Jul, 2022

谁是谁？利用文献数据进行深度作者姓名消歧

PDF
TL;DR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。
author name ambiguityauthor name disambiguationdigital librariesco-authorsneural network model
发现论文，激发创造
  • Bib2Auth：利用文献数据的深度学习方法进行作者消歧

    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

  • 基于图的作者姓名消歧方法探索

    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

  • 对于常见姓名的作者姓名去歧中的合作作者网络评估

    本研究针对计算机科学文献数据库 DBLP 中同名作者的问题，通过利用共同作者网络和社区检测等方法对同名作者出版物进行聚类，以提高同名作者辨识率。结果表明，该方法对于大部分作者的同名问题有良好的效果，但对于一些常见的同名作者需要进行优化。最终通过社区检测，该方法得到了改进。

    Jun, 2016

  • 利用深度神经网络进行作者名称消歧

    本研究提出了一种基于深度神经网络自动学习特征的作者姓名消歧方法，并在包含越南作者姓名的数据集上验证，结果表明该方法在准确率方面表现显著优于使用预定义特征集的其他方法。

    Feb, 2015

  • 基于计量数据的作者姓名消歧：几种无监督方法的比较

    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

  • 作者之团：从社交网络上下文中消除姓名歧义

    研究使用关联网络和 BERT 来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

    Aug, 2022

  • 使用网络嵌入进行匿名图中的名称消歧

    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

  • 基于知识图谱嵌入的文字作者姓名消歧方法

    本研究提出了一种基于多模态知识图谱嵌入和层次凝聚聚类的新框架，Literally Author Name Disambiguation (LAND)，用于解决学术知识图谱中作者名称消歧的问题，并在两个知识图谱数据集上展示了比基线方法高 8-14% 的性能。

    Jan, 2022

  • 基于深度循环网络的公司名称消歧

    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

  • 基于深度学习的双盲审稿破解：作者归属性鉴定

    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