定义1异质网络 定义异质网络G=(V, E, N, R), 其中, 每个节点v∈ V都与一个节点类型映射函数ϕ (v):V→ N关联, 而每个关系e∈ E都与一个关系类型映射函数ϕ (e):E→ R关联.这说明G有多个节点类型和关系类型, 即|N|+|R|> 2.

定义2加权异质网络 加权异质网络G_w=(V, E, N, R)为每个关系都带有权重的异构网络, 对于每个关系e∈ E, |e|表示权重值.

定义3论文异质网络 本文构造的论文异质网络(PHNet)可看作是一种特殊的加权异构网络, 具有一种节点和三种关系.对于每个歧义名字a, PHNet可表示为G_a=(V, E, R).如图1所示, 每个论文都表示为PHNet中单个节点.

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 论文异质网络示意图Fig.1 Sketch map of heterogeneous network

网络的关系集合R包括CoAuthor(A)、CoOrg(O)、CoTitle(T), 分别表示论文之间的3种无向关系, 具体定义如下:

1)CoAuthor.每篇论文有一个作者列表, 由多个作者共同创作.对于任何要消除歧义的作者名称a, 假设它的2篇论文为 p1a、 p2a, 分别有作者集合的A₁、A₂.使用 A1*表示为A₁除去作者a, 即 A1*=A₁-a.如果 A1*∩ A2*≠ Ø , p1a和 p2q之间存在CoAuthor关系.CoAuthor关系的权值为| A1*- A2*|.

2)CoTitle.标题总是包含大量的主题词, 用于概括论文的主要内容.对于每篇论文p_i的标题, 首先去掉停用词, 然后将每个词转换为词干, 标题被处理成一个词集T_i.2篇论文p₁、p₂, 如果 T₁∩ T₂≠ Ø , p1a、 p2a之间存在CoTitle关系.CoTitle关系的权值为|T₁-T₂|.

3)CoOrg.论文的共同作者所属机构名称经过如标题一样处理后得到词集O₁、O₂, 如果O₁∩ O₂≠ Ø , p₁、p₂之间存在CoOrg关系.CoOrg关系的权值为|O₁-O₂|.

论文的其它属性如果可用, 也可在PHNet中使用.考虑到一些数据库可能存有隶属关系、引文等信息不可用或不完整, 特别是隶属关系信息通常存在同义词^[31]问题, 难以清理, 本文仅使用上述3个常见属性.除有歧义的名称a之外, 用于构造PHNet论文的属性可能也有歧义.例如, 如果2篇论文由a合著, 在同一时间, 它们都有另一个作者b, 这2个作者b实际上是2个不同的人.但根据经验, 这种巧合发生的概率非常小, 可忽略这些噪声对下游模型训练的影响.

在一个PHNet中, 2个节点p_i、p_j可通过多个无向关系连接.这些关系连接的节点序列可看作是p_i到p_j的一条路径.例如, 在图1中, p₁和p₃之间有一个路径

这意味着p₃、p₁的作者所写的另一篇论文有相同的标题词.

定义4元路径 在异质网络G=(V, E, N, R)中, 元路径定义为路径的形式为

其中, r_i∈ R, n_i∈ N, 关系序列r=r₁☉r₂☉…☉r_l表示复合关系, 包括类型r₁到类型r_l的关系集合.

例如, 设计元路径的组成关系:

r=CoAuthor☉CoTitle☉CoOrg.

在PHNet中, 如图2所示, 基于r生成一条路径

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 基于元路径随机游走生成的路径集Fig.2 Path set generated by random walk of metapath

定义5姓名消歧问题 对于要消除歧义的作者姓名a, 定义D^a={ p1a, p2a, …, pma}为作者a合著的m篇论文集合, 其中 pia指作者a的第i篇论文.

每篇论文都包含诸如作者列表、标题、机构(如研究所或学校)等属性.假设命名为a的不同作者数量为K^a, 本文目标是通过使用这些论文的属性信息自动将它们区分为不同的作者实体, 即希望将D^a中的论文聚类到K^a个不相交的集群

C^a={ C1a, C2a, …, Cka}.

因此, 同一集群中的所有论文由同一个人撰写, 不同集群中的每两篇论文都有姓名为a的作者.

任意一个需要消歧的作者名字, 抽取其所属的全部论文之间的关系, 构建论文异质网络.这个异质网络包含一种类型的节点(论文(每篇论文表示一个节点))和3种类型的边(CoAuthor, CoOrg, CoTitle).

CoAuthor表示2个论文之间有共同作者(不包含待消歧的作者姓名), 边上的权重表示拥有共同作者的个数.例如, 如果2篇论文之间有共同作者, 在它们之间构建一条关系名为CoAuthor的边, 同时这条边具有共同作者数目的属性.如果有1个共同作者, 关系权重为1, 如果有2个共同作者, 关系权重为2, 以此类推.

CoOrg表示2篇论文中待消歧姓名的机构的相似性关系, 边上的权重表示2个机构共词的数量.例如, 2篇论文的作者机构名称中出现相同的词, 且这个词不是停用词, 在它们之间构建1条CoOrg类型的边, 该类边也具有权重属性.如果有1个共现词, 权重值为1, 如果有2个共现词, 权重为2, 以此类推.

需要注意的是, 本文只使用待消歧姓名的机构信息.通过同样的方式可构建CoTitle边关系.

受网络嵌入方法DeepWalk^[17]和Metapath2-Vec^[24]的启发, 使用随机游动策略和skip-gram模型学习网络中的节点表示.本文提出加权异质网络路径采样的元路径和权重关系引导随机游走策略.元路径遍历可通过异构关系捕获节点之间的相关性, 广泛应用于异构网络嵌入中^[3].此外, 采样路径时考虑PHNet中关系的权重.在每步游走选择下一个路径节点时, 与当前节点边权值越大, 越有可能被采样.

具体来说, 给定PHNet G=(V, E, R), 元路径方案

其中, p^t∈ V, r_i∈ R, l为p^t和p^t+l+1之间复合关系的长度.定义游走在第t 步时的跃迁概率:

p(p^t+1|p^t, P)= |pt, pt+1|‖Et(ri)‖, (pt, pt+1)∈E, ϕ(pt, pt+1)=ri0, (pt, pt+1)∈E, ϕ(pt, pt+1)≠ri0, (pt, pt+1)∉Ei(1)

其中, r_i∈ R为下一个关系类型ϕ (p^t-1, p^t) 按照预定义方案P确定的, 如果p^t为路径的第一个节点, r_i=r₁, |p^t, p^t+1|为p^t与p^t+1之间关系的权重, ‖ E^t(r_i)‖ 为所有连接p^t且类型为rⁱ的边权重之和.依据式(1)计算得到每步的转移概率, 结合预定义方案P, 在G中递归采样元路径, 组合拼接成最后的路径集合.

针对本文数据, 首先, 依次在PHNet中选择一个论文节点作为路径的第一个节点, 生成一个长度为l的元路径.然后选择最后一个节点作为另一个元路径的初始节点.这样, 每次随机递归地在网络中生成一条由P引导的采样路径, 直到满足固定长度, 即

缩写为-A-T-O-.如图2所示, 如果游走者正在采样下一个节点, 当前节点为p₁, P引导的下一个关系类型为合著者, 则与p₁连接的具有合著者类型关系的所有节点构成候选样本集.假设集合中只有p₂和p₃节点, 根据它们与p₁连接的合著者类型关系的值, 游走者采样节点p₂的概率为1/3, 节点概率为2/3.

图2给出路径采样过程, 箭头大小表示步行到下一个节点的概率.当游走者遇到当前节点缺少某个关系的情况发生时, 它会跳过这个关系并转到元路径中的下一个关系.相比随机漫步, 随机游走策略通过元路径^[24]的有序引导, 避免中心节点造成的偏置影响和不同关系量的偏差.此外, 本文设计的随机游走策略考虑一条路径的多种排列可能性、路径中节点之间的多种关系及这些关系的权重, 使生成的路径能较好地保留节点之间的异构关系.

基于1.3节生成的路径, 本文提出加权异构Skip-gram模型, 用于学习加权异质网络上论文节点的表示.给定PHNet G=(V, E, R), 本文目标是通过最大化节点p_i连接其邻居节点p_c的概率, 学习有效节点表示:

arg maxθ= ∑pi∈V∑r∈R∑pc∈Nr(pi)|(p_c, p_i)|log₂p(p_c|p_i, θ ), (2)

其中, N_r(p_i)表示p_i的邻接节点集合, ∀ p_c∈ N_r(p_i), (p_c, p_i)∈ r, θ 表示网络模型的参数.函数中的关系权值|(p_c, p_i)|是使与p_i关系值较大的邻居具有较高概率输出.定义 p(p_c|p_i, θ )为softmax函数:

p(p_c|p_i, θ )= exp(ui·uc)∑j=1|D|exp(ui·uj), (3)

其中u_i表示式(2)中由p_i的随机初始化特征经编码得到的最终嵌入表示.采用文献[32]的负抽样方法对负节点进行抽样, 提高优化效率.概率可近似定义为

p(p_c|p_i, θ )≃ log2_σ (ui_, uc)+ ∑pj∈Dnegilog2_σ (-ui_, uj₎, (4)

其中, σ (x)= 11+e-x为sigmoid函数, Dnegi为从路径中预先计算的节点频率分布中p_i的负节点采样集.

给定元路径方案P和网络中的关系权值, 可选择不同节点作为路径的开始节点, 由此生成一组节点游走路径集合RW^P.相邻节点在目标节点上下文中出现的频率与它们之间的关系的紧密程度成比例.因此, 使式(4)中的目标最大化可转化为求解

L^P=- ∑w∈RWP∑pi∈w∑pc∈Ciklog₂p(p_c|p_i, θ ), (5)

使损失函数最小化.其中, k为上下文窗口的尺寸, Cik为上下文集, 包含p_i在路径w中的前后k个节点.在生成的随机游走中, 上下文集中窗口大小不同表示不同类型的邻居节点.例如, 当k=2时, 上下文集包含1跳和2跳的邻居.

网络嵌入方法的整体框架如图3所示.对比其它基于元路径和Skip-gram的异构网络嵌入方法, 本文方法主要区别如下:1)本文方法可应用于加权异质网络, 并能捕获节点之间的关系权重信息和异构关系, 生成节点表示; 2)本文方法可同时结合语义信息和结构信息进行编码.

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 姓名消歧方法框图Fig.3 Framework of name disambiguation

利用加权异构Skip-gram模型学习每篇论文的结构表示, 并且使用文件向量化(Document to Vector, Doc2Vec)^[33]获取每篇论文的语义表示(标题、摘要).结合学习的两种向量表征进行预聚类, 目的是将论文分配到不相关的集群中, 每个集群属于不同的作者实体(如图3所示).

基于预聚类得到一些已划分好的簇, 里边包含已聚类好的论文, 把这些论文集合称为预聚类论文集, 还有一个离群论文集, 这2个集合不相交.将这些离群论文集里的论文使用阈值匹配的方法重新分配给已聚类好的簇或新的簇中.

具体操作如下.首先, 对于离群论文集中的每篇论文a, 对比a与所有预聚类论文集中的论文, 得到与其相似度最高的一篇论文.如果2个相似度不小于阈值α , 把前者分配到后者所在的簇中; 否则单独归为新的一个簇.然后, 对于离群论文集中的每篇论文, 对比其与离群论文集中其它每篇论文的匹配相似度.如果两者的相似度不小于阈值α , 把后者分配到前者所在的簇中; 否则不变.

详细过程如算法1所示, 算法中ξ 为一个可学习的权重参数, tanimoto(p_i, p_j)为2个序列的tanimoto相似度, 定义如下:

tanimoto(A, B)= A⋂BA⋃B.(6)

算法1 聚类算法

输入 D_a, ε , min_samples, β

输出 C={c₁, c₂, …, c_k}

initialize: Mark all node label[i:N]=unvisited;

while(∀ unvisited(p)) do

label(p)=visited;

if ε -neighbors(p)≥ min_samples then

newCluster C=[]; C=C+p;

for p' in ε -neighbors(p) do

if label(p')=unvisited then

label(p')=visited;

end if

if ε -neighbors(p')≥ min_samples then

C=C+ε -neighbors(p');

end if

if p∉∀ C then

C=C+p'

end if

end for

else label(p)=noise;

newCluster C^* =[]; C^* =C^* +p;

end if

end while

for p in C^* do

if MatchRules(C', p)> β then

C'=C'+p;

else newCluster C=[]; C=C+p;

end if

end for

return Set(C);

生成离群论文的原因是这部分论文特征缺失或不够明显, 造成与其它论文之间的相似度较小, 或这些论文本身就属于一个论文数较少的作者.实验显示处理这些情况的论文使用上述表征向量学习方法的效果不如直接使用特征匹配的方法.

经过聚类操作, 将离群论文集中的论文也分配到各自的簇中, 得到所有论文的聚类结果, 这个聚类结果就是本文算法框架对于某个待消歧名字的最终消歧结果.

基于SGNS(Skip-Gram Negative Sampling)的网络模型, 可有效处理新增论文集.首先将每次新增待消歧论文集的行为看作是不同t时刻的网络结构调整.对于一个姓名a需要消歧, 在t₀时刻学习它的m篇现有论文集合

D₀={p₁, p₂, …, p_m},

得到聚类结果

C⁰={c₁, c₂, …, c_k}.

假设需要对姓名a的新增m^* 篇论文{p_m+1, p_m+2, …, p_m+m* }进行消歧, 把它们分配给不同的作者.根据新增论文集|m^* |的大小, 提出如下2种训练策略.

1)实时更新.将新论文作为节点, 添加到上一个时刻构建的PHNet G_t-1中, 根据定义3添加关系.基于新的PHNet G_t, 不需要对所有节点独立生成随机游动, 这是一个耗时的过程.只需要依次选择每个新论文节点作为初始节点生成新路径, 通过1.2节的随机游走策略生成用于训练每个节点嵌入的节点对(v_i, v_j).将上述修改后的DeepWalk, 即一种可伸缩的静态网络嵌入方法, 进一步扩展到如图4所示的动态方式^[34], 形式化为

D_t= f(Gt, SGNStrand), t=0f(Δζt, SGNSt-1), t> 0

其中, SGNS_t-1为上一时间训练好的模型, D_t为通过索引直接从新训练好的SGNS_t中获取的当前嵌入矩阵, Δ ξ _t为G_t与G_t-1之间的差异, 即新增待消歧的论文集.

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 实时训练策略Fig.4 Real-time training strategy

2)增量训练.在此策略中, 更新PHNet G_t后, 通过依次选择G_t中的全部论文节点作为初始节点, 生成节点序列路径, 使用这些路径训练网络嵌入模型,

最大化概率p(p_c|p_i, θ ), 得到最新的论文表示:

D_t=f(SGNS_t-1, Δ ξ , SGN Strand).(8)

使用上一时间训练好的SGNS_t-1与G_t-1中的节点进行初始化, 对Δ ξ _t新增节点的初始化方法与SGN S0rand相同.

这2种增量更新策略在实践中可交替使用.如果一次添加少量论文, 优先使用实时更新策略学习新论文的表示.如果新增论文的数量大于预先设定的阈值, 可选择增量训练策略, 即在更新的PHNet G上对新路径进行采样, 逐步训练模型, 到达合适的精度.

本文使用biendata竞赛平台的OAG-WholsWho比赛的真实数据集进行测试, 验证算法的有效性.OAG-WholsWho是biendata针对姓名消歧任务发布的竞赛, 竞赛提供两部分数据集, 分别是训练数据集(有标签, 221个歧义姓名, 205 498篇文献)和测试数据集(无标签, 50个歧义姓名, 41 052篇文献), 具体的数据格式如表1所示.

表1

Table 1

表1(Table 1)

表1 OAG-WhoIsWho数据格式 Table 1 OAG-WholsWho data format 域 类型 含义 聚类 id String 论文ID 53e9ab9eb7602d970354a97e title String 题目 Data mining: concepts and techniques Authors.name String 作者姓名 Jiawei Han, Mei Han, Wei Zhang Author.org String 作者单位 department of computer science university of illinois at urbana champaign venue String 会议/期刊 Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial year int 发表年份 2000 keywords List of string 关键字 data mining, structured data, world wide web, social network, relational data abstract String 摘要 Our ability to generate…

表1 OAG-WhoIsWho数据格式 Table 1 OAG-WholsWho data format

参赛队伍需要利用训练数据集设计、训练和验证方法, 针对测试数据集提交一份消歧结果, 最终共有131支队伍提交有效结果.

所有实验均在Windows系统环境中完成, 具体配置为Inter Core i7-7700U CPU (3.6 GHz), 20 GB内存.

本文采用准确率(P)、召回率(R)和F₁值评估姓名消歧算法的性能, 计算方法如下:

P= #CorrectlyPredictedToSameAuthor#TotalPredictedToSameAuthor,

R= #CorrectlyPredictedToSameAuthor#TotalToSameAuthor

F1= 2×P×RP+R,

其中, P表示所有同名作者的论文被正确预测数量占有效聚类簇中论文的比例, R表示所有同名作者的论文正确预测占所有论文的比例.

每种方法只使用论文的3个特征(标题、作者、机构), 所以有些对比算法的性能略低于它们自己的论文.这些对比方法采用不同的聚类策略.为了公平对比, 假设簇数为实数, 选择具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of App-lications with Noise, DBSCAN)作为聚类方法.使用成对的F₁评分^[31]评价聚类结果.计算在每个数据集上的全局F₁得分, 它是所有歧义姓名消歧结果的F₁得分平均值.对比方法如下.

1)DeepWalk^[17].基于随机漫步学习潜在节点表示的网络嵌入方法, 只适用于均匀非加权网络.

2)LINE^[22].保持节点的一阶和二阶近似, 适用于均匀加权网络.

3)Metapath2Vec^[24].适用于具有二进制边的异构网络.使用基于元路径的随机游走, 构建节点的异构邻域, 利用异构跃函数模型执行节点嵌入.

4)使用全局结构信息学习图表示(Learning Graph Representations with Global Structural Information, GraRep)^[35].使用矩阵分解的方法解决网络嵌入问题, 可处理带权的网络, 在学习网络表示的过程中整合网络的全局结构信息.

5)GraphSAGE^[26].通过不同的聚合函数学习节点嵌入, 形成节点的本地邻居, 这与本文设计的结构类似, 但不同的是无监督损失函数, 不能用于异构网络.使用GCN模块作为GraphSAGE的聚合器.

6)Doc2Vec^[23].无监督算法, 能从变长的文本中学习得到固定长度的特征表示.具有一些优点, 例如, 不用固定句子长度, 接受不同长度的句子作为训练样本.Doc2Vec预测一个向量, 表示不同的文档, 模型结构潜在地克服词袋模型的缺点

本文方法中有一些可调参数:网络嵌入方法学习率为10^-3, 正则化系数λ =10^-4, 权异构Skip-gram模型下上下文k的窗口大小设置为2, 使用的元路径方案为“ A-T-A-O-” .所有方法学习的表示向量的维数设为100.

其它方法的参数设置基于默认值或它们自己在论文中指定的值.经过多次重复实验, 确保实验结果可反映方法的性能.DBSAED中参数ε -邻域的距离阈值表示距离中心样本超过ε 的样本点不在ε -邻域内.通过在训练集上的实验发现, ε =0.4时, F₁值最优.min_samples为样本点要成为核心对象所需的ε 邻域内包含样本数阈值, 根据不同的歧义姓名, 选择值为4, 5, 6.

各方法在OAG-WholsWho数据集上的F₁值对比如表2所示.由表可见, 本文方法在具体姓名和多个姓名上的F₁值最高, 这表明本文方法在姓名消歧任务中存在明显优势.本文方法的F₁值最优表明通过基于异质网络嵌入和语义表示能学习到更高质量的论文表示.

表2

Table 2

表2(Table 2)

表2 各方法在OAG-WhoIsWho数据集上的F1值对比 Table 2 F1 value comparison of different methods on OAG-WhoIsWho dataset 姓名 本文方法 DeepWalk LINE GraRep Metapath2Vec GraphSAGE Doc2Vec Mei_han 0.731 0.659 0.539 0.305 0.489 0.499 0.522 Jianhua_shen 0.734 0.670 0.533 0.371 0.498 0.502 0.528 Hong_xiao 0.742 0.676 0.620 0.386 0.514 0.501 0.544 Makoto_sasaki 0.727 0.642 0.568 0.350 0.516 0.501 0.551 D_zhang 0.734 0.650 0.598 0.373 0.511 0.498 0.544 Akira_ono 0.742 0.656 0.609 0.421 0.526 0.502 0.558 Hong_yang 0.736 0.654 0.595 0.406 0.529 0.515 0.560 Bin_gao 0.742 0.657 0.584 0.383 0.535 0.511 0.569 Xiaoyang_zhang 0.718 0.643 0.549 0.424 0.490 0.513 0.525 Ping_sheng 0.717 0.629 0.605 0.419 0.535 0.505 0.567 平均值 0.731 0.653 0.580 0.384 0.514 0.505 0.547

表2 各方法在OAG-WhoIsWho数据集上的F1值对比 Table 2 F1 value comparison of different methods on OAG-WhoIsWho dataset

在对比方法中, Deepwalk、Metapath2-Vec根据论文之间的关系构造论文网络图, 并使用基于网络嵌入的方法学习论文节点的表示, 忽略文本信息及论文之间的不同关系信息.LINE学习论文关系结构信息, 未考虑不同的关系权重和语义信息.相比Deepwalk、Mathpath2vec, LINE设计关系权值和元路径引导, 基于Skip-gram和随机游走的网络嵌入模型, 性能具有较大提升.GraphSAGE使用基于图卷积网络的编解码器模型, 但在同构图上不能提取包含各种关系类型的多层关系.本文方法性能优于GraphSAGE, 表明本文方法可将论文属性和论文之间的异构关系集成到嵌入中, 更适合此类作者姓名消歧任务.

3个歧义姓名(feng gao, hong xiao, xiaoyang zhang)的论文集在嵌入空间的t-分布随机邻域嵌入(t-Distributed Stochastic Neighbor Embedding, t-SNE)可视化结果如图5所示.由图可知, 在本文方法生成的聚类结果中, 绝大多数表示节点分配到正确的聚类中.

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 三个歧义姓名的论文集在嵌入空间的t-SNE可视化Fig.5 t-SNE visualization of 3 essays with ambiguous names in embedding sapce

为了验证本文方法各模块的有效性, 分别对不同模块的组合进行效果预测, 结果如图6所示.由图可知, 本文方法的每个模块对最终的预测都起到积极作用, 各模块之间融合效果较好, 说明模块之间的相容性.

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 本文方法中各模块的有效性分析Fig.6 Validity analysis of modules by the proposed method

本文提出的聚类策略适用于不知道聚类数目的情况, 为了验证这一性质, 对比不需要预先指定聚类数的亲和传播、DBSCAN和Mean-Shift, 结果如表3所示.由表可见, 本文方法性能最优, 这是因为本文方法对论文的向量表示学习较优, 再结合基于规则匹配的DBSCAN, 可较好地从表示中提取论文之间的社区关系, 找到较好的论文划分结果.如表3所示, 本文方法的均方误差(Mean Square Error, MSE)为2.1, 平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为16.6%, 这说明对于大多数歧异姓名, 聚类簇K都在合理的错误范围内.

表3

Table 3

表3(Table 3)

表3 不同聚类方法对比 Table 3 Comparison of different clustering algorithms 姓名 真实值 本文方法 DBSCAN 亲和传播 Mean-Shift M_H 19 23 17 15 5 JH_S 7 9 10 17 9 H_X 27 27 25 36 11 M_S 22 27 15 12 4 D_Z 16 13 12 7 3 A_O 9 8 7 6 3 H_Y 17 16 10 10 15 B_G 16 19 14 16 5 XY_Z 30 30 21 14 9 P_S 5 7 6 6 9 MSE - 2.1 3.9 6.9 10.7 MAPE/% - 16.6 24.3 44.6 62.1

表3 不同聚类方法对比 Table 3 Comparison of different clustering algorithms

本文增量式消歧有2种策略:实时更新和增量训练.为了对比评价, 首先选择在OAG-WholsWho数据集上超过200篇论文的歧义名称, 将每个名称的论文集平均分成5批, 随机选择一批作为现有的论文, 使用本文方法获得聚类结果.分别采用2种增量式消歧策略, 按到达顺序分别处理剩余批次, 2种增量策略在2个数据集上F₁值对比如图7所示.每次更新时计算均值.由图可见, 随着每批论文集的到来, 在实时更新策略下, F₁值略有下降, 在增量训练中, 5个批次得分均保持在较高水平.结果表明, 对于一个小的新论文集, 实时更新比增量训练更省时, 是消除歧义的有效方法, 而增量训练策略在大的论文数据集上的效果更优.在实际应用中建议根据新增论文集的大小, 采用实时更新和增量训练两种策略的交替训练方法.

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 两种增量消歧策略的F1值对比Fig.7 F1 value comparison of 2 incremental disambiguation strategies