通过利用合作者关系和研究领域，提出了一种新的方法，使用受监督的深度学习模型对图书馆作者名称歧义问题进行消歧，其能够在数字图书馆中有效地区分共享相同名称的作者和具有不同名称变体的作者。

Jul, 2021

通过使用问题内在的网络结构，本研究旨在探索能够执行姓名消歧任务的模型，并对这些模型进行分析。

Dec, 2023

本论文提出在数字图书馆中解决作者名称歧义（ANA）的问题。我们使用的数据集包含来自 DBLP 仓库的超过 500 万条记录，由大约 260 万位共同作者撰写。我们的方法首先将具有相同姓和同名首字母的作者分组。每组中的作者通过与他 / 她的共同作者和研究领域的关系来确定，我们采用了神经网络模型来学习共同作者和标题的表示。针对大型数据集进行了广泛的实验，并验证了我们方法的有效性。

Jul, 2022

提出一种新的姓名消歧方法，使用基于图嵌入的低维向量将文档聚类，避免了隐私侵犯和昂贵的生物特征提取。通过实验表明，该方法在相似情境下比现有的姓名消歧方法显著更好。

Feb, 2017

本研究比较了一系列无监督消歧方法，应用于一个包含 ResearcherID 的作者提及集合进行了性能评估，结果显示所有方法均优于仅使用作者名称的方法，而 Caron 和 van Eck（2014）提出的方法表现最佳。

Apr, 2019

该研究提出了一种基于 Siamese LSTM 网络、有监督学习的方法来从相对较低的维度向量空间中提取公司名称字符串的嵌入，同时使用 Active Learning 来优化样本标注的过程，以获得更高的效率和更好的性能。研究显示在足够有标注数据的情况下，该模型表现优于基于标准字符串匹配算法的基准模型，同时使用 Active Learning 能够在有限的数据标记资源下达到相同的性能，从而将模型训练的成本降至最少。

Mar, 2023

研究了神经网络语言模型在作者归属问题上的性能，发现与传统非参数化模型相比，其性能更优越。

Feb, 2016

通过把一个字符级 RNN 语言模型的输出层划分成几个独立的预测子模型，每个子模型代表一个作者，而循环层被所有子模型共享，本文提出了一种新的方法，该方法允许循环层模拟整个语言而不会产生过拟合，同时输出选择反映其作者风格的潜在模型方面，该方法在四种语言中两次排名第一，证明了它的有效性。

Jun, 2015

该论文提出了一种基于多任务深度自适应学习的方法，利用深度卷积神经网络从显式内容识别的辅助任务中学习通用的特征，从而提高单词图像的写作者识别性能。

Sep, 2018

该研究提出了一种基于变形金刚模型的神经网络结构，仅使用文本内容和参考文献中的作者姓名来将匿名稿件归属于作者，并创建了迄今为止最大的作者身份识别数据集，并发现了双盲审稿流程中的一些弱点，为支持公正的双盲审稿流程提供了有价值的见解。

Nov, 2022