基于多源网络数据的学者重名问题研究.pptVIP

相关实验 开发环境 数据库：MongoDB 编程语言：Python 数据集：Pandasearch数据集 相关实验 利用论文单位信息分类 相关实验 利用论文引用信息归并 论文原文 相关实验 利用论文引用信息归并 原文转换 Adobe Acrobat Professional：速度慢、精度较高、早期文献转换空白 Apache Tika：速度快、精度略低、转换无空白 引用提取 阈值确定 相关实验 训练AdaBoost分类器 训练集与测试集 训练集：65个姓名共787个论文-论文组 测试集：23个姓名共246个论文-论文组 训练错误率 相关实验 ROC曲线 相关实验 算法补充 再次利用合作者信息 结果归并 遍历结果集中的每个论文-论文组： 若论文-论文组的结果为-1，则跳到下一个论文-论文组，否则进行第3步； 在结果集1 中查找论文-论文组的两篇论文，若在同一document 中，则跳到下一个论文-论文组；否则，两个document 合并。 实验效果 测试集正确率：95.93%（论文-论文组） 相关实验 结果对比 决策树：错误率过高 KNN：训练集不均衡 网站应用 论文-姓名 论文-Author_id 修正：反馈机制 目 录 研究背景 相关工作 分层学者重名消歧算法 相关实验 总结与展望 相关实验 研究回顾 针对多源网络数据提出分层学者重名消歧算法 将该算法应用到Pandasearch学术有哪些信誉好的足球投注网站网站 未来工作展望 训练集获取——Active Learning 处理速度——内存数据库 特征选取——更加深入 论文原文较少——爬取后加入 论文 已录取论文： Feiran Huang, Jia Li, Jiaheng Lu, Tok Wang Ling, Zhaoan Dong. “PandaSearch: a Fine-grained Academic SearchEngine for Research Documents.” ICDE, 2015. 已投稿论文 李佳，陆嘉恒.“基于多源网络数据的学者重名问题研究.”NDBC, 2015. 研究生阶段工作 软件著作权 软件名称：面向学术的精准有哪些信誉好的足球投注网站系统软件[简称：CS Search] 著作权人：陆嘉恒；顾向南；夏成银；李佳；裴嘉兴；蔡晓华；李德阳；刘钰；董兆安 登记号：2014SR049788 参与项目情况 863计划课题“开放环境下海量 Web 数据抓取、集成、分析和管理系统平台与应用”：参与学术有哪些信誉好的足球投注网站网站（Pandasearch）的开发、参与项目文档、简报的制作以及各项目组的协调工作、参与知识格提取、负责学者重名消歧的研究 感谢各位老师的指导纠正！ 基于多源网络数据的学者重名问题研究 答 辩 人 ： 李佳 指 导 老 师： 陆嘉恒 教授 专 业： 计算机软件与理论 2015/05/19 目 录 研究背景 相关工作 分层学者重名消歧算法 相关实验 总结与展望 研究背景 学术信息库的兴起 学者重名问题的影响 有哪些信誉好的足球投注网站结果不准确 影响文献计量和成果统计 研究背景 学者重名问题定义 学者同人不同名（synonyms） 学者同名不同人（polysems） 多源网络数据定义 数据来自于多个网站 通过网络爬取获得 多源网络数据的特点 格式各异、错误较多、内容缺失较多 目 录 研究背景 相关工作 分层学者重名消歧算法 相关实验 总结与展望 相关工作 学者重名问题处理方法分类 学者重名 问题 手动处理 自动处理 作者归组 作者分配 作者归组：利用已知参数构造相似度方程,决定是否将相应作者进行聚类 An unsupervised heuristic-based hierarchical method for name disambiguation in bibliographic citations A probabilistic similarity metric for Medline records: A model for author name disambiguation 作者分配：构建代表作者的模型，利用模型，将待确定作者直接分配到已知作者模型中去 OnCU system:ontology-based category utility approach for author name disambiguation Cost-effective on-demand associative author name disambiguation 相关工作 研究现状分析 多针对特定数据集（MEDLINE、DBLP等） 无应对多源网络数据特点的算法 运用的信息越多，精度越准确 算法思