Name disambiguation in Aminer:Clustering, Maintenance, and Human in the loop

---

Aminer 是一个免费的在线学术搜索和挖掘系统，已经搜集了超过13亿研究者档案和超过20亿的论文。论文通过结合全局和局部的信息提出了一个新颖的表示学习方法。还提出了一个端到端簇大小估计方法，此方法明显优于传统基于BIC的方法。

这张图是Aminer中作者名消歧框架的概览，本文介绍不包括人类注解反馈的部分。

处理作者名歧义问题主要有两个困难：

1. 如何量化来自不同数据源实体间的相似性

2. 如何确定具有相同姓名的作者的人数

对于第一个问题，论文提出了全局度量(global metric)和局部链接(local linkage)学习算法，就是把每个实体映射到一个低维的潜在公共空间，这样就提供了一种方式来直接计算实体间的相似性。对于确定相同姓名的人数，提出了一个端到端模型使用RNN直接估计数据集中人数(也就是clusters)。

论文related work 部分将ANA方面的论文分类Feature-based和Linkage-based两类，还比较了Cluster size estimation的方法，这里不多做赘述。

论文则是结合了特征和连接来量化相似性，思路如下：首先将文档转换进一个嵌入空间（embedding space），如果两篇文档的作者是同一个人，则在嵌入空间中两篇文档距离相近。在本文的框架中，首先学习一个有监督的全局嵌入函数，然后基于局部环境（local context）为每个候选集改善全局嵌入。

---

首先介绍一下全局度量学习：输入文档D_i被表示为一个不同长度的特征集D_i = {x₁,x₂,...}，其中特征是论文标题，合作者姓名，期刊/会议名，作者机构中的单词。每个特征是一个独热向量。对于每个特征x_n用Word2Vec得到一个嵌入，将文档D_i的特征嵌入定义为，其中α_n是特征x_n的逆文档频率，x_i基于每个单独文档的共现统计捕获特征特征之间的相关性，但其区分不同文档的能力有限，所以需要用标注数据来调整嵌入。

文中的全局模型使用三元组损失：

全局模型图如下：

其中是欧式距离。模型输入X（input document embedding matrix），输出Y（learned global document embedding matrix）

---

介绍完全局模型，下面介绍局部连接学习，首先定义局部连接图，这里说明一下，全局度量学习是在所有名字的所有文档的基础上，而局部连接图是在一个名字的基础上，也就是每个候选集内，对于一个给定的名字，构建一个局部连接图，其中节点为这个名字的文档，边是基于两篇文档的相似性定义的，基于两篇文档的共同特征来衡量相似性，即两篇文档特征集的交集，特征集在全局模型中提到过，将连接权重定义为

w_x是特征x的权重也定义为特征x的逆文档频率。如果W(D_i,D_j)大于一个阈值则构建一条边。本文利用图结构来improve全局嵌入，采用一个无监督的图自动编码器结构来学习局部连接图。gae结构如下：

将两部分连接起来：

这样就得到了可以衡量相似性的论文的embedding。

下面就采用聚类算法来进行聚类得到最终的结果。文中采用HAC聚类算法，但需要指定聚类的数目K，传统的基于BIC的方法虽然不需要指定聚类的数目，但是对于大的数据集来说聚类明显偏少。文中使用RNN来指定聚类数目，结构如下：

由于没有直接的训练数据，所以从标注数据中生成伪训练数据。算法如下：

最后通过优化均方对数误差来训练模型：。

最后放一段唐杰教授对于此论文的评价：今年用表示学习做的关于Name Disambiguation（命名排歧）的工作被KDD接收《Name Disamibiguation in AMiner: Clustering, Maintenance, and Human in the Loop》，NA一直是一个很麻烦的问题，10年前刚毕业不久的时候给学生说，这个题目可以考虑做，30年前就有人在做，30年之后还会有人做。

---

最近关于GNN的工作比较多，可以考虑将gnn应用到局部连接学习中，其实文中的gae的编码层也就是gcn（图卷积神经网络）也属于gnn的范畴。图中权重的定义和图的学习都可以优化一下。