[論文レビュー] Author Name Disambiguation in Bibliographic Databases: A Survey

Muhammad Shoaib, Ali Daud+1 more|arXiv (Cornell University)|Apr 14, 2020

Data Quality and Management参考文献 95被引用数 10

ひとこと要約

本調査では、図書情報データベースにおける著者名の曖昧さ解消（AND）の包括的なフレームワークを提示し、データセット準備、属性選定、類似度メトリクスの適用、モデル選定、クラスタリング評価の5段階の手法を提案する。類似度メトリクスとモデルを体系的に分類し、DBLP、Citeseer、Scopusなどのシステムにおける著者IDの衝突を解消するための構造的アプローチを提供する。主な貢献は分類体系の構築と今後の研究の方向性の提示である。

ABSTRACT

Entity resolution is a challenging and hot research area in the field of Information Systems since last decade. Author Name Disambiguation (AND) in Bibliographic Databases (BD) like DBLP , Citeseer , and Scopus is a specialized field of entity resolution. Given many citations of underlying authors, the AND task is to find which citations belong to the same author. In this survey, we start with three basic AND problems, followed by need for solution and challenges. A generic, five-step framework is provided for handling AND issues. These steps are; (1) Preparation of dataset (2) Selection of publication attributes (3) Selection of similarity metrics (4) Selection of models and (5) Clustering Performance evaluation. Categorization and elaboration of similarity metrics and methods are also provided. Finally, future directions and recommendations are given for this dynamic area of research.

研究の動機と目的

• DBLP、Citeseer、Scopusなどの図書情報データベースにおける著者名の曖昧さの課題に対処すること。
• エンティティ解決分野における既存のANDアプローチの核心的な問題と制限を特定すること。
• 著者曖昧さ解消タスクを体系的に行うための汎用的5段階フレームワークを提案すること。
• AND研究で用いられる類似度メトリクスとモデルを分類・分析すること。
• 分野の発展を促進するための今後の研究の方向性と提言を提供すること。

提案手法

• 本稿では、(1) データセット準備、(2) 著者属性（例：タイトル、会議名、共同著者）の選定、(3) 類似度メトリクスの適用（例：ジャカード係数、コサイン類似度、編集距離）、(4) モデル選定（例：クラスタリング、分類、ラーニング・トゥ・ランク）、(5) 標準指標を用いた性能評価の5段階フレームワークを導入する。
• 類似度メトリクスをコンテンツベース（例：タイトル、要旨）とメタデータベース（例：会議名、共同著者）に分類し、その使用法と限界について詳細に記述する。
• 本フレームワークは、非教師ありおよび教師あり学習アプローチをサポートし、同一著者への引用をグループ化するためのクラスタリング手法に重点を置く。
• F1スコア、精度、再現率、ランダムインデックスなどの標準的な情報検索およびクラスタリング指標を用いてモデルの性能を評価する。
• 本手法は、データ品質や構造の差が顕著な多様な図書情報データベースに適用され、その違いが強調されている。
• 標準化された評価プロトコルとベンチマークデータセットの推奨により、再現性の重要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 図書情報データベースにおける著者名の曖昧さ解消の根本的課題は何か？
• RQ2 異種のデータソースに跨るAND処理に対応できる、標準化され、再利用可能なフレームワークを設計するにはどうすればよいか？
• RQ3 どのような種類の図書情報データに対して、類似度メトリクスとモデルが最も効果を発揮するか？
• RQ4 ANDシステムのための主要なパフォーマンス指標と評価戦略は何か？
• RQ5 著者名の曖昧さ解消研究における未解決の研究ギャップと今後の研究の方向性は何か？

主な発見

• 5段階フレームワークは、ANDに体系的かつ拡張可能なアプローチを提供し、研究間の再現性と比較可能性を高める。
• メタデータベース類似度メトリクス（例：共同著者ネットワーク、会議名）は、低ノイズ環境ではコンテンツベースのメトリクスを上回る傾向がある。
• 複数の類似度測定を組み合わせたハイブリッド手法は、単一メトリクス手法よりも高い曖昧さ解消精度を達成する。
• クラスタリングベースのモデルが依然として主流であるが、十分なラベル付きデータが得られる場合、教師ありおよびディープラーニング手法の可能性も高まっている。
• 性能評価の方法論は研究間で一貫性に欠けているため、標準化されたベンチマークの必要性が浮き彫りになっている。
• 今後の研究は、リソースが限られた環境、異種データベース間の整合性、知識グラフの統合による曖昧さ解消の向上に注力すべきである。