图卷积网络与半监督学习在作者同名消歧中的应用

"本文主要探讨了基于图卷积半监督学习的论文作者同名消歧方法。随着科研文献数量的急剧增长，作者姓名的歧义问题日益突出，这影响了文献检索和学术评价的精确性。尽管存在如ORCID和ResearchID等人名标识系统，但在没有这些标识的情况下，自动化方法成为解决作者消歧的关键。传统的聚类和分类方法，如SVM、层次聚类和谱聚类，曾被用于处理这一问题，但随着深度学习的进步，网络嵌入和卷积神经网络(CNN)等技术逐渐受到关注。 文章提到了图卷积神经网络(GCN)，它在处理具有复杂关系的数据时表现出色，适合于图节点表示学习、分类和边预测等任务。该研究结合GCN和BERT语义表示，旨在融合作者、机构、论文标题和关键词等多元信息，以提升作者与研究成果匹配的准确性。作者将现有的消歧方法分为基于特征的方法和基于连接/图的方法，前者依赖于特征向量的相似性，后者则利用图结构和关系来解决问题。 相关研究中，Zhang等人的工作将消歧策略分为两类，并且Huang等人使用Blocking技术和LASVM进行聚类，而Yoshida等人采用bootstrapping的两阶段方法来逐步改进结果。这些方法虽有一定成效，但随着深度学习技术的发展，尤其是图神经网络的应用，为解决作者同名消歧问题提供了新的可能性。本文提出的GCN半监督学习方法，有望在处理大规模数据集和复杂关系时，更高效地解决作者姓名歧义问题，提高学术领域信息处理的准确性和效率。"