间的相似性。然而，对的总数随着作者数据库的大小呈二次方增长，使得这种聚类难以处理数百万条记录。对此的一种补救措施是减少成对相似性计算的数量的分块函数。在这里，我们介绍了一种新的学习阻塞方案的方法，通过使用合取范式（CNF）的析取范式（DNF）。我们在PubMed作者记录中证明，与使用DNF的先前方法相比，CNF阻塞减少了更多的对，同时保持了高的对完整性，计算时间显着减少。因此，学术数据中的这些概念可以用CNF更好地表示。此外，我们还展示了如何确保该方法产生不相交的块，以便其余的AND算法可以很容易地被替换。我们的CNF拦截在整个PubMed数据库的8000万作者提及上进行了测试，在10分钟内有效地删除了82.17%的所有作者记录对。
2017-09-27 cs.DL cs.IR
Collecting large-scale publication data at the level of individual researchers: A practical proposal for author name disambiguation
作者名的消歧是文献计量学中一项重要而又具有挑战性的工作。我们提出了一种方法，依赖于一个外部的信息源，通过无监督的作者姓名消歧方法确定的出版物的选择和验证集群。所提出的方法的随机样本的意大利学者的应用程序显示出令人鼓舞的结果，与整体精度，召回率和F-测量超过96%。所提出的方法可以作为一个起点，大规模普查的出版物组合的文献计量学分析在个人研究人员的水平。
2021-03-26 cs.DL
Scale-free collaboration networks: An author name disambiguation perspective
一些研究发现，协作网络是无标度的，这表明这种网络可以通过特定的网络演化机制来建模，比如偏好连接。本研究认为，合作网络可以看起来或多或少的无标度依赖于解决书目数据中的作者姓名歧义的方法。通过对包含3.4M ~ 9.6M出版记录的多个数据集构建的网络进行分析，本研究表明，作者姓名被常用的启发式算法消除歧义的协作网络，即，与通过更精确的基于算法的方法消除歧义的网络相比，基于名称初始化的名称匹配倾向于产生更好地拟合具有典型缩放参数（2 < α < 3）的幂律斜率的度分布。在各种条件下产生的协作网络中观察到这种趋势，例如累积年份，5- 1年滑动窗口和随机抽样，并通过模拟发现，主要是由于不准确的消歧所产生的伪实体。这个警示性的研究呼吁分析网络数据的学者们特别注意，在这些数据中，人、组织和基因等实体可以通过不适当的消歧来合并或分裂。
2018-11-07 cs.DL cs.IR cs.SI
PatentsView-Evaluation: Evaluation Datasets and Tools to Advance Research on Inventor Name Disambiguation
Duke University（杜克大学）；American Institutes for Research（美国研究所）
我们提出PatentsView-Evaluation，一个Python软件包，使研究人员能够评估发明人姓名消歧系统的性能，如PatentsView.org。该软件包包括基准数据集和评估工具，旨在通过提供高质量的评估数据和提高评估标准来推进发明人姓名消歧研究。
2023-01-09 cs.DL cs.LG
A fast and integrative algorithm for clustering performance evaluation in author name disambiguation
作者姓名消歧的结果通常通过测量来评估，例如K-metric，Pairwise-F，Splitting & Lumping Error和B-cubed。虽然这些措施有独特的评估方案，本文表明，它们可以在一个单一的框架中计算的一组共同的步骤，比较真理和预测的集群，通过两个哈希表记录信息的名称实例，其预测的集群索引和频率的这些索引每个真理集群。这种集成计算大大减少了计算运行时间，这是可扩展的集群任务，涉及数百万的名称实例在几秒钟内。在集成过程中，B立方和K度量显示，产生相同的精度和召回分数。特别是在这个框架中，Pairwise-F的名称实例对使用启发式计算，在快速计算方面超过了最先进的算法。结合实例和伪代码详细描述了综合计算的细节，以帮助学者方便地实现各项措施，并验证实现的正确性。综合计算将帮助学者比较多个措施的异同，然后选择最能表征其消歧方法聚类性能的措施。
2021-02-05 cs.DB cs.DL cs.IR
The impact of imbalanced training data on machine learning for author name disambiguation
University of Michigan（密歇根大学）；Syracuse University（雪城大学）
在用于作者姓名消歧的监督机器学习中，负训练数据通常主要大于正训练数据。本文研究了阴性与阳性训练数据的比率如何影响机器学习算法在书目记录中消除作者姓名歧义的性能。在多个标记的数据集上，三个分类器- Logistic回归，朴素贝叶斯和随机森林-通过代表性特征进行训练，例如共同作者姓名，以及从相同的训练数据中提取的标题词，但具有不同的正负训练数据比率。结果表明，增加负训练数据可以提高消歧性能，但性能提高很少，有时会降低消歧性能; Logistic回归和Naïve Bayes在正负训练数据的基本比例为1：1的情况下也能学习最优消歧模型。此外，随机森林的性能改善在1：10 ~ 1：15之后趋于快速饱和。这些发现意味着与使用所有训练数据的常见做法相反，可以使用部分负训练数据来训练名称消歧算法，而不会降低消歧性能，同时提高计算效率。这项研究呼吁作者姓名消歧学者更多地关注从不平衡数据中进行机器学习的方法。
2018-08-03 cs.CL cs.DL cs.IR
Web-Scale Academic Name Disambiguation: the WhoIsWho Benchmark, Leaderboard, and Toolkit
针对学术姓名消歧缺乏大规模高质量数据与统一评估的问题，本文提出 WhoIsWho 基准、排行榜和工具包，并在 AMiner 中部署强基线实现每日 arXiv 论文分配。
2023-06-06 cs.DL cs.IR
Generating automatically labeled data for author name disambiguation: An iterative clustering method
University of Michigan（密歇根大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
为了训练用于监督作者姓名消歧的算法，许多研究依赖于手工标记的真实数据，这些数据生成起来非常费力。本文表明，标记的训练数据可以自动生成的信息功能，如电子邮件地址，合著者的名字，并引用参考文献，可从出版记录。为此，使用外部权威数据库来决定用于匹配每个特征上的名称实例的高精度规则。然后，在目标歧义数据中选择名称实例进行基于规则的成对匹配过程。接下来，通过通用实体解析算法将它们合并到聚类中。聚类过程在其他特征上重复，直到进一步合并是不可能的。在228 K个作者姓名实例中的26，566个实例上进行测试，这种迭代聚类产生了精确标记的数据，成对F1 = 0.99。标记的数据代表人口数据的名称种族和共同消除歧义的名称组大小分布。此外，在标记数据上训练的机器学习算法消除了测试数据中的24 K个名称的歧义，成对F1 = 0.90 ~ 0.92。讨论了应用这种方法解决大规模学术数据中作者姓名歧义的几个挑战。
2021-02-05 cs.DL cs.IR cs.LG
Author name disambiguation of bibliometric data: A comparison of several unsupervised approaches
在文献计量学数据库中准确地消除作者姓名的歧义是在作者水平上进行可靠分析的先决条件。在文献计量学研究的情况下，包括许多研究人员，这是不可能的，以消除歧义的每一个研究人员手动。已经提出了几种用于作者姓名消歧的方法，但尚未在受控条件下对它们进行比较。在这项研究中，我们比较了一组无监督消歧方法。无监督方法指定一个模型来评估作者提到的先验相似性，而不是用标记数据训练模型。为了评估这些方法，我们将它们应用于一组用ResearcherID注释的作者提及，这是由研究人员自己维护的作者标识符。除了比较整体性能，我们更详细地研究了参数化方法的作用，并分析了消歧任务的复杂性对结果的依赖性。可以表明，所有的评估方法产生更好的结果比那些可以通过只使用作者姓名。在这项研究的背景下，Caron和van Eck（2014）提出的方法产生了最好的结果。
2019-04-29 cs.DL
Accuracy of simple, initials-based methods for author name disambiguation
有许多解决方案可以基于书目记录的相似性或常见的合著模式来执行无监督的名称消歧。这些高级方法通常很难实现，使用这些方法是否有必要取决于最基本的消歧方法（仅使用作者的姓氏和首字母）的准确性是否足以满足特定目的。我们得出现实的估计，简单的，初始为基础的方法，使用模拟书目数据集，其中作者的真实身份是已知的准确性。基于五个不同学科的模拟，我们发现第一种初始方法已经正确识别了97%的作者。另一种简单的方法，考虑到所有的首字母，通常是准确性的两倍，除了在某些数据集，可以通过应用一个简单的标准来识别。最后，我们介绍了一种新的基于姓名的方法，它结合了首字母和所有首字母方法的特点，隐式地考虑到姓氏的频率和数据集的大小。这种混合方法比第一种初始方法减少了10-30%的错误识别作者的比例。
2013-08-03 cs.DL
Evaluating Co-Authorship Networks in Author Name Disambiguation for Common Names
随着数字图书馆规模的不断扩大，如何正确识别作者姓名已成为一个挑战。当不同的人共用同一个名字（同音异义词问题）或作者的名字以几种不同的方式出现（同义词问题）时，情况就变得更加严重。本文主要研究计算机科学书目DBLP中的同音异义名称。本研究的目的是评估一种使用合著网络的方法，并分析常用名称对合著网络的影响。为此，我们对同名作者的出版物进行聚类，并以手动分配的DBLP记录为金标准来衡量该方法的有效性。结果表明，尽管实现的方法对大多数名称的性能良好，我们应该优化常见的名称。因此，社区发现被用来优化方法。实验结果表明，该方法提高了这些名称的识别性能.
2016-06-13 cs.DL
Distortive Effects of Initial-Based Name Disambiguation on Measurements of Large-Scale Coauthorship Networks
在大规模的合著网络研究中，学者们经常依赖姓名首字母来解决姓名歧义。这种方法有错误地合并或分割作者身份的风险。基于首字母的消歧的使用已经被这样的假设所证明，即这种错误不会太多地影响研究结果。本文通过分析生物学、计算机科学、纳米科学、神经科学和物理学这五个学术领域的合著网络以及跨学科期刊PNAS来验证这一假设。本研究的数据集中的名称实例基于从先前的算法消歧解决方案获得的语义学消歧。我们使用消歧数据作为地面实况的代理来测试三种类型的初始消歧的性能。我们的研究结果表明，基于初始值的消歧可以歪曲合作网络的统计特性：它缩小了唯一作者的数量，组件的数量，平均最短路径，聚类系数和重复性，而它膨胀了平均生产力，密度，平均每名作者的合著者数量和最大组件的大小。此外，平均而言，前10名生产或合作作者中有一半以上退出了名单。亚洲人的名字被发现占大多数的错误识别的初始为基础的消歧，由于他们共同的姓氏和名字的首字母。
2015-02-23 cs.DL cs.SI physics.soc-ph
OC-AND: A Citation-Enriched Benchmark for Author Name Disambiguation
University of Bologna（博洛尼亚大学）；University of Copenhagen（哥本哈根大学）
针对现有作者名消歧基准多源自封闭环境的问题，本文构建了开放且丰富引用信息的OC-AND基准数据集，保留WhoIsWho真值结构，引入开放环境特征，支持更贴近实际的AND方法评估与相关研究。
2026-10-12 cs.DL
Ethnicity sensitive author disambiguation using semi-supervised learning
书目数据库中的作者姓名消歧是将同一人撰写的科学出版物分组在一起的问题，考虑潜在的同音异义词和/或同义词。在这个问题的解决方案中，数字图书馆越来越多地为作者提供工具，以手动管理他们的出版物并声称那些是他们的。间接地，这些工具允许廉价地收集大的带注释的训练数据，可以进一步利用这些数据来构建互补的自动消歧系统，该系统能够推断用于识别由同一个人撰写的出版物的模式。基于超过100万个公开发布的众包注释，我们提出了一个自动化的作者消歧解决方案，利用这些数据（i）学习一个准确的分类器来识别共同引用的作者，（ii）以半监督的方式指导不同作者对科学出版物的聚类。据我们所知，我们的分析是第一次对这种规模和覆盖面的数据进行分析。关于最先进的技术，我们验证了大多数现有解决方案中使用的一般管道，并通过以下方式进行改进：（i）提出基于语音的阻塞策略，从而提高召回率;以及（ii）添加强大的种族敏感功能，用于学习链接函数，从而在必要时为非西方作者姓名定制消歧。
2016-05-04 cs.DL cs.IR stat.ML
A Bayesian Learning, Greedy agglomerative clustering approach and evaluation techniques for Author Name Disambiguation Problem
Indian Institute of Science Education and Research（印度科学教育与研究院）
由于同一作者以不同的名字出现，多个作者拥有相似的名字，作者的名字往往含糊不清。它造成了将学术著作与作者联系起来的困难，从而在署名、文献计量分析、数字图书馆中按作者搜索和专家发现中引入了不准确性。在文献中已经提出了过多的技术来消除作者姓名的歧义。我试图把重点放在研究工作的目标是消除歧义的作者姓名。我首先通过传统的方法，然后我讨论的评价技术和聚类模型，最后导致贝叶斯学习和贪婪凝聚的方法。我相信这篇集中的评论对研究界是有用的，因为它讨论了应用于一个非常大的真实数据库的技术，这个数据库在世界范围内被广泛使用。贝叶斯和贪婪凝聚的方法将有助于更好地解决与问题。最后，我试图为未来的工作勾勒出几个方向
2022-11-01 cs.DL cs.LG
Author Name Disambiguation via Heterogeneous Network Embedding from Structural and Semantic Perspectives
College of Computer and Information Science（计算机与信息科学学院）；Southwest University（西南大学）
本文提出一种基于异构网络表示学习与聚类的作者姓名消歧方法，利用元路径采样、skip-gram嵌入和自注意力机制融合结构与语义表示，并通过元路径级注意力自动学习特征权重，实验证明其消歧准确性优于基线方法。
2022-12-24 cs.DL cs.LG
A heuristic approach to author name disambiguation in bibliometrics databases for large-scale research assessments
在越来越多的国家，对大学的研究活动进行国家评估正在成为经常性的做法。这些工作主要是通过采用同行审查方法进行的。文献计量学一直无法提供一个有效的大规模的替代，因为几乎压倒性的困难，确定每个出版物的真正作者。我们将通过提出一种启发式方法来解决这个问题，作者姓名消歧的文献计量数据集的大规模研究评估。所提出的申请涉及意大利大学系统，该系统由80所大学和6万多名科学家组成的研究人员组成。所提出的方法的主要优点是易于实施。该算法是实际应用中，有相当好的可扩展性和可扩展性比国家的最先进的无监督的方法。此外，在精度和召回方面的性能，可以进一步提高，似乎完全足够的大规模文献计量研究评估的典型需求。
2018-12-20 cs.DL
Effects of Vertex Merging & Splitting on Large Coauthorship Networks: A Counterfactual Analysis
University of Michigan（密歇根大学）
本研究通过反事实分析，探讨了由作者姓名歧义导致的顶点合并与分裂错误如何影响合著网络度量，发现基于首字母的消歧方法会低估网络规模并高估连接紧密性。
2026-05-29 cs.DL cs.IR cs.SI
Author Name Disambiguation by Using Deep Neural Network
University of Information Technology - Vietnam（越南信息技术大学）
作者姓名歧义降低了数字图书馆检索信息的质量和可靠性。现有的方法试图解决这个问题，预先定义一个功能集的基础上专家的知识，为特定的数据集。在本文中，我们提出了一种新的方法，使用深度神经网络从数据中自动学习特征。此外，我们提出了一般的系统架构，作者姓名消歧的任何数据集。在这项研究中，我们评估了所提出的方法在一个数据集包含越南作者姓名。实验结果表明，该方法的性能明显优于其他使用预定义特征集的方法。所提出的方法达到99.31%的准确率。预测出错率从1.83%降低到0.69%，即，相对于其他使用预定义特征集的方法，该方法降低了1.14%或62.3%（表3）。
2017-07-29 cs.CL cs.DL cs.LG
A precision-driven evaluation protocol for author name disambiguation
University of Bologna（博洛尼亚大学）；University of Copenhagen（哥本哈根大学）
针对作者名消歧评估指标无法区分合并与拆分错误的问题，提出精度驱动评估框架，引入两类集群级错误并结合传统指标形成综合得分，经实验验证其有效性且已开源。
2026-10-12 cs.DL
Deep Author Name Disambiguation using DBLP Data
University of Koblenz-Landau（科布伦茨-兰道大学）
在学术界，科学家的数量每年都在增长，同名同姓的作者数量也在增长。因此，将新发表的论文分配给各自的作者具有挑战性。因此，作者姓名歧义（ANA）被认为是数字图书馆中的一个关键的开放性问题。本文提出了一种作者姓名消歧（AND）方法，该方法通过利用他们的合著者和研究领域将作者姓名与他们的真实世界实体联系起来。为此，我们使用从DBLP存储库中收集的数据，其中包含约260万合著者撰写的500多万条书目记录。我们的方法首先将具有相同姓氏和相同名字首字母的作者分组。通过捕获与其共同作者和研究领域的关系来识别每组中的作者，由相应作者的经验证的出版物的标题表示。为此，我们训练一个神经网络模型，该模型从合著者和标题的表示中学习。我们通过在大型数据集上进行广泛的实验来验证我们方法的有效性。
2023-03-17 cs.DL cs.LG
Motif-based success scores in coauthorship networks are highly sensitive to author name disambiguation
根据Krumov等人的工作[Eur.物理学杂志B 84，535（2011）]，我们重新审视的问题是否使用大型引文数据集允许定量评估社会（通过合著的出版物）对科学进步的影响。应用一个更全面和精心策划的数据集，其中包含整个20世纪美国物理学会期刊上的出版物，我们发现，在原始研究中选择的措施，基于小诱导子图的分数，必须谨慎使用，因为所获得的结果对作者消歧任务的准确实施高度敏感。
2014-10-02 cs.DL cs.SI physics.soc-ph
Pairwise Learning for Name Disambiguation in Large-Scale Heterogeneous Academic Networks
Beihang University（北京航空航天大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
名称消歧旨在识别具有相同名称的唯一作者。现有的姓名消歧方法通常利用作者属性来增强消歧结果。然而，一些有区别的作者属性（例如，电子邮件和隶属关系）可能会因为毕业或跳槽而改变，这将导致同一作者的论文在数字图书馆中分离。虽然这些属性可能会发生变化，但作者的合著者和研究主题不会随着时间的推移而频繁变化，这意味着在学术网络中，一个时期内的论文具有相似的文本和关系信息。受此启发，我们引入了基于多视图注意力的成对递归神经网络（MA-PairRNN）来解决名称消歧问题。我们根据作者属性将论文划分为小块，并根据MA-PairRNN的成对分类结果合并同一作者的块。MA-PairRNN将异构图嵌入学习和成对相似性学习结合到一个框架中。除了属性和结构信息，MA-PairRNN还通过元路径利用语义信息，并以归纳的方式生成节点表示，这是可扩展到大型图。此外，采用语义级注意力机制融合多个基于元路径的表示。由两个RNN组成的伪暹罗网络以发表时间顺序的两个论文序列作为输入，并输出它们的相似性。两个真实世界的数据集上的结果表明，我们的框架有一个显着的和一致的性能提高的名称消歧任务。实验还表明，MA-PairRNN可以在少量训练数据的情况下表现良好，并且在不同的研究领域具有更好的泛化能力。
2021-01-20 cs.DL cs.LG cs.SI
Bridging the Language Gap in Scholarly Data I: Enhancing Author Disambiguation Algorithms for Chinese Names
Maastricht University（马斯特里赫特大学）；Complexity Science Hub（复杂科学中心）；Graz University of Technology（格拉茨工业大学）
本文提出基于规则的辨识框架，整合共作者网络、引用网络、作者 affiliations 和内容相似性，以提升中文姓名的辨识性能，实现跨语言的可靠 scientometric 分析。
2026-04-04 cs.DL physics.soc-ph
Disambiguation of Patent Inventors and Assignees Using High-Resolution Geolocation Data
专利数据是通过引用、共同发明和共同转让新专利的网络提供创新和技术演变信息的重要来源。从这些数据中提取有用信息的一个主要障碍是消除名称歧义的问题：将个人或机构的不同拼法与一个单一的标识符联系起来，以唯一地确定参与创造一项技术的各方。在本文中，我们描述了一种新的算法，该算法使用高分辨率的地理位置来消除在欧洲专利局（EPO），专利合作条约（PCT）和美国专利商标局（USPTO）中发现的360多万项专利的发明人和受让人的歧义。我们表明，与波士顿和巴黎EPO受让人名称的手动消歧相比，我们的算法具有高精确度和高召回率，并表明它对于可以链接到高分辨率地址的USPTO发明人名称的基准测试表现良好（但对于从未提供高质量地址的发明人来说表现不佳）。这项工作最重要的好处是高质量的受让人消歧与世界范围内的覆盖加上发明人消歧，这是竞争对手的其他国家的最先进的方法。据我们所知，这是对这三大专利集中相当一部分专利的发明人和受让人姓名进行的最广泛、最准确的同时消歧和交叉链接。
2015-12-13 cs.DL physics.data-an physics.soc-ph
Whois? Deep Author Name Disambiguation using Bibliographic Data
University of Koblenz-Landau（科布伦茨-兰道大学）；Institute for Web Science and Technologies（网络科学与技术研究所）
随着作者的数量逐年呈指数级增长，同名作者的数量也在成比例地增加。这使得将新发表的论文分配给适当的作者变得具有挑战性。因此，作者姓名歧义（ANA）被认为是数字图书馆中的一个关键的开放性问题。本文提出了一种作者姓名消歧（AND）方法，该方法通过利用他们的合著者和研究领域将作者姓名与他们的真实世界实体联系起来。为此，我们使用DBLP存储库中的一个集合，其中包含由大约260万名合著者撰写的500多万条书目记录。我们的方法首先将具有相同姓氏和相同名字首字母的作者分组。通过捕获与其共同作者和研究领域的关系来识别每组中的作者，该关系由相应作者的经验证的出版物的标题表示。为此，我们训练一个神经网络模型，该模型从合著者和标题的表示中学习。我们通过在大型数据集上进行广泛的实验来验证我们方法的有效性。
2022-07-24 cs.CL cs.DL cs.LG
Recent Developments in Deep Learning-based Author Name Disambiguation
University of Bologna（博洛尼亚大学）；University of Copenhagen（哥本哈根大学）
本文系统综述 2016—2024 年基于深度学习的作者姓名消歧方法，总结其技术进展、挑战与开放问题，并指出结构化与非结构化数据融合及混合监督范式的价值。
2024-12-23 cs.CL cs.DL
S2AND: A Benchmark and Evaluation System for Author Name Disambiguation
作者名消歧（AND）是解决书目数据库中哪些作者是指同一个真实世界的人的任务，是数字图书馆应用（如搜索和引文分析）的关键组成部分。虽然已经提出了许多AND算法，但比较它们是困难的，因为它们通常使用不同的特征，并且在不同的数据集上进行评估。为了应对这一挑战，我们提出了S2AND，一个统一的基准数据集和学术论文，以及一个开源的参考模型的实现。我们的数据集将八个不同的AND数据集统一为统一的格式，并从Semantic Scholar（S2）数据库中提取了一个丰富的功能集。我们的S2AND评估套件报告了按出版年份和论文数量等方面划分的绩效，使研究人员能够跟踪全球绩效和各方面价值的公平性指标。我们的实验表明，由于以前的数据集往往覆盖文献的特殊和有偏见的部分，因此经过训练的算法在其中一个方面表现良好，但在其他方面可能表现不佳。相比之下，我们展示了如何在S2AND中的数据集联合上进行训练，从而产生更强大的模型，即使在训练中看不到的数据集上也能表现良好。所得到的AND模型也大大改进了S2中的产生式算法，在$B^3$ F1方面将误差减少了50%以上。我们向研究社区发布统一的数据集、模型代码、训练模型和评估套件。https://github.com/allenai/S2AND/
2022-02-21 cs.DL
A Knowledge Graph Embeddings based Approach for Author Name Disambiguation using Literals
FIZ Karlsruhe - Leibniz Institute of Technology（卡尔斯鲁厄专业信息中心——莱布尼茨技术研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Bologna（博洛尼亚大学）
学术数据不断增长，包含来自大量场所的文章信息，包括会议，期刊等。许多举措已被采取，使学术数据作为知识图谱（KG）。这些努力，以标准化这些数据，使他们访问也导致了许多挑战，如探索的学术文章，模棱两可的作者，等本研究更具体地针对问题的作者姓名消歧（AND）的学术KG，并提出了一种新的框架，字面上的作者姓名消歧（土地），它利用知识图谱嵌入（KGEs）使用多模态文字信息从这些KG。该框架基于三个组成部分：1）多模态KGE，2）分块过程，以及最后，3）层次凝聚聚类。对两个新创建的KG进行了广泛的实验：（i）KG包含1978年以来Scientometrics Journal的信息（OC-782 K），以及（ii）从AMiner提供的AND的知名基准中提取的KG（AMiner-534 K）。结果表明，我们提出的架构在F1得分方面优于我们的基线8-14%，并在具有挑战性的基准测试（如AMiner）上显示出具有竞争力的性能。代码和数据集分别通过Github：https://github.com/sntcristian/and-kge和Zenodo：https://doi.org/10.5281/zenodo.6309855公开提供。
2022-06-01 cs.AI cs.CL cs.DL
Bib2Auth: Deep Learning Approach for Author Disambiguation using Bibliographic Data
作者姓名歧义是数字图书馆面临的一个重要问题。在本文中，我们提出了一种新的方法来链接作者的名字，他们的真实世界的实体，依靠他们的合著模式和研究领域。我们的监督式深度学习模型通过捕捉作者与合作作者的关系以及研究领域来识别作者，这些关系由目标作者出版物的标题和来源表示。这些属性通过它们的语义和符号表示进行编码。为此，Bib2Auth使用DBLP存储库中的约22K书目记录，并使用每对合著者进行训练。大量的实验证明，该方法能够区分同名作者和不同名字变体的作者。Bib2Auth在相对较大的数据集上表现出良好的性能，这使其有资格直接集成到书目索引中。
2021-07-09 cs.DL cs.LG
Author Name Disambiguation on Heterogeneous Information Network with Adversarial Representation Learning
著者姓名歧义给学术信息检索带来不便和不便，提出了著者姓名消歧的必要性。现有的AND方法可以分为两大类：一类是基于内容信息区分两篇论文是否为同一作者所写的模型，另一类是基于关系信息将信息表示为网络上的边，并量化论文之间的相似性。然而，前者需要足够的标记样本和信息丰富的负样本，并且在测量论文之间的高阶连接方面也是无效的，而后者需要复杂的特征工程或监督来构建网络。我们提出了一个新的生成对抗框架来一起增长这两类模型：（i）判别模块区分两篇论文是否来自同一作者，（ii）生成模块直接从异构信息网络中选择可能同质的论文，这消除了复杂的特征工程。以这种方式，判别模块引导生成模块选择同质论文，并且生成模块生成高质量的负样本以训练判别模块，使其意识到论文之间的高阶连接。设计了判别模块的自训练策略和基于随机游走的生成算法，保证了训练的稳定性和高效性。在两个真实世界的AND基准上进行的大量实验表明，我们的模型比最先进的方法提供了显着的性能改进。
2020-02-23 cs.DL cs.SI
Topological and Semantic Graph-based Author Disambiguation on DBLP Data in Neo4j
在这项工作中，我们介绍了一种新的方法，在书目网络的实体解析作者消歧。这种方法基于使用拓扑相似性度量对候选节点进行评级的2步网络遍历。拓扑相似性被广泛用于链接预测应用领域，以评估未知链接的可能性。相似性函数可以很好地近似相等，因此可以用于消除歧义，基于作者与许多共同作者相似的假设。我们的方法进行了实验的公共DBLP计算机科学数据库的基于图形的表示。所得结果在精密度、准确度和专属性方面非常令人鼓舞。进一步的好的方面是用于消歧评估的方法的局部性，其避免了需要知道全局网络，以及仅利用少量数据，例如作者姓名和论文标题（即，合著数据）。
2019-01-25 cs.DL cs.IR cs.SI
LEAD: LLM-enhanced Engine for Author Disambiguation
Institute of Cognitive Sciences and Technologies (ISTC), National Research Council of Italy (CNR)（认知科学与技术研究所，意大利国家研究委员会）；Department of Mathematics and Computer Science, University of Catania（卡塔尼亚大学数学与计算机科学系）；Research Institute on Sustainable Economic Growth (IRCrES), National Research Council of Italy (CNR)（可持续经济增长研究所，意大利国家研究委员会）
本文提出LEAD混合框架，结合大语言模型语义特征与合著、引文网络结构证据进行跨来源作者消歧，在606个歧义案例上取得最佳性能，并验证了混合策略的稳健性与可扩展性。
2025-11-10 cs.DL
A large-scale dataset of sub-institution name disambiguation and hierarchical structures from OpenAlex
Center for Studies of Information Resources, Wuhan University（武汉大学信息资源研究中心）；School of Information Management, Wuhan University（武汉大学信息管理学院）
该研究推出OpenSubAffil大规模数据集，整合NER与嵌入聚类流程及多信号评分函数，实现亚机构名称消歧与层级构建，弥合个体研究者与顶级机构的粒度差距。
2026-08-21 cs.DL
Institute Disambiguation using Author-Institution Co-Occurrence
PostPub
提出一种仅利用作者与机构元数据共现关系的无监督机构名称聚类方法，在 Crossref 的 50000 篇文章上验证，可与字符串匹配方法互补并用于机构消歧。
2025-10-18 cs.DL
Exploiting citation networks for large-scale author name disambiguation
我们提出了一种新的算法和验证方法，消除歧义的作者姓名在非常大的书目数据集，并将其应用到完整的Web of Science（WoS）引文索引。我们的算法仅依赖于WoS所涵盖的整个时期的作者和引文图。建立了基于共同合著者、自引、共享参考文献和引文的成对出版物相似性度量，以执行两步凝聚聚类，该聚类首先连接单个论文，然后合并相似的聚类。该参数化模型使用基于h指数的召回率指标进行优化，有利于正确分配引用良好的出版物，并使用WoS元数据和交叉引用的Google Scholar配置文件进行基于姓名首字母的精确度。尽管使用了有限的元数据，我们达到了87%的召回率和88%的准确率，并优先考虑具有高h指数值的研究人员。4700万篇WoS文章可以在一台机器上在不到一天的时间内消除歧义。我们开发了一个h-指数分布模型，证实预测与经验数据非常吻合，并深入了解h-指数在真实学术排名场景中的效用。
2014-12-10 cs.DL cs.SI physics.soc-ph
How reliable are unsupervised author disambiguation algorithms in the assessment of research organization performance?
本文探讨了偏见的程度时，评估是基于无监督的作者姓名消歧算法的性能排名的研究机构。它比较了意大利大学的研究性能评估练习的结果，使用Caron和van Eck（2014）的无监督方法来推导大学的研究人员，与使用D'Angelo，Giuffrida和Abramo（2011）的监督算法的基准测试的结果，该算法利用了输入数据。所制定的方法可以复制，用于其他国家或国际框架的比较分析，这意味着从业人员将能够准确衡量使用无监督算法进行的任何评价活动中固有的扭曲程度。这反过来可能有助于决策者决定是否投资建立国家研究人员数据库，而不是满足于无监督的方法，因为它们的测量偏差。
2022-09-07 cs.DL
Peculiarities of gender disambiguation and ordering of non-English authors' names for Economic papers beyond core databases
本文基于 Crossref 数据对乌克兰经济学论文进行作者层面的性别与姓名排序定量分析，发现该学科在个体层面更可能呈现性别平等，且作者排序呈非字母顺序，并首次明确关注斯拉夫作者姓名特征。
2022-11-29 cs.DL
Building a PubMed knowledge graph
PubMed是医学领域的重要资源，但有用的概念要么难以提取，要么含糊不清，这大大阻碍了知识发现。为了解决这个问题，我们构建了一个PubMed知识图谱（PKG），从2900万PubMed摘要中提取生物实体，消除作者姓名的歧义，通过美国国立卫生研究院（NIH）ExPORTER整合资金数据，从ORCID收集作者的从属关系历史和教育背景，并从MapAffil中识别细粒度的从属关系数据。通过整合可信的多源数据，我们可以在生物实体、作者、文章、隶属关系和资金之间建立联系。数据验证显示，生物实体提取的BioBERT深度学习方法在F1得分上明显优于最先进的模型（0.51%），作者姓名消歧（AND）达到了98.09%的F1得分。PKG可以引发更广泛的创新，不仅使我们能够衡量学术影响，知识使用和知识转移，而且还有助于我们根据作者和组织与生物实体的联系来分析他们。PKG可在Figshare（https：//figshare.com/s/6327a55355fc2c99f3a2，不包括PubMed原始数据的简化版）和TACC网站（http：//er.tacc.utexas.edu/pedets/ped，完整版）上免费获得。
2020-05-15 cs.DL
Resolving Author Name Homonymy to Improve Resolution of Structures in Co-author Networks
本文研究了作者同名对大规模合著网络的影响，并提出了一种简单、有效、可扩展和可推广的算法来改善这种影响。我们评估该算法的性能，以提高介观网络结构的分辨率。为此，我们建立了一个作者姓名样本的基础事实，该样本在统计上代表了合著者网络中不同类型的节点，并通过它们在网络连通性中的作用来区分。最后，我们观察到，这种区别的节点角色的网络的介观结构的基础上，结合量化的作者姓名的共性，提出了一种新的方法来评估网络失真的同音异义和分析减少失真的网络消歧后，不需要地面真相采样。
2011-06-13 cs.DL cs.SI physics.soc-ph
Revisiting gender bias research in bibliometrics: Standardizing methodological variability using Scholarly Data Analysis (SoDA) Cards
School of Information Sciences, University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院）；School of Information, University of Michigan - Ann Arbor（密歇根大学安娜堡分校信息学院）；School of Social Sciences and Technology, Technical University of Munich（慕尼黑工业大学社会科学与技术学院）
针对文献计量学性别偏见研究中方法不一致导致可靠性低的问题，提出学术数据分析(SoDA)卡片框架以标准化记录作者姓名消歧等方法选择，提升研究透明度、可重复性及可比性。
2025-01-30 cs.AI cs.DL cs.SI
