中文文献题录数据作者重名消解问题研究.PDFVIP

第５８卷 第２３期　２０１４年１２月 中文文献题录数据作者重名消解问题研究 ■ 朱云霞 ［摘　要］在对目前各种作者重名消解方法进行总结的基础上，针对中文文献题录数据特征，将重名消解 问题转换为同名作者文献的分类问题，提出一种基于规则和相似度的重名消解框架模型，并对其中的分解规则 和合并规则进行详细的算法描述，最后选取３个学科的重名作者数据集进行实验，实验结果表明该模型能有效 提高作者重名消解的准确率。 ［关键词］重名消解　相似度　规则　算法 ［分类号］Ｇ２５３　ＴＰ３９１ 　　ＤＯＩ：１０．１３２６６／ｊ．ｉｓｓｎ．０２５２－３１１６．２０１４．２３．０２２ １　引　言 还要考虑到文献数据中机构标注的随意性问题，有的 用简称有的用全称，有的同一机构会带有多个名称等， 　　作者重名的消解问题一直是科学计量学领域的一 这些都给重名作者的自动化区分工作造成了困难。 ［１］ 个棘手问题 。以姓名“王刚”为例，在ＣＮＫＩ中以“王 　　中文文献题录数据是我们最易获取的文献分析用 刚”为作者名共检索出文献记录２０６０７条，分布在４０ 数据，特别是人文与社会科学，其文章绝大多数发表在 多个学科领域；在百度中检索“王刚”，其中既有演员， 中文期刊，利用中文文献题录数据对我国的人文社科 也有全国政协副主席，还有严重违纪的区委书记等众 研究分析具有重要意义。如利用文献题录数据可以分 多不同身份的人物；在英文文献数据库中，情况则更加 析学科的研究热点和发展趋势，可以掌握科研人员的 复杂，“王刚”、“汪刚”、“王钢”、“王岗”等姓名译成英 研究方向和人员之间的合作状况，为学科专家库的构 文都是ＷａｎｇＧａｎｇ，即使在同一科研机构中重名情况 建以及精准化情报服务提供数据支持。因此，针对中 也非常普遍，因此在信息检索与科学计量中易造成统 文文献题录数据的作者重名消解是进行文献计量分析 计的偏差，对数据的科学性造成诸多影响。 的基础，也是进行有效知识服务的前提，本文主要就此 　　重名现象的出现与我国的姓名特点有极大关系。 问题进行研究。 在我国ＧＢ２３１２－８０汉字编码中一级汉字仅３７５５个， 适用于作为人名使用的不超过２０００个，根据我国命 ２　重名消解研究现状 名习惯，除姓氏外，人名都由单字或两个汉字组成，而 　　重名消解可以归属于自然语言处理中词义的消歧 姓氏在中国的分布很不均匀，据统计，排名前３位的 问题，常用的重名消解方法包括： 聚类法，即通过制 ① 王、李、张三姓人群约占全国总人口的２１％。由于中 定模板自动抽取出人物的上下文信息，建立人物特征 国人名的命名特点，导致其重名比率非常高，在日常生 空间，再利用聚类算法对人物实体进行聚类以达到消 活中重名也是一种非常常见的现象。 歧的目的； 语言模型法，即提前训练好相关的语言模 ② 　　海量文献数据的诞生导致了大量作者重名现象的 型，通过文本计算每个人名属于某个研究主题的概率， 出现，依靠人工标注的方式显然已不能满足需求，虽然 通过设置阈值来确定人名的类别； 基于网络的方法， ③ 利用机构名称可以加以限定，但并不具备通用性，譬如 即在上下文信息有限的情况下，考虑利用人物间的社 同一机构中出现的作者重名情况、机构因合并或撤销 会网络关系进行重名的消解。