[发明专利]一种推荐架构下的基于对比学习调优的论文作者消歧方法

权利要求书

1.一种推荐架构下的基于对比学习调优的论文作者消歧方法，其特征在于，包括以下步骤：

步骤1：获取已有的专家档案库G＝(E，P，EP，F)，其中E是专家集合，e_i表示第i个专家，P是已消歧论文集合，EP是专家与已消歧论文的著作权从属关系集合，定义为{ep_i，j∈EP|专家e_i的j篇论文}，F是属性字段集合；

步骤2：对于待消歧论文作者对＜p，a＞∈PA，其中PA是待消歧论文作者对集合，p，a分别是论文和作者姓名，首先根据作者姓名a在专家档案库G中找到相关的候选专家实体集合C_N，最终的候选集合C＝C_N∪NIL，其中C_N为专家档案库中匹配到的专家实体集合，NIL为不可链接指称项，代指不存在于已有专家档案库中的专家实体；将真实匹配专家记为c^*，则c^*∈C；

步骤3：对于每个候选专家c∈C，将其发表的论文信息与待消歧论文作者对信息分别通过Wide模型和Deep模型得到浅层特征与深层特征的相似度向量表示，并拼接获得最终的相似度向量表示Sim_c；

步骤4：应用打分模块对每一个候选实体c与待消歧论文作者对之间的相似度进行打分，获得分数S_c：

S_c＝FC(Sim_c)

步骤5：分数S_c最高的候选实体c被认为是匹配实体。

2.根据权利要求1所述的推荐架构下的基于对比学习调优的论文作者消歧方法，其特征在于，所述的步骤3)中，所述的Wide模型为基于特征工程的线性模型，所述Deep模型为基于多字段多实例的消歧模型。

3.根据权利要求1所述的推荐架构下的基于对比学习调优的论文作者消歧方法，其特征在于，所述的步骤3)具体为：

步骤3-1：对于Wide模型，首先利用其内的浅层特征构建模块构建简单的线性特征X(＜p，a＞，c)＝[X₁(＜p，a＞，c)，...，X_n(＜p，a＞，c)]，其中，n为Wide模型使用的浅层特征数；然后通过两层线性层MLP生成浅层相似度向量表示χ(＜p，a＞，c)：

χ(＜p，a＞，c)＝MLP(X(＜p，a＞，c))

步骤3-2：Deep模型基于不同属性字段与不同论文对消歧结果的影响，分别建模全局相似度编码模块与局部相似度编码模块，分别获得全局相似度向量表示和局部相似度向量表示，并融合获得深层相似度向量表示

步骤3-3：获得浅层相似度向量表示χ(＜p，a＞，c)与深层相似度向量表示后，拼接获得相似度向量表示Sim_c：

4.根据权利要求3所述的推荐架构下的基于对比学习调优的论文作者消歧方法，其特征在于，所述的步骤3-2具体包括如下步骤：

步骤3-2-1：全局相似度编码模块利用候选专家c的所有论文，根据属性字段f∈F分组进行相似度计算，并使用注意力机制体现不同字段对相似度向量表示的影响，计算全局相似度向量表示φ(＜p，a＞，c)；

步骤3-2-2：局部相似度编码模块基于专家发表的论文有多个主题的假设，认为待消歧论文只与部分候选专家论文强相关，而剩余论文弱相关甚至不相关，因此单独对待消歧论文与候选专家每一篇论文进行相似度编码；最终同样使用注意力机制体现不同论文的影响，计算局部相似度向量表示ψ(＜p，a＞，c)；

步骤3-2-3：获得全局相似度向量表示与局部相似度向量表示后，拼接并通过3层线性层获得深层相似度向量表示其中表示拼接操作：