💬 NLP

Cross-Source Reasoning-based Correction for Author Name Disambiguation

Dieses Paper stellt CrossND vor, ein Full-Stack-Framework, das Cross-Source-Reasoning nutzt, um Fehler bei der Entambiguierung von Autorennamen automatisch zu korrigieren, indem es inkonsistente Papier-Autor-Zuweisungen über verschiedene Quellen hinweg identifiziert und auflöst, ohne dass eine Expertenannotation erforderlich ist.

Ursprüngliche Autoren: Fanjin Zhang, Yunhe Pang, Bo Chen, Zhiyu Shen, Yanghui Rao, Evgeny Kharlamov, Jie Tang

Veröffentlicht 2026-06-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Fanjin Zhang, Yunhe Pang, Bo Chen, Zhiyu Shen, Yanghui Rao, Evgeny Kharlamov, Jie Tang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Die „Namenszwilling“-Verwechslung

Stellen Sie sich vor, Sie suchen in einer riesigen digitalen Bibliothek nach einem bestimmten Autor namens „Quanquan Gu“. Das Problem ist, dass es zwei verschiedene Personen mit exakt demselben Namen gibt.

Person A ist ein Informatiker an der UCLA, der über Algorithmen schreibt.
Person B ist ein Arzt an der Zhejiang University, der über Parkinson-Krankheit schreibt.

In vielen akademischen Datenbanken kommt das Computersystem durcheinander. Es ordnet Person A versehentlich die Informatik-Arbeiten von Person B zu oder umgekehrt. Dies nennt man Autorennamen-Disambiguierung (Eindeutige Zuordnung von Autorennamen). Wenn sich diese Fehler häufen, verfälscht das Autorenrankings, Entscheidungen über Auszeichnungen und Forschungsnachweise.

Der alte Weg: Alleine raten

Früher versuchten Computer, diese Fehler zu beheben, indem sie nur eine einzige Bibliothek (wie AMiner) betrachteten und versuchten herauszufinden, welche Arbeiten zu welcher Person gehören. Sie schauten sich die Titel der Arbeiten und Schlagworte an.

Der Fehler: Wenn die Bibliothek selbst einen Fehler enthält, macht der Computer immer wieder denssamelben Fehler. Es ist, als würde man versuchen, einen Tippfehler in einem Buch zu finden, indem man nur dieses eine Buch liest; wenn der Tippfehler darin steht, hält man ihn für korrekt, weil man keinen anderen Bezugspunkt hat.

Die neue Lösung: Der „Gegenprüfer“-Detektiv (CrossND)

Dieses Paper stellt ein neues System namens CrossND vor. Anstatt nur eine Bibliothek zu betrachten, agiert es wie ein Detektiv, der zwei verschiedene Bibliotheken (z. B. AMiner und MAG) miteinander vergleicht, um die Wahrheit zu finden.

So funktioniert CrossND, unterteilt in drei einfache Schritte:

1. Die „Aufräumtruppe“ (Chain-of-Refinement)

Bevor der Detektiv mit der Falllösung beginnt, muss er seine Beweismittel säubern.

Die Analogie: Stellen Sie sich einen unordentlichen Schreibtisch voller Papiere vor. Einige sind die richtigen, aber einige sind Müll oder gehören jemand anderem.
Was CrossND macht: Es nutzt eine sehr intelligente KI (ein Large Language Model), um die Liste der Arbeiten eines Autors zu prüfen und zu sagen: „Diese Arbeit gehört definitiv hierher“ und „Diese hier sieht seltsam aus, die werfen wir erst einmal raus.“ Dies erstellt eine saubere, zuverlässige „Kernliste“ an Arbeiten für diesen Autor.

2. Das „Kreuzverhör“ (Cross-Source Reasoning)

Nun vergleicht der Detektiv die beiden Bibliotheken.

Die Analogie: Stellen Sie sich vor, Sie haben zwei Zeugen (Bibliothek A und Bibliothek B), die Ihnen von einem Verbrechen berichten.
- Wenn beide Zeugen sagen: „Der Verdächtige trug einen roten Hut“, sind Sie sich sehr sicher, dass dies wahr ist.
- Wenn Zeuge A „roter Hut“ sagt, aber Zeuge B „blauer Hut“, wissen Sie, dass etwas nicht stimmt.
Was CrossND macht: Es betrachtet die Arbeiten in Bibliothek A und vergleicht sie mit Bibliothek B.
- Wenn die Autoren in beiden Bibliotheken sehr ähnlich aussehen (gleiche Forschungsthemen), vertraut das System dem Treffer.
- Wenn sie völlig unterschiedlich aussehen (der eine schreibt über KI, der andere über Medizin), markiert das System die Arbeit als wahrscheinlichen Fehler.
- Der magische Trick: Es verwendet ein spezielles Logik-Werkzeug (genannt Probabilistic Soft Logic), das der KI hilft, durch die Verwirrung zu navigieren. Es sagt nicht einfach nur „Ja“ oder „Nein“, sondern wägt die Beweise wie ein Richter ab und fragt: „Wenn Autor A zu Autor B passt und Arbeit X zu Autor B passt, passt Arbeit X dann wirklich zu Autor A?“

3. Die „Zweitmeinung“ (Test-Time Scaling)

Manchmal werden selbst kluge Detektive müde oder treffen eine schnelle, falsche Vermutung.

Die Analogie: Wenn Sie sich bei einer Matheaufgabe unsicher sind, lösen Sie sie vielleicht dreimal hintereinander, um zu sehen, ob Sie immer zum gleichen Ergebnis kommen.
Was CrossND macht: Es führt die Prüfung mehrmals durch und verändert dabei die Reihenfolge der Arbeiten, die es betrachtet. Auf diese Weise „bootstrappt“ es seine eigene Konfidenz. Wenn es immer wieder das gleiche Ergebnis erhält, wird es sich sehr sicher. Wenn die Ergebnisse schwanken, weiß es, dass es vorsichtiger sein muss.

Warum ist das besser?

Die Autoren testeten dieses System mit realen Daten (tausende Arbeiten und Autoren).

Das Ergebnis: CrossND schlug 17 bestehende Methoden. Es fand mehr Fehler und korrigierte sie, ohne dass Menschen jede einzelne Arbeit manuell prüfen mussten.
Die Kosten: Es ist überraschend günstig im Betrieb. Das System kostet weniger als 0,002 $ pro Arbeit, um sie zu prüfen, was für eine so komplexe Aufgabe sehr wenig ist.
Praxisnutzung: Das System wird bereits in einem Prototyp-Tool verwendet, das Forschern hilft, ihre Profile in verschiedenen Datenbanken (AMiner, MAG und Google Scholar) zu überprüfen.

Zusammenfassung

Betrachten Sie CrossND als einen superintelligenten Bibliothekar, der sich nicht nur auf ein einziges Regal mit Büchern verlässt. Stattdessen geht er in eine zweite Bibliothek, vergleicht die Listen und nutzt Logik, um herauszufinden, welche Bücher in die falschen Regale geräumt wurden. Durch das Abgleichen der Quellen und das vorherige Bereinigen der Daten kann er den Katalog der Bibliothek viel schneller und genauer korrigieren als jeder andere.

Technisches Resümee: Quellenspezifische Korrektur auf Basis von Cross-Source Reasoning für die Disambiguierung von Autorennamen (CrossND)

1. Problemdefinition

Die Disambiguierung von Autorennamen (Author Name Disambiguation, AND) ist eine grundlegende Herausforderung in akademischen Suchsystemen, die darauf abzielt, verschiedene Personen mit demselben Namen zu unterscheiden. Während sich bestehende Ansätze primär auf die „From-Scratch“-Disambiguierung (Clustering von Papern nach Namen) oder die Echtzeit-Korrektur innerhalb einer einzelnen Datenquelle konzentrieren, leiden sie unter zwei kritischen Einschränkungen:

Kumulative Fehler: Imperfekte Algorithmen führen zu einer unvermeidlichen Akkumulation von Fehlern bei der Zuordnung von Papern zu Autoren.
Quelleninkonsistenz: Verschiedene akademische Datenbanken (z. B. AMiner, MAG, Google Scholar) enthalten oft inkonsistente Paper-Autor-Zuordnungen. Aktuelle Methoden ignorieren diese quellspezifischen Diskrepanzen typischerweise oder verlassen sich auf ressourcenintensive Expertenannotationen, um diese zu korrigieren.

Das Paper schlägt ein neues Paradigma vor: Cross-Source Correction (Quellenübergreifende Korrektur). Anstatt externe Daten als Grundwahrheit (Ground Truth) zu behandeln, besteht das Ziel darin, die Inkonsistenzen zwischen einer internen Quelle ( $G_{in}$ ) und einer externen Quelle ( $G_{out}$ ) zu nutzen, um fehlerhafte Paper-Autor-Zuordnungen ohne menschliches Eingreifen zu identifizieren und zu korrigieren.

2. Methodik: Das CrossND-Framework

Die Autoren schlagen CrossND vor, ein Full-Stack-Framework, das darauf ausgelegt ist, verrauschte Labels zu handhaben und Cross-Source-Reasoning zu nutzen. Das Framework besteht aus drei aufeinanderfolgenden Phasen:

Phase 1: Chain-of-Refinement-Pipeline

Um Label-Rauschen vor dem Training zu mindern, setzen die Autoren eine dreistufige Pipeline unter Verwendung von Large Language Models (LLMs) ein:

Profil-Bereinigung (Profile Cleaning): Ein LLM analysiert das ursprüngliche Profil eines Autors (eine Liste von Papern), um anomale Paper zu identifizieren und zu entfernen, die nicht mit der Forschungsidentität des Autors übereinstimmen, wodurch ein „Coreset“ aus hochkonfidenten Papern erstellt wird.
Zuordnungs-Vorhersage (Assignment Prediction): Unter Verwendung der bereinigten Profile aus sowohl internen als auch externen Quellen sagt das LLM in Batches weiche Matching-Scores (Wahrscheinlichkeiten) für Paper-Autor-Paare voraus.
Batch-Score-Verfeinerung (Batch Score Refinement): Um Kalibrierungsinkonsistenzen über verschiedene API-Aufruf-Batches hinweg zu adressieren, wird das LLM erneut angewiesen, die Scores global zu verfeinern, um konsistente Wahrscheinlichkeitsbereiche über den gesamten Datensatz hinweg sicherzustellen.

Phase 2: Cross-Correction Supervised Fine-Tuning (SFT)

Die verfeinerten Soft-Labels dienen als Supervision für das Fine-Tuning eines Modells (Qwen3-8B mit LoRA). Die Kerninnovation besteht hier in der Integration von Probabilistic Soft Logic (PSL), um logische Abhängigkeiten innerhalb des Tripels $(p, a_{in}, a_{out})$ zu modellieren:

Datenpartitionierung: Die Trainingsdaten werden in einen Konsistenten Satz ( $D_{cs}$ ) unterteilt, in dem interne und externe Autoren hochgradig ähnlich sind, und einen Inkonsistenten Satz ( $D_{ics}$ ), in dem sie sich unterscheiden.
PSL-basierter Verlust (Loss): Das Framework formuliert eine Verlustfunktion, die logische Constraints erzwingt.
- Für konsistente Sätze gilt: Wenn das externe Paper-Autor-Matching hoch ist und die Autoren ähnlich sind, sollte auch das interne Matching hoch sein.
- Für inkonsistente Sätze inferiert das Modell, welche Quelle falsch ist, indem es die Likelihood der korrekten Zuordnung maximiert und gleichzeitig die Wahrscheinlichkeit der widersprüchlichen Zuordnung minimiert.
- Der Gesamtverlust kombiniert diesen PSL-Verlust mit einem Standard-Cross-Entropy-Verlust, gewichtet durch einen Hyperparameter $\lambda$ .

Phase 3: Test-Time Scaling (TTS)

Um die Vorhersage-Robustheit zu erhöhen, setzen die Autoren während der Inferenz eine Bootstrapping-Strategie ein:

Konfidenzschätzung: Die Paper werden nach der Vorhersagekonfidenz des Modells sortiert.
Snake Dealing & Interleaving: Die Paper werden mithilfe eines „Snake“-Musters (Zickzack) in Batches verteilt und innerhalb der Batches neu geordnet (hoch-niedrig-hoch-niedrig). Dies stellt sicher, dass hochkonfidente Samples als „Few-Shot-Anker“ fungieren, um die Vorhersagen des Modells für niedrigkonfidente Samples innerhalb desselben Kontextfensters zu kalibrieren.

3. Zentrale Beiträge

Neues Paradigma: Das Paper führt die Cross-Source Correction ein – eine Perspektive, die inkonsistente Zuordnungen über Quellen hinweg als Signal zur Fehlererkennung nutzt, statt sie als Rauschen oder Grundwahrheit zu behandeln.
Full-Stack-Framework: CrossND integriert Datenverfeinerung (Chain-of-Refinement), logisches Schließen (PSL-basiertes SFT) und Inferenz-Optimierung (TTS), um die Herausforderungen von verrauschten Labels und komplexen relationalen Abhängigkeiten zu bewältigen.
Rauschminderung: Die Chain-of-Refinement-Pipeline bereinigt Autorenprofile effektiv von Rauschen und generiert zuverlässige Soft-Labels, wodurch die Abhängigkeit von menschlicher Annotation reduziert wird.
Logische Constraints: Das PSL-basierte Cross-Correction-Modul modelliert explizit die Interdependenzen zwischen Paper-Autor-Paaren über verschiedene Quellen hinweg und verbessert so die Fähigkeit des Modells zu schlussfolgern, welche Quelle den Fehler enthält.

4. Experimentelle Ergebnisse

Das Framework wurde auf zwei realen Datensätzen evaluiert: WhoIsWho (Vergleich von AMiner und MAG) und KDD Cup (Vergleich von AMiner und benutzereditierte Daten).

Leistung: CrossND übertraf konsistent 17 Baselines, einschließlich traditioneller Machine-Learning-Modelle (GBDT, LOF), graphbasierter Methoden (DCI), rauschrobuster Selbstkorrekturmethoden (Co-teaching, CORES) und direkter LLM-API-Aufrufe (GPT-5, Claude, Gemini).
- Auf WhoIsWho erreichte CrossND einen AUC von 82,19 % und einen MAP von 61,79 %, womit es die beste Baseline (GuARD: 77,14 % AUC) deutlich übertraf.
- Auf KDD Cup erreichte CrossND einen AUC von 87,34 % und einen MAP von 78,13 %, womit es die beste Baseline (GuARD: 85,27 % AUC) übertraf.
Ablationsstudien:
- Das Entfernen der externen Quelle verursachte den größten Leistungsabfall, was die Notwendigkeit der Cross-Source-Signale bestätigt.
- Das Entfernen der Profil-Bereinigung oder der Batch-Score-Verfeinerung verschlechterte die Leistung, was die Validität der Chain-of-Refinement-Pipeline bestätigt.
- Das Entfernen von PSL zeigte gemischte, aber generell negative Auswirkungen auf die Ranking-Metriken (MAP), was den Wert logischer Constraints hervorhebt.
Kosteneffizienz: Die durchschnittlichen API-Kosten für die Verfeinerungspipeline betrugen ca. 0,0019 $ pro Paper auf WhoIsWho. Das eingesetzte SFT-Modell verarbeitet ~26 Paper/Sekunde auf einer einzelnen H100 GPU.
Einsatz in der Praxis: Das System wurde zur Unterstützung der menschlichen Verifizierung eingesetzt. In einem Pilotprojekt fanden erfahrene Annotatoren 1.061 Zuordnungsfehler unter 2.154 Paaren, was eine Steigerung der detektierten Fehler um 47 % im Vergleich zu früheren Systemen darstellt.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass CrossND eine skalierbare, automatisierte Lösung zur Korrektur von Autorennamens-Disambiguierungsfehlern bietet, indem es die „Weisheit der Vielen“ (Wisdom of Crowds) über verschiedene Datenquellen hinweg nutzt.

Robustheit: Das Framework demonstriert, dass Cross-Source-Reasoning effektiv inkorrekte Zuordnungen identifizieren kann, selbst wenn beide Quellen Rauschen enthalten, sofern deren Inkonsistenzen logisch analysiert werden.
Praktikabilität: Im Gegensatz zu Methoden, die umfangreiche menschliche Annotationen erfordern, arbeitet CrossND mit minimalem menschlichem Eingriff und wurde erfolgreich eingesetzt, um die groß angelegte Korrektur von Paper-Autor-Zuordnungen in der Praxis (z. B. auf der AMiner-Plattform) zu unterstützen.
Generalisierbarkeit: Der Ansatz ist nicht auf spezifische Datensätze beschränkt; die Verwendung von PSL und Chain-of-Refinement bietet eine generalisierbare Strategie für den Umgang mit verrauschten relationalen Daten in akademischen Suchsystemen.

Die Autoren betonen, dass ihre Arbeit nicht den Anspruch erhebt, die menschliche Expertise vollständig zu ersetzen, sondern diese vielmehr durch einen hochpräzisen, automatisierten Pre-Screening-Mechanismus zu ergänzen, der die Last der manuellen Verifizierung signifikant reduziert.