基于語(yǔ)義指紋的中文文獻(xiàn)著者姓名消歧方法研究.pdf

1、姓名消歧指的是消除多文檔中的人名歧義性，把相同的人名按照現(xiàn)實(shí)世界的不同實(shí)體進(jìn)行區(qū)分。姓名歧義是導(dǎo)致搜索引擎以及文獻(xiàn)數(shù)據(jù)庫(kù)中人物檢索效果較差的原因，用戶(hù)需要花費(fèi)大量時(shí)間從重名人物中篩選出自己感興趣的人物信息。同時(shí)姓名消歧也是構(gòu)建合著者社會(huì)網(wǎng)絡(luò)、研究者學(xué)術(shù)評(píng)價(jià)等科研活動(dòng)的基礎(chǔ)性工作，在數(shù)據(jù)挖掘、自然語(yǔ)言處理等領(lǐng)域具有廣泛的應(yīng)用。本文通過(guò)對(duì)國(guó)內(nèi)外姓名消歧的研究現(xiàn)狀進(jìn)行歸納和總結(jié)，分析了各方法在實(shí)際應(yīng)用中的優(yōu)缺點(diǎn)，針對(duì)信息大爆炸的數(shù)字化時(shí)代，許

2、多方法耗時(shí)多、不支持增量消歧以及面臨“多維度災(zāi)難”的問(wèn)題，提出了基于語(yǔ)義指紋的姓名消歧方法。
　　首先，設(shè)計(jì)了基于語(yǔ)義指紋的文獻(xiàn)著者姓名消歧實(shí)施方案。該方案首先利用SimHash生成文本語(yǔ)義指紋，構(gòu)建指紋庫(kù)。將全文相似度計(jì)算轉(zhuǎn)化為語(yǔ)義指紋的比較，整個(gè)過(guò)程不涉及原文本的兩兩比較，且語(yǔ)義指紋具有處理速度快、占用空間小，是一種有效的降維算法。不僅如此，對(duì)于新增的文獻(xiàn)本文采用動(dòng)態(tài)建立作者指紋庫(kù)的方法，而傳統(tǒng)的方法只關(guān)注了對(duì)庫(kù)中已有的文獻(xiàn)姓

3、名消歧。第二，有效地融合作者的合著者特征、機(jī)構(gòu)特征和全文的語(yǔ)義指紋特征設(shè)計(jì)了綜合特征比較器，進(jìn)而進(jìn)行同一作者的文獻(xiàn)識(shí)別。第三，根據(jù)綜合特征的比較結(jié)果設(shè)置合理的閾值進(jìn)行認(rèn)領(lǐng)決策、作品指派，考慮到一篇論文可能被多名作者認(rèn)領(lǐng)，并添加了爭(zhēng)議仲裁。
　　然后，客觀選取了有代表性的部分作者的文獻(xiàn)數(shù)據(jù)，構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集，首先對(duì)合著者單特征、作者單位單特征和語(yǔ)義指紋單特征進(jìn)行獨(dú)立特征姓名消歧能力判斷和參數(shù)確定實(shí)驗(yàn)，為改進(jìn)綜合特征姓名消歧效果具有很強(qiáng)

4、的指導(dǎo)意義;根據(jù)獨(dú)立特征消歧能力的強(qiáng)弱以及各個(gè)單特征的優(yōu)勢(shì)，設(shè)計(jì)綜合特征姓名消歧策略并進(jìn)行實(shí)驗(yàn)驗(yàn)證。
　　最后，選取準(zhǔn)確率、召回率和F值對(duì)獨(dú)立特征姓名消歧和綜合特征姓名消歧實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明合著者單特征和機(jī)構(gòu)單特征具有較高的準(zhǔn)確率和較低的召回率，而相對(duì)而言語(yǔ)義指紋單特征具有較高的召回率和較低的準(zhǔn)確率，所以本研究采用基于語(yǔ)義指紋的綜合特征姓名消歧方法，實(shí)現(xiàn)了優(yōu)勢(shì)互補(bǔ)，彌補(bǔ)了各自方法的不足，獲得了較高的準(zhǔn)確率和召回率，結(jié)果