個(gè)人自動信息抽取

作者首先通過擴(kuò)展“朋友之友（FOAF）”來定義研究者檔案，包含研究者的基本信息（如研究者的名字、照片、職位、工作單位等），研究者的聯(lián)系信息（如研究者的電話、傳真、通訊地址、Email 等），研究者的教育經(jīng)歷（如畢業(yè)學(xué)校、獲得學(xué)位的時(shí)間、每個(gè)階段所學(xué)專業(yè)以及所發(fā)表的論文）。

研究者個(gè)人信息抽取分三步：相關(guān)頁面識別、預(yù)處理和信息提取。

在相關(guān)的頁面識別中，對于每個(gè)研究者，通過 Google 搜索引擎的 API 獲得網(wǎng)頁列表，并判斷是否是研究者的主頁或者包含了較多的研究者個(gè)人信息的介紹性網(wǎng)頁。然后，使用支持向量機(jī)（SVM）作為分類模型對網(wǎng)頁內(nèi)容進(jìn)行分類處理。

在預(yù)處理中，將文本進(jìn)行標(biāo)記處理，系統(tǒng)利用條件隨機(jī)場（CRF）作為標(biāo)記模型，來確定最可能的對應(yīng)標(biāo)記序列，每個(gè)標(biāo)簽對應(yīng)一個(gè)定義的屬性。

作者使用規(guī)則歸納模型算法和SVM模型方法作為概要文件提取的基準(zhǔn)，通過研究每種特征類型在研究者檔案提取中的作用，發(fā)現(xiàn)僅使用一種類型的功能無法獲得準(zhǔn)確的性能分析結(jié)果。

圖2 ：研究者個(gè)人主頁和理想的標(biāo)注結(jié)果

圖2中的左側(cè)給出了一個(gè)典型的研究者個(gè)人主頁，其中包含研究者的姓名、照片、通信地址、Email地址、教育經(jīng)歷等信息，圖的右側(cè)顯示了最終想要的理想的標(biāo)注結(jié)果。

分析數(shù)據(jù)發(fā)現(xiàn)，個(gè)人信息的各個(gè)屬性之間有依賴關(guān)系，而且有的屬性之間有很強(qiáng)的依賴關(guān)系。

研究者重名排歧

對于網(wǎng)絡(luò)上不勝其數(shù)的同名作者，如何精確的定位一位作者成為一大難點(diǎn)，同名作者文章的排歧工作面臨每篇文章信息量有限和作者相關(guān)描述不確定性強(qiáng)的難點(diǎn)。
之前的研究工作中，采用監(jiān)督學(xué)習(xí)算法對每個(gè)排歧目標(biāo)的數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，這種方法可擴(kuò)展性差；無監(jiān)督學(xué)習(xí)方法受到可利用信息量的限制，排歧效果不太強(qiáng)。

針對這些問題，作者在文中提出了一個(gè)基于隱馬爾可夫隨機(jī)場（HMRF）的概率框架，該框架可以捕獲每篇論文之間的依賴關(guān)系，從而更加靈活地將各種知識以約束的形式放到算法中，從而很好地利用各種指導(dǎo)和數(shù)據(jù)來提高重名排歧的精度。

具體而言，利用隱馬爾可夫隨機(jī)場理論構(gòu)造目標(biāo)函數(shù)，將整個(gè)問題轉(zhuǎn)化為最小化目標(biāo)函數(shù)問題。目標(biāo)函數(shù)主要包含兩個(gè)部分：

一是聚類的每個(gè)類別中數(shù)據(jù)點(diǎn)之間的距離，用來衡量每個(gè)聚類結(jié)果的緊密程度；

二是當(dāng)前聚類結(jié)果所違背的所有約束的懲罰值之和。

整個(gè)算法的目標(biāo)是找到內(nèi)部緊密而且盡量少違背約束的聚類結(jié)果，來作為同名排歧的結(jié)果。作者在文中通過大量的實(shí)驗(yàn)數(shù)據(jù)，證明這一方法在消除重名方面明顯優(yōu)于傳統(tǒng)方法。

圖3 ：一個(gè)重名排岐的實(shí)例

圖 3 給出了一個(gè)重名排岐的實(shí)例。圖中每個(gè)點(diǎn)表示一篇論文，每條有向邊表示兩篇論文之間的不同類型的關(guān)系，這些關(guān)系即可以轉(zhuǎn)化為上述約束。兩個(gè)點(diǎn)之間的距離反應(yīng)了它們在內(nèi)容上相似度。實(shí)線框表示論文屬于同一個(gè)作者（聚類類別）。

從圖中可以非常直觀地看出，僅根據(jù)內(nèi)容相似度不能取得很好的聚類效果，但是不同類型的關(guān)系對于區(qū)分不同的作者非常有效。例如，根據(jù)節(jié)點(diǎn)3和8之間的合作關(guān)系，很容易將它們分配到同一個(gè)類別。

異質(zhì)網(wǎng)絡(luò)建模

學(xué)術(shù)網(wǎng)絡(luò)建模對于任何搜索或建議任務(wù)都是至關(guān)重要的。傳統(tǒng)上，信息通常是基于“詞袋（BOW）”模型來表示的。

AMiner 提供的核心服務(wù)是專家搜索，即根據(jù)用戶查詢的話題找出在相關(guān)領(lǐng)域的權(quán)威專家。因此，僅僅依靠關(guān)鍵詞進(jìn)行專家匹配，幾乎無法返回有效的結(jié)果。而如果我們知道自然語言處理領(lǐng)域的權(quán)威會議是“ACL”等，根據(jù)研究者發(fā)表的會議信息，就可以很容易判斷出他是否是該領(lǐng)域的權(quán)威專家。

因此，作者提出了一個(gè)統(tǒng)一的主題模型 ACT，同時(shí)對研究者論文、作者和會議的主題進(jìn)行分布建模，設(shè)計(jì)了一種可以有效地利用學(xué)術(shù)網(wǎng)絡(luò)的異質(zhì)實(shí)體與關(guān)聯(lián)信息，來發(fā)現(xiàn)領(lǐng)域內(nèi)專家方法。

文章提出主題模型 ACT 對研究者異質(zhì)信息網(wǎng)絡(luò)統(tǒng)一進(jìn)行建模，從中估計(jì)出不同類型的實(shí)體，包括研究者、會議、關(guān)鍵詞以及論文在不同隱含話題上的概率分布。

圖4 構(gòu)建話題模型生成研究者異構(gòu)信息網(wǎng)絡(luò)

ACT1 模型：每位作者與主題上的多項(xiàng)式分布相關(guān)聯(lián)，并且論文中的每個(gè)單詞和會議標(biāo)記都是從抽樣的主題中生成的。

ACT2 模型：每個(gè)“作者－會議”對都與主題上的多項(xiàng)式分布相關(guān)聯(lián)，然后從采樣的主題中生成每個(gè)單詞。

ACT3 模型：每位作者都與一個(gè)主題分布相關(guān)聯(lián)，并且在為論文中的所有單詞標(biāo)記采樣主題之后，生成會議標(biāo)記。

有了這些概率分布，當(dāng)用戶給定一個(gè)查詢詞，就可以推斷與之概率分布相近的專家，進(jìn)而還可以推斷出相關(guān)的會議和論文等異構(gòu)網(wǎng)絡(luò)中存在的各種實(shí)體類型。