分类:作者识别

问题描述

最细的作者层级，就是把每一篇文章都当做来自于不同的作者，也就是把作者用文章来编号，例如First_Last_DOI，最粗的可以是First Initial_Last，也就是把每一个名的首字母和姓相同的都当做一个作者。当然，实际上后者还不是最粗的，会把改了名或者姓的人当成两个作者。这个在目前讨论的层面，忽略不计。那么，作者识别的问题就是找到一个介于最粗和最细的之间的一个识别，使得实际上相同的作者的文章都能够对应到同一个作者那里去。

如果仅仅考虑西方作者以及日本人，那么，姓的全部和名的第一个字（First Initial_Last），就已经比较准确^[1]。但是考虑到东方人的姓氏实在相同的太多^[2] ，我们需要研究更好的姓名识别算法。最近有一些用机器学习来做姓名识别的工作^{[3] [4][5] [6] [7][8]} 。

不过，在这个问题上，目前阶段，我们关心发现式解决方法，或者说无监督学习。如何在标记数据的基础上做有监督学习，暂时不考虑。

主要思路

在这里，我们想看看，包含主题－作者－论文的多层网络框架是否能够更好地识别作者作者。具体算法可以是多层网络上的某种间接联系算法，也可以是实体（作者、论文等）的矢量表示算法。

例如，对于作者识别，有了作者和主题的对应，那么在某个合适的尺度下，出现同名的作者数量就会比较少了。因此，作者姓名，加上单位，加上专业的识别方式应该是已经比较严格的。如果过于严格，则可以考虑运用合作者来归并。技术上，对于作者是否属于一个主题，可以考虑用论文主题标注，或者用论文主题分类算法。

一种更加具体的算法可以这样：对文章的全文（或者只有文章ID、标题、作者姓名、作者地址、摘要、关键词，是不是包含参考文献另说）做word2vec（需要区分一词多义现象）或者BERT的矢量化训练，然后对训练得到的矢量做聚类。尤其是BERT算法，得到的矢量是包含context的，可能可以直接解决一词多义的问题，然后通过聚类再整合起来。这个思路的假设，还是：作者的领域可以帮助区分和合并作者，也就是研究内容的矢量表示（不管是依靠文章的矢量，还是直接就在词汇的矢量空间内）可以用来做作者识别。

例如，在得到作者的矢量表示以后直接做聚类，然后对于姓名具有一定相似性的作者，做认同合并。或者，对姓名相似的作者的所有文章做聚类，来合并属于某一个作者的文章。

可检验数据

对于可检验数据的问题，可以通过参考基金机构的项目报告中整理出来的文章作者数据。也可以反过来，把这个基金文章作者数据当做训练集，来设计机器学习算法，或者某种扩散算法，把这个子集的数据想办法推广到整个数据集上去。这一点对于中国和韩国作者尤其有意义。

Orcid数据^[9]和机构数据库（例如中科院机构数据、挪威模型数据）可以用来检验和训练。

也有小规模的其他研究者已经做好的数据^{[10] [8]} 。我们可以通过建立Dimensions（包含作者Orcid）和APS数据的对应来得到我们自己的检验数据，还可以直接自己来处理Orcid数据（里面有作者姓名、文章、工作简历等数据）来得到检验数据。整理好的数据见数据集。

应用以及进一步研究

可以考虑在WoS、Dimensions、微软学术等数据库上实现一下。如果准确率高，就可以用来研究科学家的年龄、半衰期、性别影响等问题了。

参考文献