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

通过分析数据表明，多作者论文的作者贡献随作者排名的变化而变化。而且，根据作者作用的性质，作者排名和角色分为三种类型。

Sep, 2016

现代作者指定（AA）和作者混淆（AO）是隐私研究中两个重要且竞争性的任务，为了解决现有 AA 方法引发的隐私问题，本研究提出了一个实用的 AO 方法 ALISON，通过攻击三种基于 Transformer 的 AA 方法在两个基准数据集上表现出更好的混淆效果，并且无需目标 AA 分类器的直接信号，在大幅减少训练和混淆时间的同时，保持了原始文本的意义。

Feb, 2024

本文综述了从数据挖掘的角度出发，针对神经文本生成中的作者归属与模糊化问题开展的最近研究，旨在理解传统作者归属与模糊化方法的局限性并探讨新的研究方向，以解决神经文本撰写人的匿名性与隐私问题。

Oct, 2022

本文介绍了一种基于复杂网络的方法来识别文本的作者，通过考虑故事流传来捕捉作者的主导结构。实验证明了该方法在可视化方面有很大潜力并能够揭示作者的个人特征。

May, 2017

该论文通过引入 OWA 机制，提出了一种有效解决双边匹配问题（一方的代理人 / 审稿人对另一方的对象 / 论文有偏好，双方都有容量的约束条件）的算法，并将其应用于资源分配等领域。

May, 2017

本文综述了科学演化模型的重要工作，然后介绍了一般的过程模型，该模型同时生成了共同作者和论文引用网络，该模型通过主题划分作者和论文、作者引用最新论文以及作者引用已阅读论文引用的论文来模拟论文引用网络的统计和动态性质，并将其验证为线性关系数的主题与模拟论文引用网络的聚类系数相关。

Nov, 2003

该论文研究了当没有参考签名可用时的自动签名验证问题，提出了三种方法来自动估计一组离线签名的共同作者，其中包括使用重复签名创建分数相似度矩阵的第一种方法，使用每对签名的特征距离矩阵的第二种方法，以及基于每个签名的复杂性进行预分类的最后一种方法。实验证明，这些方法的性能优于人工志愿者的表现。

May, 2024

一项研究表明合作撰写科研论文的项目常常需要考虑每位贡献者的贡献比例和意见的相关性，为了解决这个问题，提出了一种简单的方法通过专家的观点来聚合这些意见，以达成共识。

Jul, 2024

该研究论文介绍了谁是这篇文章作者（AA）和作者验证（AV）这两种方法，针对 AA/AV 数据集和评估指标的标准化与基准评估并评估了八种方法，其中传统的 Ngram-based 模型在 5 个 AA 任务中表现最佳，而 BERT-based 模型则在另外两个任务和 AV 任务中表现更好。通过使用 hard-negative mining，AV 方法可以作为 AA 方法的有竞争力的替代品。

Sep, 2022