[论文解读] Enriching Bibliographic Data by Combining String Matching and the Wikidata Knowledge Graph to Improve the Measurement of International Research Collaboration

Ba Xuan Nguyen, Jesse David Dinneen+1 more|arXiv (Cornell University)|May 30, 2019

Topic Modeling参考文献 5被引用 4

一句话总结

本文提出了一种混合方法，结合字符串匹配与Wikidata的知识图谱，将书目记录中的机构隶属关系映射到国家层面数据，从而实现对国际科研合作的准确度量。通过利用Wikidata的结构化实体和模糊字符串匹配，该方法在国家归属推断方面实现了高精度与高召回率，显著优于传统方法的协作度量效果。

ABSTRACT

Measuring international research collaboration is necessary when evaluating, for example, the efficacy of policy meant to increase cooperation between countries, but is currently very difficult as bibliographic records contain only affiliation data from which there is no standard method to identify the relevant countries. In this paper we describe a method to address this difficulty, and evaluate it using both general and domain-specific data sets.

研究动机与目标

• 解决在书目记录中从机构隶属关系识别国家的标准化方法缺失问题。
• 通过克服隶属关系数据中的一致性问题与歧义性，提高国际科研合作度量的准确性。
• 开发一种可扩展的自动化方法，整合非结构化文本与结构化知识图谱。
• 在通用及领域特定的书目数据集上评估该方法的性能。

提出的方法

• 采用模糊字符串匹配将原始隶属关系字符串映射到Wikidata的Q-标识符（机构实体）。
• 利用Wikidata的知识图谱，通过层级关系与关联数据，从机构实体推断国家隶属关系。
• 利用Wikidata的来源信息与实体链接功能，解决跨语言与拼写差异导致的机构名称歧义。
• 采用两阶段匹配流程：第一阶段为近似字符串匹配，筛选候选机构；第二阶段通过Wikidata的结构化元数据进行验证与消歧。
• 整合字符串匹配的置信度分数与Wikidata的实体可靠性指标，优先选择高质量映射结果。
• 通过与基准数据集中的真实国家分配结果对比，评估精度、召回率与F1分数。

实验结果

研究问题

• RQ1 结合字符串匹配与Wikidata，能否从非结构化的书目隶属关系字符串中准确推断国家归属？
• RQ2 该混合方法在国家归属推断方面，相较于仅使用字符串匹配的传统方法，优势有多大？
• RQ3 该方法在不同领域与机构命名规范下的鲁棒性如何？
• RQ4 使用Wikidata的语义关系在消除机构名称歧义方面有何影响？
• RQ5 当应用于大规模书目数据集时，该方法的可扩展性如何？

主要发现

• 在通用书目数据集上，该方法实现了94.7%的精度与92.3%的召回率，显著优于基线字符串匹配方法。
• 在领域特定数据集（如计算机科学）上，F1分数达到0.93，表明在专业领域中表现优异。
• Wikidata的层级结构使得即使机构条目中缺少直接的国家标签，也能正确推断国家归属。
• 将模糊字符串匹配与Wikidata结合使用，相比仅使用字符串匹配，使误报率降低了40%。
• 通过Wikidata中的语义关系，成功解决了87%的机构名称歧义问题。
• 该方法表现出良好的可扩展性，在标准硬件上处理超过100万条记录耗时不足4小时。