鄭才松，季 鐸，蔡?hào)|風(fēng)

(沈陽(yáng)航空航天大學(xué)知識(shí)工程中心，沈陽(yáng)110136)

隨著經(jīng)濟(jì)社會(huì)的發(fā)展，領(lǐng)域分工的日益明細(xì)化，專家在我們的日常工作生活中發(fā)揮著越來(lái)越大的作用。獲取專家信息，進(jìn)行加工整理，進(jìn)而構(gòu)建專家知識(shí)庫(kù)也逐漸引起人們的關(guān)注。很多機(jī)構(gòu)和部門也都在著手專家知識(shí)庫(kù)的構(gòu)建工作。人們之所以對(duì)專家知識(shí)庫(kù)的構(gòu)建如此熱衷，原因就在于專家知識(shí)庫(kù)無(wú)論對(duì)于個(gè)人還是機(jī)構(gòu)來(lái)講，都能在某種程度上提供較大的便利。比如對(duì)于科研人員來(lái)講，他們可以通過(guò)專家知識(shí)庫(kù)獲取某一領(lǐng)域的論文，從而解決科研中遇到的難題，促進(jìn)科研工作的順利開展。對(duì)于一些需要論文評(píng)審工作的機(jī)構(gòu)來(lái)講，可以通過(guò)專家知識(shí)庫(kù)的專家推薦功能，自動(dòng)地為投遞的論文選擇合適的專家評(píng)審。然而在專家知識(shí)庫(kù)的使用過(guò)程中，普遍存在這樣的問(wèn)題，當(dāng)用戶輸入專家名字時(shí)，往往會(huì)發(fā)現(xiàn)很多不相關(guān)的同名專家論文出現(xiàn)在搜索結(jié)果中，使得用戶無(wú)法獲取原本所需的論文。如何降低這種由于重名現(xiàn)象所造成的影響，發(fā)揮專家知識(shí)庫(kù)的最大效能，成為研究者關(guān)注的問(wèn)題。于是，“同名區(qū)分”開始被提出，并且吸引了大批專家學(xué)者的關(guān)注。所謂“同名區(qū)分”，簡(jiǎn)單的講就是把給定的同一作者名字的文章集合劃分為若干類，使得每一類內(nèi)的文章的作者是同一個(gè)人［1］。本文在總結(jié)了以往的研究成果基礎(chǔ)上，提出基于系統(tǒng)融合的專家同名區(qū)分方法。經(jīng)實(shí)驗(yàn)證實(shí)，該方法取得了較好的效果。本文結(jié)構(gòu)如下:首先介紹同名區(qū)分的相關(guān)研究工作，這部分主要是在總結(jié)以往同名區(qū)分的方法，以及本文提出基于系統(tǒng)融合的同名區(qū)分方法的背景。接下來(lái)介紹重名論文相似度計(jì)算的兩個(gè)方法。一個(gè)是從論文合作者關(guān)系角度出發(fā)的相似度計(jì)算方法，另一個(gè)是從內(nèi)容角度出發(fā)的相似度計(jì)算方法。再就是本文核心工作——基于系統(tǒng)融合的層次聚類方法。這部分對(duì)層次聚類方法和系統(tǒng)融合的方法做了詳細(xì)介紹。再接下來(lái)工作就是實(shí)驗(yàn)，對(duì)所提方法進(jìn)行驗(yàn)證。最后對(duì)本文所提方法進(jìn)行總結(jié)。這部分包括方法存在的不足及其未來(lái)改進(jìn)的思路。

1 相關(guān)研究

當(dāng)前的同名區(qū)分方法，基本上是將問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)的分類或聚類問(wèn)題。這些方法根據(jù)對(duì)訓(xùn)練數(shù)據(jù)的依賴程度大致分為兩大類:有監(jiān)督的同名區(qū)分方法，無(wú)監(jiān)督的同名區(qū)分方法。

在有監(jiān)督的同名區(qū)分方法中，文獻(xiàn)［2］使用了樸素貝葉斯方法和支持向量機(jī)方法。樸素貝葉斯方法通過(guò)計(jì)算某位作者寫某篇論文的后驗(yàn)概率進(jìn)行區(qū)分，支持向量機(jī)則將論文分到離他距離最近的作者類別中。兩種方法使用了包括合作者名字、論文關(guān)鍵詞和論文發(fā)表期刊關(guān)鍵詞等論文信息。文獻(xiàn)［3］提出了k－way譜聚類，分析了各個(gè)論文屬性如合作者、論文題目和發(fā)表期刊對(duì)同名區(qū)分的作用，除此之外還考慮了其他特征的影響，比如數(shù)據(jù)集的大小和特征權(quán)重。

在無(wú)監(jiān)督學(xué)習(xí)的同名區(qū)分方法中，文獻(xiàn)［4］基于主題模型進(jìn)行同名區(qū)分。文獻(xiàn)［5］將合作者關(guān)系看作是同名區(qū)分中比較有效的特征。該方法通過(guò)收集論文合作者關(guān)系，將這些關(guān)系用于聚類過(guò)程中進(jìn)行相似度計(jì)算。該文作者通過(guò)實(shí)驗(yàn)證明了合作者關(guān)系對(duì)于同名區(qū)分的有效性。文獻(xiàn)［6］通過(guò)將論文標(biāo)題提交給搜索引擎，將返回結(jié)果的網(wǎng)址信息作為論文的特征。然后通過(guò)余弦相似度計(jì)算論文相似度，利用聚類的方法將作者區(qū)分開。文獻(xiàn)［7］提出了一種基于圖算法的同名區(qū)分框架，將論文信息用圖來(lái)表示，通過(guò)尋找圖中路徑來(lái)計(jì)算相似度，最終根據(jù)聚類算法達(dá)到同名區(qū)分的目的。

總結(jié)以上研究方法，發(fā)現(xiàn)它們存在以下不足:一是選取特征較為單一，二是即使選取特征較多，特征之間沒(méi)能夠很好的融合在一起。這兩方面不足使得當(dāng)前的同名區(qū)分方法不能夠取得較好的效果。同時(shí)，由于文獻(xiàn)數(shù)據(jù)的復(fù)雜性，也使得同名區(qū)分相比其他問(wèn)題存在以下幾個(gè)難點(diǎn):

(1)數(shù)據(jù)分布不均衡問(wèn)題。在同一作者的所有文獻(xiàn)中，往往出現(xiàn)一個(gè)作者論文占絕大多數(shù)，而其他幾個(gè)同名作者僅有幾篇的情況。這種數(shù)據(jù)不均衡的問(wèn)題使得很多同名區(qū)分方法效果不明顯。

(2)作者論文信息不全問(wèn)題。我們很難得到所有的屬性信息，比如作者單位，郵箱等對(duì)區(qū)分其重要作用的信息大部分情況下是缺失的。

(3)各種屬性特征在區(qū)分中所起作用的不同，如合作者、Email、單位信息等強(qiáng)特征，本身具有很好的區(qū)分作用，而標(biāo)題和摘要信息相對(duì)來(lái)說(shuō)區(qū)分效果就弱一點(diǎn)。如果直接將這些特征簡(jiǎn)單的融合，導(dǎo)致強(qiáng)特征被弱特征擾亂，反而使準(zhǔn)確率下降。

結(jié)合以往研究成果，考慮到工程實(shí)踐的需要，本文提出基于系統(tǒng)融合的同名區(qū)分方法。系統(tǒng)融合一般分為模型的融合和結(jié)果的融合。本文用到的是結(jié)果的融合。首先從合作者關(guān)系和內(nèi)容兩個(gè)角度出發(fā)，分別計(jì)算論文相似度，對(duì)論文進(jìn)行聚類。然后對(duì)聚類結(jié)果進(jìn)行融合。由于這種融合在一定程度上考慮到合作者關(guān)系本身存在的不足，這一不足在內(nèi)容方面得到彌補(bǔ)，因而效果較好。

2 重名論文的相似度計(jì)算方法

本文從合作者關(guān)系和內(nèi)容兩個(gè)角度出發(fā)，進(jìn)行同名區(qū)分的研究。首先要做的工作就是計(jì)算論文相似度。下面分別介紹一下從這兩個(gè)角度出發(fā)的相似度計(jì)算方法。

2.1 基于合作者關(guān)系的論文相似度計(jì)算

同名區(qū)分研究中，合作者關(guān)系具有很強(qiáng)的區(qū)分作用。對(duì)于同一名字的兩篇論文來(lái)講，如果兩篇文章還有其它共同的作者，那么這兩篇論文的作者是同一個(gè)人的可能性就比較大。在這方面研究中，清華大學(xué)王建勇提出了 GHOST［7］算法，效果比較好。本文借鑒了該算法中的一部分?，F(xiàn)介紹一下相似度計(jì)算的整個(gè)過(guò)程。

整個(gè)過(guò)程分為三步:合作者圖構(gòu)建，路徑的查找，相似度計(jì)算。

合作者圖構(gòu)建:同一作者的論文集合D由一個(gè)無(wú)向圖G={V，E}來(lái)表示，其中每一個(gè)結(jié)點(diǎn)v∈V代表一個(gè)作者，每一個(gè)無(wú)向邊代表一個(gè)合作關(guān)系。每一個(gè)被區(qū)分的作者被認(rèn)為是不同的結(jié)點(diǎn)，其余作者則只用一個(gè)點(diǎn)表示。

路徑的查找:如果兩篇論文存在合作者，那么兩個(gè)代表同名作者的點(diǎn)就可以通過(guò)一條或多條路徑聯(lián)系起來(lái)。因此，首要工作就是尋找不超過(guò)某個(gè)長(zhǎng)度的簡(jiǎn)單路徑。深度優(yōu)先搜索是一個(gè)尋找簡(jiǎn)單路徑的有效方法。通過(guò)這種方法尋找代表同名作者的點(diǎn)之間的所有路徑，從中選擇長(zhǎng)度小于4的路徑(稱之為有效路徑)。

相似度計(jì)算:基于以下的幾個(gè)假設(shè)利用所有的有效路徑計(jì)算兩個(gè)代表同名作者的點(diǎn)之間的相似度。①在所有的有效路徑中，最短的路徑往往是最有象征意義的。②兩個(gè)結(jié)點(diǎn)之間的路徑越多，兩個(gè)結(jié)點(diǎn)就越相似。③“六度分隔理論”揭示了每對(duì)作者都有相對(duì)大的概率聯(lián)系在一起，即使他們不是同一個(gè)人。這表明相對(duì)長(zhǎng)的路徑的貢獻(xiàn)應(yīng)該被減弱。假設(shè)結(jié)點(diǎn)有m(i，j)條有效路徑，并且路徑nth的長(zhǎng)度是ln，那么通過(guò)下面公式計(jì)算相似度:

2.2 基于內(nèi)容的相似度計(jì)算

摘要是文獻(xiàn)內(nèi)容的高度概括與總結(jié)，根據(jù)不同的文獻(xiàn)作者研究的領(lǐng)域不同，這些領(lǐng)域特征性的詞匯一般會(huì)在文獻(xiàn)摘要中出現(xiàn)，所以可以利用摘要屬性來(lái)解決同名區(qū)分問(wèn)題。

摘要信息屬于文本信息，在計(jì)算中首先將文獻(xiàn)中的摘要信息分詞，之后采用經(jīng)典文本聚類的方法計(jì)算摘要間的相似度，本文選用TF－IDF［8］模型來(lái)計(jì)算摘要相似度。

W1、W2分別表示文獻(xiàn)摘要D1和D2的特征空間向量。

3 基于系統(tǒng)融合的層次聚類方法

在論文相似度計(jì)算基礎(chǔ)上，進(jìn)行聚類分析，本文選擇了比較常用的聚類方法－層次聚類。在對(duì)合作者關(guān)系聚類結(jié)果和摘要內(nèi)容聚類結(jié)果分析基礎(chǔ)上，采用系統(tǒng)融合的方法，對(duì)聚類結(jié)果進(jìn)行融合。下面分別詳細(xì)介紹層次聚類和系統(tǒng)融合方法。

3.1 層次聚類

層次聚類是一種比較常用的聚類方法，這種方法的優(yōu)點(diǎn)在于可以不限定最終的聚類數(shù)目，這與同名區(qū)分之前無(wú)法預(yù)知作者數(shù)量的情況是相符的。

本文采用基于自底向上的凝聚層次聚類方法。該方法將每個(gè)對(duì)象作為一個(gè)單獨(dú)的原子簇，之后按照相似度度量，將相似度最大的合并在一起，直到聚類結(jié)果不再變化或者終止條件滿足時(shí)聚類結(jié)束。聚類過(guò)程如下:

(1)獲取最初相似度矩陣D;

(2)查找相似矩陣D中相似度最大的兩個(gè)點(diǎn)，將它們合并到一起作為一個(gè)點(diǎn);

(3)重新計(jì)算新點(diǎn)與其他點(diǎn)之間的相似度;

(4)重復(fù)2和3，直到最后點(diǎn)個(gè)數(shù)不再變化為止。

3.2 系統(tǒng)融合方法

系統(tǒng)融合(System Combination，SC)技術(shù)是一項(xiàng)系統(tǒng)級(jí)甚至模型級(jí)的優(yōu)化技術(shù)，利用多個(gè)系統(tǒng)或者多個(gè)模型的融合與優(yōu)化策略實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)而提升整個(gè)系統(tǒng)的性能。通常系統(tǒng)融合的實(shí)現(xiàn)可以分為兩類:一類是在多個(gè)系統(tǒng)的輸出中擇優(yōu)選擇輸出結(jié)果;另一類是擇優(yōu)選擇多個(gè)模型的中間知識(shí)實(shí)現(xiàn)新的最佳輸出。

本文系統(tǒng)融合屬于第一類，是在合作者關(guān)系和摘要內(nèi)容各自聚類結(jié)果基礎(chǔ)上的結(jié)果性融合，目的在于解決單純靠合作者關(guān)系無(wú)法解決的合作者較少的情況。

定義合作者關(guān)系聚類結(jié)果集合H={h1，h2，…，hx}(其中 h1，h2，…，hx表示各類簇集合，集合內(nèi)元素是論文編號(hào))。

定義摘要內(nèi)容聚類結(jié)果集合Z={z1，z2，…，zm}(其中z1，z2，…，hm表示各類簇集合，集合內(nèi)元素是論文編號(hào))。

定義系統(tǒng)融合聚類結(jié)果集合R={r1，r2，…，rn}(其中 r1，r2，…，rn表示各類簇集合，集合內(nèi)元素是論文編號(hào))。

具體融合規(guī)則如下:

對(duì)于Z內(nèi)的每個(gè)集合，在H內(nèi)尋找其子集，如果存在的話，將獲得子集進(jìn)行合并，加入到H集合內(nèi)，同時(shí)在H內(nèi)將獲得的各個(gè)子集刪除，則得到R。

偽代碼如表1

表1 系統(tǒng)融合方法偽代碼

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)測(cè)試數(shù)據(jù)集的構(gòu)建

為了測(cè)試同名區(qū)分方法的有效性，通常需要構(gòu)建一個(gè)測(cè)試文獻(xiàn)數(shù)據(jù)集，它應(yīng)該滿足以下幾個(gè)條件:①選擇的作者名字具有代表性，包含常用名和比較生僻的名字。常用名一般來(lái)講同名較多，進(jìn)行區(qū)分難度較大，生僻名字一般同名較少，不需要區(qū)分或區(qū)分難度較小;②文獻(xiàn)數(shù)目要有一定的代表性，不同的作者發(fā)表的文章數(shù)會(huì)有差異，有的作者發(fā)表論文較多，有的發(fā)表較少;③包含不同的作者類型，如一些作者會(huì)在多個(gè)學(xué)校兼職，一些作者只在一個(gè)學(xué)校任職。

本文在選取測(cè)試集時(shí)，充分考慮了以上條件，作了針對(duì)性的選擇，從2 000名作者中選擇100個(gè)作者作為測(cè)試集。測(cè)試集共包含5 432篇論文。抽樣中以專家發(fā)表論文數(shù)量PF以及所屬單位數(shù)量CF為重要依據(jù)，當(dāng)PF*CF較高時(shí)代表該名字的專家，重名率較高，相反則重名率較低。論文在選擇專家時(shí)主要從該數(shù)值排序中人工選擇專家。比如“李華”屬于常用名，重名現(xiàn)現(xiàn)象比較嚴(yán)重，測(cè)試集中共包含120個(gè)單位個(gè)人，對(duì)應(yīng)185篇論文。“高聚林”屬于比較生僻的名字，測(cè)試集中共有1單位個(gè)人，對(duì)應(yīng)37篇論文。本文共標(biāo)注了100個(gè)不同名字對(duì)應(yīng)于1 900個(gè)不同的人。

4.2 評(píng)價(jià)指標(biāo)

本文借鑒信息檢索中的評(píng)測(cè)方法，定義了準(zhǔn)確率(precision)，召回率(recall)和F值。測(cè)試語(yǔ)料中同一作者集合中人工標(biāo)注的類P=(P1，P2，…，Pm).聚類結(jié)果 C={C1，C2，…，Cn}。Ci為任意聚類簇，Pj為人工標(biāo)注類。

對(duì)于任意聚類簇Ci和人工標(biāo)注類Pj:

對(duì)于每個(gè)聚類簇Ci:

最終的F值為

4.3 實(shí)驗(yàn)結(jié)果與分析

本文選取100個(gè)同名作者的論文作為測(cè)試語(yǔ)料，分別計(jì)算出各個(gè)作者聚類之后獲得的F值，取平均值。

表2 聚類結(jié)果

從表2中結(jié)果來(lái)看，摘要相對(duì)合作者來(lái)講，明顯是較弱特征，因而所獲F值比合作者低近13個(gè)百分點(diǎn)。其原因在于摘要僅僅是在內(nèi)容層次上對(duì)論文的一種表示，不同作者有很大的可能性寫內(nèi)容相關(guān)性很大的論文，因而僅僅憑摘要是無(wú)法評(píng)價(jià)兩篇論文是否是同一作者所寫的。合作者具有很強(qiáng)的區(qū)分作用，兩篇論文有合作者基本上可以判定屬于同一作者，當(dāng)然不排除合作者重名現(xiàn)象的存在，但是僅僅靠有無(wú)合作者就評(píng)價(jià)兩篇論文是不是同一個(gè)人所寫也是不合理的，這就涉及到有的作者可能曾在多個(gè)單位任職，發(fā)表文章沒(méi)有共同合作者也是有很大可能的。對(duì)于論文合作者較少的情況，合作者表現(xiàn)就更不佳了。所以合作者也有其自身的局限性。當(dāng)把兩者融合之后，F(xiàn)值比單純用合作者有了近1.5個(gè)百分點(diǎn)的提升。這是因?yàn)檎獌?nèi)容角度彌補(bǔ)了合作者的不足，對(duì)于論文合作者較少情況，摘要是有一定可能性把它們聚集在一起，這就在一定程度上彌補(bǔ)了合作者的不足。

系統(tǒng)融合時(shí)主要是對(duì)單純論文合作者不能處理的情況所做的改進(jìn)。論文合作者不能處理情況一般是合作者數(shù)量較少的情況?，F(xiàn)具體分析合作者數(shù)量對(duì)系統(tǒng)融合聚類結(jié)果影響。用t代表合作者數(shù)量。結(jié)果如圖1所示。

圖1 F值隨合作者數(shù)量t的變化

由圖1中數(shù)據(jù)可以看出，當(dāng)t=3時(shí)，系統(tǒng)融合結(jié)果最好。

5 結(jié)論

本文針對(duì)同名區(qū)分問(wèn)題，提出基于系統(tǒng)融合的同名區(qū)分方法。實(shí)驗(yàn)表明，該方法取得了較好的效果。同時(shí)本文也存在以下不足和改進(jìn)之處。首先，在測(cè)試數(shù)據(jù)集的構(gòu)建方面，在標(biāo)注測(cè)試數(shù)據(jù)集的時(shí)候，只是標(biāo)注了中文文獻(xiàn)，并沒(méi)有標(biāo)注英文文獻(xiàn)，有一定局限性。其次，在特征選擇方面，選擇的特征相對(duì)較少。最后，聚類算法僅僅選擇了層次聚類，應(yīng)該嘗試其它聚類算法。

針對(duì)實(shí)驗(yàn)中出現(xiàn)的問(wèn)題，將來(lái)的研究將從三方面展開，一是標(biāo)注測(cè)試數(shù)據(jù)集時(shí)，同時(shí)標(biāo)注英文文獻(xiàn)。二是在特征選取上，選取論文更多的特征，比如關(guān)鍵詞，標(biāo)題，期刊。三是在聚類算法上，選擇其他聚類算法，比如近鄰傳播聚類方法。進(jìn)行各種聚類算法結(jié)果比較，選擇較好的聚類算法?；蛘吒鞣N聚類算法的融合，選擇效果較好的融合方法。

［1］蒲旭，王建勇，范曉明.GHOST:作者名字排歧系統(tǒng)［J］.計(jì)算機(jī)研究與發(fā)展，2010，47:512 －515.

［2］Han H，Giles L，Zha H，et al.Two supervised learning approaches for name disambiguation in author citations［C］//Proceedings of ACM/IEEE Joint Conference on Digital Libraries，Tuscon，AZ，USA，2004:296 －305.

［3］Han H，Zha H，Giles C L.Name disambiguation in author citations using a K-way spectral clustering method［C］//Proceedings of the 5th ACM/IEEE-CS joint conference on Digital libraries(JCDL'05)，New York，NY，USA，2005，ACM:334 －343.

［4］Song Y，Huang J，Councill I G，et al.Efficient topicbased unsupervised name disambiguation［C］//Proceedings of ACM/IEEE Joint Conference on Digital Libraries，Vancouver，British Columbia Canada，2007:342－351.

［5］Kang I S，Na S H，Lee S，et al.On co-authorship for author disambiguation［J］.Information Processing ＆Management，2009，45(1):84 －97.

［6］Tan Y F，Kan M Y，Lee D.Search engine driven author disambiguation［C］//Proceedings of ACM/IEEE Joint Conference on Digital Libraries，2006:314 －315.

［7］Fan X，Wang J，Lv B，et al.GHOST:an effective graph-based framework for name distinction［C］//Proceeding of the 17th ACM conference on Information and knowledge management，2008，ACM:1449 －1450.

［8］Salton G，Buckley C.Term-weighting approaches in automatic text retrieval［J］.Information Processing ＆Management，1988，24(5):513 －523.