BriefGPT - AI 论文速递
·
AMOR：歧义作者顺序
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文探讨了数字图书馆中作者名称歧义的问题，提出了一种基于神经网络的方法，通过共同作者和研究领域的关系来识别同名作者。研究表明，该方法在大型数据集上有效，提高了同名作者的辨识率，并解决了隐私问题。
🎯
关键要点
-
本文提出在数字图书馆中解决作者名称歧义（ANA）的问题。
-
使用的数据集包含来自 DBLP 仓库的超过 500 万条记录，由大约 260 万位共同作者撰写。
-
方法通过将具有相同姓和同名首字母的作者分组，利用共同作者和研究领域的关系来确定作者身份。
-
采用神经网络模型学习共同作者和标题的表示，经过广泛实验验证了方法的有效性。
-
研究表明，多作者论文的作者贡献随作者排名的变化而变化，并根据作者作用的性质将作者排名和角色分为三种类型。
-
提出的 AO 方法 ALISON 在隐私研究中表现出更好的混淆效果，减少训练和混淆时间，同时保持原始文本的意义。
-
通过社区检测等方法对同名作者出版物进行聚类，提高同名作者辨识率，结果显示该方法对大部分作者有效，但需优化常见同名作者的情况。
❓
延伸问答
如何解决数字图书馆中的作者名称歧义问题？
通过将具有相同姓和同名首字母的作者分组，利用共同作者和研究领域的关系来确定作者身份。
该研究使用了什么样的数据集？
使用的数据集包含来自 DBLP 仓库的超过 500 万条记录，由大约 260 万位共同作者撰写。
研究中提出的神经网络模型有什么特点？
该模型学习共同作者和标题的表示，并经过广泛实验验证了其有效性。
多作者论文中作者贡献如何变化？
多作者论文的作者贡献随作者排名的变化而变化，并根据作者作用的性质分为三种类型。
ALISON方法在隐私研究中表现如何？
ALISON方法在隐私研究中表现出更好的混淆效果，减少训练和混淆时间，同时保持原始文本的意义。
该研究对同名作者的辨识率有什么影响？
通过社区检测等方法对同名作者出版物进行聚类，提高了同名作者的辨识率，但需优化常见同名作者的情况。
🏷️
