面向科技人才情報(bào)的多策略組合模型同名消歧方法*

劉 林

（ 杭州電子科技大學(xué) 計(jì)算機(jī)學(xué)院，浙江 杭州 310018）

0 引 言

近年來，隨著科技成果轉(zhuǎn)化產(chǎn)業(yè)的發(fā)展，企業(yè)對(duì)科技成果轉(zhuǎn)化的需求日益擴(kuò)大。它們急需尋找到合適的科技人才來解決企業(yè)技術(shù)難題，因此搭建一個(gè)面向企業(yè)的科技人才搜索引擎具有重要的現(xiàn)實(shí)意義。網(wǎng)絡(luò)爬蟲是搜索引擎最重要的數(shù)據(jù)來源。然而，由于數(shù)據(jù)的多源異構(gòu)性，采集的數(shù)據(jù)往往存在一定的噪音，如科技人才的同名歧義現(xiàn)象等。如果對(duì)同名歧義數(shù)據(jù)不做消歧處理，那么將無法保證搜索結(jié)果的準(zhǔn)確性。

當(dāng)前的同名消歧方法主要有以下三種。一是基于向量空間模型的聚類消歧方法，如楊欣欣通過抽取網(wǎng)頁中與人名相關(guān)的特征及命名實(shí)體，利用二階段聚類算法實(shí)現(xiàn)同名消歧[1]；辛濤提出利用待消歧人名的組合特征，通過層次凝聚聚類（Hierarchical Agglomerative Clustering，HAC）算法來實(shí)現(xiàn)同名消歧[2]。二是基于社會(huì)網(wǎng)絡(luò)的聚類消歧方法，如郎君利用檢索結(jié)果中共現(xiàn)人名構(gòu)建社會(huì)網(wǎng)絡(luò)，并結(jié)合譜分割算法和模塊度指標(biāo)進(jìn)行聚類實(shí)現(xiàn)同名消解[3]；2014年，Mohammad-Hossein等人提出的CSLR方法是通過合著者構(gòu)建社會(huì)網(wǎng)絡(luò)，并結(jié)合姓名模糊度因子進(jìn)行聚類實(shí)現(xiàn)同名消歧[4]。三是基于實(shí)體鏈接的消歧方法，如Peng通過計(jì)算待消歧人物文本與知識(shí)庫實(shí)體文本的相似度，實(shí)現(xiàn)實(shí)體鏈接的映射以達(dá)到消歧目的[5]；寧博通過抽取中文維基百科等知識(shí)庫形成實(shí)體對(duì)象，并與待消歧對(duì)象進(jìn)行鏈接以實(shí)現(xiàn)重名消歧[6]。

基于向量空間模型的聚類消歧方法將不同的特征組合在一起，沒有考慮不同特征之間的區(qū)分度問題?；谏鐣?huì)網(wǎng)絡(luò)的聚類消歧方法僅使用了人名的社會(huì)關(guān)系特性，適用性一般?；趯?shí)體鏈接的消歧方法對(duì)知識(shí)庫信息的完整性要求過高。此外，以上的同名消歧方法，初始條件只有人名這單一信息，消歧外延過大。為此，本文通過工作單位這一具有高區(qū)分度的特征來縮小消歧外延，將同名消歧問題具體化到姓名相同、單位不同的科技人才歧義消解問題上，并利用科技人才的成果信息（包括學(xué)術(shù)論文、專利和科研項(xiàng)目）組合多個(gè)消歧策略，提出了一種基于多策略組合模型（Combination Model of Multi-Strategy，CMMS）的消歧方法。

1 流程框架及數(shù)據(jù)準(zhǔn)備

為了搭建科技人才搜索引擎，本文利用分布式爬蟲技術(shù)從互聯(lián)網(wǎng)上采集海量的科技成果，包括學(xué)術(shù)論文、專利和科研項(xiàng)目，并從中提取作者、負(fù)責(zé)人及其工作單位等信息，經(jīng)過必要的數(shù)據(jù)預(yù)處理形成待消歧數(shù)據(jù)集。同時(shí)，將采集的科技成果進(jìn)行向量化表示，以便后續(xù)計(jì)算成果相似度時(shí)使用。另外，從高校和科研院所官方網(wǎng)站采集科技人才信息，構(gòu)建科技人才知識(shí)庫。整個(gè)流程框架如圖1所示。

圖1 流程框架

1.1 數(shù)據(jù)預(yù)處理

從科技成果中提取作者或負(fù)責(zé)人的工作單位后發(fā)現(xiàn)，關(guān)于單位信息有很多噪音。

一種情況是單位之間具有包含關(guān)系，如從專利《一種基于文檔評(píng)分模型和相關(guān)度的學(xué)術(shù)論文搜索排序方法》（申請(qǐng)?zhí)枺篊N201710461109.9）中抽取得到科研人才徐小良的工作單位是杭州電子科技大學(xué)，從學(xué)術(shù)論文《基于RSS空間線性相關(guān)的WLAN位置指紋定位算法》中抽取得到科技人才徐小良的工作單位是杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院。針對(duì)此種情況，直接依據(jù)單位之間的包含關(guān)系進(jìn)行消歧，認(rèn)為他們屬于同一個(gè)現(xiàn)實(shí)實(shí)體。

另一種情況是工作單位出現(xiàn)曾用名。由于時(shí)代的發(fā)展，很多高校和科研院所都存在改名或合并的情況。如果一位科技人才在某一個(gè)單位工作的時(shí)間較長，且在該單位改名前后都有成果發(fā)表，那么從成果中提取科技人才時(shí)就會(huì)出現(xiàn)錯(cuò)誤。比如，從科技成果中可以提取到“嚴(yán)義，杭州電子工業(yè)學(xué)院”和“嚴(yán)義，杭州電子科技大學(xué)”。實(shí)際上，杭州電子工業(yè)學(xué)院在2004年改名為杭州電子科技大學(xué)。為了避免這種情況的發(fā)生，本文利用分布式爬蟲技術(shù)采集現(xiàn)有的高校和科研院所名單及其改名或合并信息，并對(duì)抽取得到的科技人才的工作單位進(jìn)行規(guī)范化處理，一律使用現(xiàn)用名替代曾用名。這也屬于一種同名消歧的方法。

1.2 成果向量化表示

為了計(jì)算科技成果之間的相似度，需要將它們進(jìn)行向量化表示。本文采用詞向量模型Word2vec表示科研人才的成果。首先，通過海量的語料庫訓(xùn)練詞向量；其次，構(gòu)建語義化的科技成果向量；最后，計(jì)算成果之間的相似度，用于同名消歧。

成果向量化表示的具體步驟如下。

（1）構(gòu)建語料庫。語料庫由學(xué)術(shù)論文、專利和科研項(xiàng)目三項(xiàng)成果組成。鑒于每一種成果都有很多屬性，只選取強(qiáng)特征屬性。因此，選取了學(xué)術(shù)論文的標(biāo)題、摘要和關(guān)鍵詞3個(gè)屬性，選取了專利的標(biāo)題和摘要2個(gè)屬性，選取了科研項(xiàng)目的標(biāo)題、中文摘要和中文主題詞3個(gè)屬性。選好屬性后，將屬性的內(nèi)容以字符串拼接的形式構(gòu)成一段文本，該段文本就表示一項(xiàng)成果，從而形成了一個(gè)大型的語料庫。

（2）處理語料庫。訓(xùn)練詞向量前，需要對(duì)語料庫進(jìn)行分詞、過濾停用詞和提取特征詞的處理。準(zhǔn)確的分詞需要高效的分詞算法和高質(zhì)量的詞庫。結(jié)巴分詞滿足了需求，是目前最好的Python中文分詞工具包，分詞準(zhǔn)確、運(yùn)行速度快且占用資源少[7]。中文中有許多使用廣泛但實(shí)際意義不大的詞，如“的”“了”和“這”等，被稱為停用詞（Stop Words）。分詞時(shí)，需要將這些停用詞過濾掉。對(duì)于這類停用詞，網(wǎng)絡(luò)上有許多公開的停用詞庫，如哈工大停用詞庫、百度停用詞庫等。在成果文本中，還有很多類似“基于”“研究”“提出”和“方法”等高頻詞。這些詞不僅不能反映成果文本的特征，還影響語義表達(dá)的準(zhǔn)確性，因此分詞時(shí)也需要剔除。剔除這類詞可以構(gòu)建自定義的停用詞庫來完成。經(jīng)過公開的停用詞庫和自定義的停用詞庫過濾后，將得到處理后的分詞結(jié)果。同時(shí)，本文通過提取科技成果的關(guān)鍵詞或主題詞構(gòu)建科技領(lǐng)域詞典，用該科技詞典來進(jìn)行成果的特征詞提取。

（3）訓(xùn)練詞向量。語料庫處理完成后，可以訓(xùn)練詞向量。本文采用Google開源的詞向量表示工具Word2vec，并選擇CBOW模型訓(xùn)練語料庫，設(shè)置詞向量的維度為300維，最后輸出詞向量文件。

（4）生成成果向量。將每項(xiàng)成果的所有特征詞所對(duì)應(yīng)的詞向量相加，就得到了該項(xiàng)成果的向量表示。最終得到的成果向量如圖2所示。

圖2 成果向量

2 基于多策略組合模型的科技人才消歧方法

如上所述，本文的消歧對(duì)象是姓名相同、單位不同的科技人才。由于數(shù)據(jù)的多源異構(gòu)性，通過網(wǎng)絡(luò)爬蟲采集的科技人才難免會(huì)出現(xiàn)同名歧義的問題。為了解決這一問題，本文在已采集的科研人才信息基礎(chǔ)上，通過組合多個(gè)策略構(gòu)建決策模型，以對(duì)姓名相同、單位不同的科技人才進(jìn)行消歧，即多策略組合模型（Combination Model of Multi-Strategy，CMMS）。所考慮的消歧策略包括實(shí)體鏈接、成果時(shí)間窗、成果合著者和成果相似度。為了便于描述，設(shè)兩個(gè)姓名相同、單位不同的科研人才分別為 P1和 P2。

2.1 基于實(shí)體鏈接的消歧策略

實(shí)體鏈接消歧策略是一種將待消歧對(duì)象與現(xiàn)實(shí)世界中的實(shí)體進(jìn)行匹配鏈接以達(dá)到消歧目的的方法[8]。該方法的重點(diǎn)和難點(diǎn)是構(gòu)建現(xiàn)實(shí)世界實(shí)體對(duì)象的知識(shí)庫。本文采用分布式爬蟲技術(shù)，從高校和科研院所官方網(wǎng)站采集科技人才信息構(gòu)建科技人才知識(shí)庫，并以月為周期進(jìn)行更新和增量采集，確保構(gòu)建的知識(shí)庫信息及時(shí)準(zhǔn)確。

本文的初始條件是已知待消歧對(duì)象的姓名和工作單位，因此在進(jìn)行實(shí)體鏈接時(shí)，只需要對(duì)姓名和工作單位進(jìn)行匹配即可。

判斷規(guī)則如下：

（1）若P1與知識(shí)庫中的的姓名和單位相匹配，則認(rèn)為是P1的實(shí)體鏈接；若P2與知識(shí)庫中的的姓名和單位相匹配，則認(rèn)為是 P2的實(shí)體鏈接。因?yàn)楹褪遣煌膶?shí)體，所以認(rèn)為P1和P2是不同的人。

（2）當(dāng)P1和P2中只要有一個(gè)沒有實(shí)體連接，則無法判斷P1和P2是否為同一人，需要進(jìn)一步利用其他策略進(jìn)行判斷。

該策略是一個(gè)很好的消歧策略，能直截了當(dāng)?shù)貙?shí)現(xiàn)一些待消歧對(duì)象的消歧。但是，科技人才的范疇十分廣泛。高校和科研院所的工作人員只是科技人才的一部分，企業(yè)和其他機(jī)構(gòu)同樣擁有大量的科技人才。由于隱私性等原因，采集這些科技人才的信息十分困難。因此，該策略的局限性顯而易見，其消歧效果直接受知識(shí)庫數(shù)據(jù)規(guī)模的影響。

圖3 成果時(shí)間窗之間的關(guān)系

2.2 基于成果時(shí)間窗的消歧策略

成果時(shí)間集是指一個(gè)科技人才已取得的所有科技成果的年份的集合。將這些年份數(shù)字按照從小到大進(jìn)行排序，選取最早和最晚的年份作為端點(diǎn)，將端點(diǎn)及其內(nèi)部的所有年份構(gòu)成的年份窗口叫作成果時(shí)間窗。具體地，對(duì)于學(xué)術(shù)論文，選取該論文被出版的刊期年份；對(duì)于專利，選取專利的公開日年份；對(duì)于科研項(xiàng)目，選取項(xiàng)目的實(shí)施年份。

任何兩個(gè)科技人才的成果時(shí)間窗都具有相離、相交、包含三種關(guān)系，如圖3所示。

現(xiàn)實(shí)世界中，一個(gè)科技人才在某一時(shí)間段內(nèi)只能擁有一個(gè)正式的工作單位。科技人才在工作單位所取得的成果歸單位所有。因此，可以根據(jù)科技人才所取得的成果的時(shí)間窗來判斷兩個(gè)姓名相同單位不同的科技人才在現(xiàn)實(shí)世界中是否為同一個(gè)人。

設(shè)P1和P2的成果時(shí)間窗分別為ATW1和ATW2，判斷規(guī)則如下。

（1）若ATW1和ATW2交集的元素個(gè)數(shù)大于2，則認(rèn)為P1和P2不可能為同一個(gè)人，即P1和P2是兩個(gè)人。

（2）若ATW1和ATW2交集的元素的個(gè)數(shù)小于或等于2，則無法判斷P1和P2是否為同一個(gè)人，需要利用其他策略進(jìn)行判斷。

該策略利用了科技人才成果時(shí)間窗的互斥屬性來實(shí)現(xiàn)排歧，但是它無法消除工作單位發(fā)生變動(dòng)的同名科技人才的歧義問題。

2.3 基于成果合著者的消歧策略

人們?cè)谶M(jìn)行科研活動(dòng)時(shí)，往往以課題組或科研團(tuán)隊(duì)的形式進(jìn)行。這種形式在科技成果上的表現(xiàn)就是一項(xiàng)科技成果有多個(gè)參與者。從待消歧對(duì)象的科技成果中抽取成果合著者，構(gòu)成成果合著者集合。具體實(shí)現(xiàn)時(shí)，將使用二層合著者關(guān)系挖掘合著者，如圖4所示。

圖4 二層成果合著者

設(shè)P1的直接合著者構(gòu)成的集合為A，二層合著者構(gòu)成的集合為A'，P2的直接合著者構(gòu)成的集合為B，二層合著者構(gòu)成的集合為B'，判斷規(guī)則如下：

（1）只要 A∩ B、A ∩ B'、A'∩ B、A'∩ B'有一個(gè)不為空集，即P1和P2有成果合著者，則認(rèn)為P1和P2是同一個(gè)人。

（2）若 A ∩B、A ∩B'、A'∩ B、A'∩ B'都為空集，則無法判斷P1和P2是否為同一個(gè)人，需要利用其他策略進(jìn)行判斷。

該策略依據(jù)“物以類聚，人以群分”的思想，通過待消歧對(duì)象的學(xué)術(shù)網(wǎng)絡(luò)實(shí)現(xiàn)消歧。然而，它僅僅利用了關(guān)系網(wǎng)絡(luò)這單一屬性，消歧效果并不顯著。

2.4 基于成果相似度的消歧策略

通常情況下，一個(gè)科技人才的研究方向會(huì)隨著時(shí)代的發(fā)展發(fā)生一些變化，但是其研究領(lǐng)域是不會(huì)發(fā)生重大變化的。比如，從建筑領(lǐng)域轉(zhuǎn)到醫(yī)療領(lǐng)域，概率是極低的，可以認(rèn)為幾乎不可能?；谝陨系默F(xiàn)實(shí)情況可以認(rèn)為，一個(gè)科技人才在其成果時(shí)間窗內(nèi)所取得的成果都是屬于某一個(gè)研究領(lǐng)域的，即其成果具有很高的相似度。根據(jù)這個(gè)結(jié)論，可以通過計(jì)算兩個(gè)姓名相同、單位不同的科技人才的成果相似度來進(jìn)行消歧。

為了計(jì)算成果之間的相似度，首先需要將成果進(jìn)行向量化表示。本文采用詞向量模型Word2vec表示科研人才的成果。成果向量化表示后，采用余弦相似度來計(jì)算成果之間的相似度。設(shè)P1和P2的成果集分別為 AC1=(x1,…,xi,…,xm)和 AC2=(y1,…,yj,…,yn)，其中m、n表示成果的個(gè)數(shù)。兩個(gè)成果xi、yj之間的相似度計(jì)算公式為：

將兩個(gè)成果集AC1和AC2中所有的成果之間的相似度計(jì)算完成后，取所有相似度的平均值作為兩個(gè)成果集之間的相似度，即：

然后，通過設(shè)定的相似度閾值θ可以進(jìn)行判斷了，具體規(guī)則如下：

（1）若sim(AC1,AC2)≥θ，則認(rèn)為P1和P2是同一個(gè)人；

（2）若sim(AC1,AC2)＜θ，則認(rèn)為P1和P2是兩個(gè)人。

該策略利用科技人才的研究領(lǐng)域具有極強(qiáng)的固定性這一現(xiàn)象將其成果向量化表示。運(yùn)用計(jì)算成果之間的相似度來實(shí)現(xiàn)消歧，其消歧的準(zhǔn)確性直接依賴于相似度閾值的設(shè)定。

2.5 多策略組合模型消歧方法

前面分別介紹了基于實(shí)體鏈接、成果時(shí)間窗、成果合著者和成果相似度的消歧策略。然而，每個(gè)策略都有其局限性：基于實(shí)體鏈接的消歧策略的效果依賴于知識(shí)庫的數(shù)據(jù)規(guī)模；基于成果時(shí)間窗的消歧策略無法實(shí)現(xiàn)對(duì)工作單位發(fā)生變動(dòng)的同名科技人才進(jìn)行消歧；基于成果合著者的消歧策略效果一般；基于成果相似度的消歧策略的準(zhǔn)確性取決于相似度閾值的設(shè)定。鑒于上述原因，將以上的4種消歧策略進(jìn)行組合，提出了多策略組合模型CMMS的消歧方法，其組合形式如圖5所示。

圖5 多策略組合模型組織形式

當(dāng)對(duì)兩個(gè)姓名相同、單位不同的科研人才P1和P2進(jìn)行消歧時(shí)，首先將他們與科技人才知識(shí)庫進(jìn)行匹配。若在知識(shí)庫中找到了他們的實(shí)體鏈接，則可以判定P1和P2屬于兩個(gè)不同的實(shí)體；若沒有匹配到實(shí)體鏈接，則判斷他們的成果時(shí)間窗的交集是否大于2。若大于2，則判定他們屬于兩個(gè)實(shí)體；若不大于2，則判斷他們有無成果合著者。若有成果合著者，則認(rèn)為P1和P2是同一個(gè)實(shí)體；否則，利用成果相似度來消歧。若成果相似度小于θ，判定他們屬于不同的實(shí)體；若成果相似度不小于θ，判定他們屬于同一實(shí)體。

然而，姓名相同、單位不同的科技人才往往有很多，將單位不同的某一姓名的科技人才構(gòu)成的集合稱為該姓名所對(duì)應(yīng)的偽集合。之所以稱為偽集合，是因?yàn)榧侠锩娴脑乜赡苤貜?fù)。不妨設(shè)該偽集合的元素個(gè)數(shù)為n。那么，消歧將擴(kuò)展為對(duì)n個(gè)姓名相同、單位不同的科技人才的消歧。

消歧過程實(shí)際上就轉(zhuǎn)化為：

（1）從偽集合中任選兩個(gè)元素Pi和Pj，通過模型進(jìn)行判斷；

（2）若Pi和Pj為同一個(gè)人，則將他們合并，偽集合的元素個(gè)數(shù)變?yōu)閚-1；重復(fù)步驟（1），直至所有的元素之間都通過模型進(jìn)行了判斷；

（3）若Pi和Pj為兩個(gè)人，則將偽集合裂變成兩個(gè)子偽集合，重復(fù)步驟（1），直至所有的元素之間都通過模型進(jìn)行了判斷。

根據(jù)排列組合原理，很容易得到進(jìn)行判斷的次數(shù)在n-1到Cn2之間。

3 實(shí)驗(yàn)設(shè)計(jì)及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來源于第2章所述的待消歧數(shù)據(jù)集。由于數(shù)據(jù)量巨大，本文選取10個(gè)姓名所對(duì)應(yīng)的偽集合作為實(shí)驗(yàn)數(shù)據(jù)并進(jìn)行了人工消歧，數(shù)據(jù)如表1所示。同時(shí)，將消歧過程中未與其他待消歧對(duì)象合并的對(duì)象稱為獨(dú)立實(shí)體，與其他待消歧對(duì)象合并的對(duì)象稱為非獨(dú)立實(shí)體。例如，在消歧前偽集合為（A，B，C），消歧后的結(jié)果為（A，BC），則稱A為獨(dú)立實(shí)體，B和C為非獨(dú)立實(shí)體。

表1 實(shí)驗(yàn)數(shù)據(jù)

3.2 評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)采用實(shí)體消歧方法中最常用的查準(zhǔn)率P、召回率R和綜合評(píng)價(jià)指標(biāo)F1作為評(píng)價(jià)指標(biāo)。針對(duì)一個(gè)偽集合，設(shè)TP表示被消歧模型判定為獨(dú)立實(shí)體且實(shí)際上也是獨(dú)立實(shí)體的個(gè)數(shù)，F(xiàn)P表示被消歧模型判定為獨(dú)立實(shí)體而實(shí)際上卻是非獨(dú)立實(shí)體的個(gè)數(shù)，TN表示被模型判定為非獨(dú)立實(shí)體且實(shí)際上也是非獨(dú)立實(shí)體的個(gè)數(shù)，F(xiàn)N表示被消歧模型判定為非獨(dú)立實(shí)體而實(shí)際上卻是獨(dú)立實(shí)體的個(gè)數(shù)。

評(píng)價(jià)指標(biāo)的計(jì)算公式如下：

式（3）、式（4）和式（5）中，P表示查準(zhǔn)率，R表示召回率，F(xiàn)1是結(jié)合查準(zhǔn)率和召回率的綜合評(píng)價(jià)指標(biāo)。

3.3 實(shí)驗(yàn)分析

本文從兩個(gè)角度對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析：一是相似度閾值θ的設(shè)定；二是將本文提出的多策略組合模型與基于成果聚類的消歧方法Word2vec+HAC及文獻(xiàn)[4]中提出的CSLR方法在實(shí)驗(yàn)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)。其中，Word2vec+HAC利用基于Python平臺(tái)的scikit-learn機(jī)器學(xué)習(xí)包實(shí)現(xiàn)，CLSR方法根據(jù)文獻(xiàn)[4]中提供的下載程序?qū)崿F(xiàn)。

3.3.1 相似度閾值θ的設(shè)定

使用表1中的實(shí)驗(yàn)數(shù)據(jù)，完成對(duì)相似度閾值的設(shè)定。通過枚舉法對(duì)成果向量之間的夾角β從15°到75°、步長為5°進(jìn)行實(shí)驗(yàn)。結(jié)果如表2所示，其中P值、R值和F1值都表示平均值。

表2 實(shí)驗(yàn)結(jié)果

可以看出，當(dāng)相似度的閾值在0.50～0.57時(shí)，P值、R值和F1值較好。當(dāng)相似度閾值很大時(shí)，只有兩個(gè)待消歧對(duì)象的成果非常相似時(shí)，模型才會(huì)判定他們屬于同一實(shí)體。然而，如果一個(gè)科技人才從事科技活動(dòng)的時(shí)間很長，雖然其研究領(lǐng)域幾乎不會(huì)發(fā)生重大轉(zhuǎn)變，但是其研究方向會(huì)隨著時(shí)代發(fā)生相應(yīng)變化，這樣就會(huì)導(dǎo)致本應(yīng)該合并的消歧對(duì)象沒有合并。當(dāng)相似度閾值設(shè)置很小時(shí)，雖然能避免上述情況，但往往又會(huì)造成過度合并的情況。因此，在后面的實(shí)驗(yàn)中，將相似度閾值設(shè)定為0.50和0.57的平均值，即0.535。

3.3.2 CMMS與其他兩種方法的對(duì)比實(shí)驗(yàn)

將本文的CMMS方法與Word2vec+HAC方法和CLSR方法進(jìn)行對(duì)比實(shí)驗(yàn)。其中，Word2vec+HAC使用基于Python平臺(tái)的scikit-learn機(jī)器學(xué)習(xí)包實(shí)現(xiàn)，CLSR方法根據(jù)文獻(xiàn)[4]中提供的下載程序?qū)崿F(xiàn)，實(shí)驗(yàn)結(jié)果如表3所示。為了更直觀顯示實(shí)驗(yàn)效果，使用柱狀圖進(jìn)行表示，如圖6所示。

可知，CMMS方法的平均查準(zhǔn)率、平均召回率和平均F1值都優(yōu)于其他兩種方法。Word2vec+HAC和CSLR方法的三項(xiàng)評(píng)價(jià)指標(biāo)較為接近。

表3 實(shí)驗(yàn)結(jié)果

圖6 實(shí)驗(yàn)結(jié)果柱狀圖

4 結(jié) 語

針對(duì)目前同名消歧方法只考慮單一策略且消歧外延過大的問題，本文通過工作單位這一具有高區(qū)分度的特征來縮小消歧外延，將同名消歧問題具體化到姓名相同、單位不同的科技人才歧義消解問題上，并利用科技人才的成果信息，組合了實(shí)體鏈接、成果時(shí)間窗、成果合著者和成果相似度四個(gè)消歧策略，提出了一種基于多策略組合模型的消歧方法。實(shí)驗(yàn)結(jié)果表明，該方法取得了較好的同名消歧效果。同時(shí)，在實(shí)驗(yàn)過程中發(fā)現(xiàn)，知識(shí)庫在消歧中的作用很大，可以保障準(zhǔn)確度。因此，如何找到更高效的方法來豐富和擴(kuò)充知識(shí)庫以提高消歧效率，值得進(jìn)一步研究。