[논문 리뷰] Author Name Disambiguation in Bibliographic Databases: A Survey

Muhammad Shoaib, Ali Daud외 1명|arXiv (Cornell University)|2020. 04. 14.

Data Quality and Management참고 문헌 95인용 수 10

한 줄 요약

이 종합적 서베이는 논문 데이터베이스에서 저자 이름의 모호함을 해결하기 위한 포괄적인 프레임워크를 제시하며, 데이터셋 준비, 특성 선택, 유사도 측정법 적용, 모델 선택, 클러스터링 평가의 다섯 단계로 구성된 방법론을 제안한다. 이는 유사도 측정법과 모델을 체계적으로 분류하여 DBLP, Citeseer, Scopus와 같은 시스템에서 저자 신원 갈등을 해결하는 데 구조적인 접근을 제공하며, 분류 체계와 향후 연구 방향에 대한 주요 기여를 이룬다.

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.

연구 동기 및 목표

• DBLP, Citeseer, Scopus와 같은 논문 데이터베이스에서 저자 이름의 모호함 문제를 해결하기 위해.
• 엔티티 해석 분야 내 기존 AND 접근법의 핵심 문제점과 한계를 규명하기 위해.
• 다양한 데이터 소스에 걸쳐 저자 이름의 모호함을 체계적으로 다룰 수 있는 일반적인 다섯 단계 프레임워크를 제안하기 위해.
• AND 연구에서 사용된 유사도 측정법과 모델을 분류하고 분석하기 위해.
• 분야 발전을 위한 향후 연구 방향과 권고 사항을 제시하기 위해.

제안 방법

• 이 논문은 다섯 단계 프레임워크를 도입한다: (1) 데이터셋 준비, (2) 출판 특성 선택(예: 제목, 회의명, 공동저자), (3) 유사도 측정법 적용(예: Jaccard, 코사인, 에디트 거리), (4) 모델 선택(예: 클러스터링, 분류, 러닝-투-랭킹), (5) 표준 평가 지표를 사용한 성능 평가.
• 유사도 측정법을 콘텐츠 기반(예: 제목, 초록)과 메타데이터 기반(예: 회의명, 공동저자) 유형으로 분류하며, 각각의 사용법과 한계에 대해 상세술술 기술한다.
• 이 프레임워크는 비지도 학습과 지도 학습 접근법을 모두 지원하며, 동일한 저자를 가리키는 인용문을 그룹화하는 데 클러스터링 기법에 중점을 둔다.
• 표준 정보 검색 및 클러스터링 평가 지표인 F1 점수, 정밀도, 재현율, Rand 지수 등을 사용해 모델 성능을 평가한다.
• 이 방법론은 다양한 논문 데이터베이스에 적용되어 데이터 품질과 구조의 차이점을 부각시킨다.
• 표준화된 평가 프로토콜과 벤치마크 데이터셋을 권고함으로써 재현 가능성을 강조한다.

실험 결과

연구 질문

• RQ1 논문 데이터베이스 내에서 저자 이름의 모호함을 해결하는 데 있어 근본적인 과제는 무엇인가?
• RQ2 이질적인 데이터 소스 간에 AND를 다룰 수 있는 표준화되고 재사용 가능한 프레임워크를 어떻게 설계할 수 있는가?
• RQ3 다양한 유형의 논문 데이터에서 가장 우수한 성능을 보이는 유사도 측정법과 모델는 무엇인가?
• RQ4 AND 시스템의 핵심 성능 지표와 평가 전략는 무엇인가?
• RQ5 저자 이름의 모호함 연구 분야에서 아직 열려 있는 연구 과제와 향후 연구 방향은 무엇인가?

주요 결과

• 다섯 단계 프레임워크는 AND에 대해 체계적이고 확장 가능한 접근법을 제공하며, 연구 간 재현성과 비교 가능성 향상에 기여한다.
• 메타데이터 기반 유사도 측정법(예: 공동저자 네트워크, 회의명)은 낮은 노이즈 환경에서 콘텐츠 기반 측정법보다 더 뛰어난 성능을 보인다.
• 다양한 유사도 측정법을 조합한 하이브리드 접근법은 단일 측정법 대비 더 높은 정확도를 달성한다.
• 클러스터링 기반 모델이 여전히 주류를 차지하지만, 충분한 레이블 데이터가 확보될 경우 지도 학습 및 딥 러닝 방법도 점차 높은 잠재력을 보이고 있다.
• 성능 평가 방식은 여전히 연구 간 일관성이 부족하여 표준화된 벤치마크가 필요하다는 점을 시사한다.
• 향후 연구는 자원이 제한된 환경, 다중 데이터베이스 간 정렬, 지식 그래프 통합을 통한 정밀한 모호함 해소에 초점을 맞춰야 한다.