Author name disambiguation using a graph model with node splitting and merging based on bibliographic information

Author name disambiguation using a graph model with node splitting and merging based on bibliographic information

基于文献信息进行节点拆分和合并的图模型消歧方法（GFAD）

 

论文： https://link.springer.com/article/10.1007/s11192-014-1289-4

 

这是一篇比较早的文章，将人名消歧过程作为一个系统，主要想学习它对消歧过程中的各个阶段的划分

GFAD 是一个面向图的框架，对于元信息缺失，错误信息的存在具有较好的鲁棒性，且不依赖web 环境，也不需要群体数量信息，不需要估计特定的参数或阈值。其中，顶点表示作者，边表示合作关系。

同名问题：分割多个不重叠的环中的共同顶点

异名问题：合并具有不同名的顶点

同时：能够处理异常问题

1. 概述

1. 基于图的作者姓名消歧方法

2. 使用合作关系构建图模型

3. 基于节点分割和合并解决模糊类别

 

已有研究：

1. 只处理同名问题

2. 依赖于邮件，网页等辅助信息

2. 创新点

涵盖了同名和异名问题

目的：构建对特定域（或数字图书馆）不敏感的通用框架，避免数据缺失和环境错误的影响

 

只依赖 title 和 co-author

1. 以图表为导向的人名消歧方法，从文献信息分析作者间的关系构建图模型

2. 通过链接合作者推断作者的社交环（过去和现在的学术关系）

3. 利用顶点分割或顶点合并

 

与以往研究相比：

1. 只需要合著者信息和 title（必要属性）

2. 不要求其他额外信息或估计值

3. 为同名和异名问题提供一个全面的消除歧义的解决方案

3. 整体框架

1. 利用文献信息分析作者关系构建图模型

2. 拆分存在多个合作网络中的顶点解决同名问题

3. 合并同作者不同名字的节点解决异名问题

 

3.1. Graph Model Constructor

图模型建设

合著者是解决作者歧义的最有影响力的因素，将合著者信息构建成一个图，合著者为双向关系

 

3.2. Namesake Resolver

同名的解析器检测并解决同名问题

假设同一个人同一时期很少在同一个机构工作，社交群体也不同

GFAD将从同一个顶点发出的每个非重叠循环视为不同社交环，循环检测器查找途中具有多个社交环的顶点，名称分割器拆分与多个社交环相关联的顶点

3.2.1. Cycle Detector

算法过程：

1. 如果是别的环的子环，则移除该环

2. 检测并合并在正在检测的环中共享同一顶点的环

 

Splitting vertices

沿着最长的非重叠环分割包含

3.2.2. Namesake Splitter

GFAD 是从开始到结束的顶点间没有重复顶点和边的简单环，需要为每个社交圈确定合适的边界。通常，社交圈越宽，将不同的人分到同一个人的可能性越大。

如果BDC 包含相关领域的引用记录，或根据领域构建图，较大的社交圈就不容易出现以上错误

GFAD 将最大的环作为该作者的社交圈，假定，同一个顶点出现在多个最大的社交圈时可能包含同名不同人的作者，因此，我们需要检测每个顶点的最大非重叠环，然后根据这些周期进行顶点分割

3.3. Heteronymous Name Resolver

异名解析器

1. 查找具有相似作者名称，并且相同作者检测器识别表示为同一个人的顶点

2. 异名合并器合并该顶点

 

同一个作者使用不同名字

GFAD 判断具有相似名字的顶点组，如果该组所有成员至少共享一个公共顶点，则将其视为同一个人

3.3.1. similar name searcher

1. GFAD 使用最长公共子序列（ LCS ） 方法检测

2. 使用空格和标点符号作为分隔符标记作者名字，并使用LCS 测量相似度

3. 如果两者相似度 > 0.8 则视为相似

3.3.2. same author detector

两个相似名称的顶点直接或间接的连接到图中的公共顶点，则认为两者为同一个人

3.3.3. heteronymous name merger

一旦确定具有相似名称的作者是同一个人，则合并

3.4. Outlier Remover

孤立点：

缺少消歧所需要的元信息

如：在使用合著关系的系统中，只有一个作者的文章就是孤立点

对于使用作者所属组织的系统中，缺少作者所属信息的文章就是孤立点

GFAD 将异常值根据代表性的关键字的相似性度量，将相应顶点与图模型中最相似的顶点合并

 

相似度量：

GFAD 将文章中的词汇构成一个特征向量，将其作为关键词，使用余弦相似度，测量异常值和其相似顶点间的相似度

过程：

1. 从 GM 中寻找没有合著信息的顶点

2. 将其中名字相似的顶点标为孤立点，并且选择出有最高相似度的顶点

3. 将孤立点从 GM 中移除，与有最高相似度的节点合并

4. Experiment

分别对比有或没有异常点移除的步骤的效果

 

孤立点去除将离群点合并成最相似的群，当将单个记录群误解为离群点时，GFAD 性能降低

如何合理的去除离群点？

• 对比使用了哪些属性，信息缺失是否严重
• 如何定义相似性阈值

 

 

GFAD-AD: 仅使用共同作者

GFAD-OR：孤立点移除

HHC：使用引用特征的非监督人名消歧

HHC-ALL： 使用所有特征属性（合著者，title，地点）

HHC-CO：仅使用合著者特征

• 使用所有特征属性（合著者，title，地点）
• 在 arnet 上比 GFAD 性能好
• 需要预先定义标题和地址的相似度阈值
• 选择一个唯一的不变的阈值不太现实

GFAD-AD

• 仅使用共同作者

当仅使用共同作者属性时，GFAD-AD 在两集合中都优于 HHC-CO

5. GFAD 局限性

不能处理：

1. 两个同名作者有相同名字但不同人的合作者

2. 虽然是同一个人但没有共同合作者

3. 当由单一作者所著时，没有合著者信息

4. 作者个人资料变更（动态变化）