💻 computer science

A Cooperative Multi-Agent Framework for Author Name Disambiguation

Este artículo presenta AIDA-AND, un marco de trabajo multiagente cooperativo que integra representaciones semánticas con evidencia de metadatos interpretables a través de agentes especializados para lograr una desambiguación de nombres de autores competitiva, modular y eficiente, reduciendo significativamente el tiempo de ejecución al tiempo que mejora el rendimiento en conjuntos de datos de referencia.

Autores originales: Natan de Souza Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz Pereira, Célia Ghedini Ralha

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Natan de Souza Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz Pereira, Célia Ghedini Ralha

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En los vastos archivos digitales de la ciencia moderna, donde se almacenan y buscan millones de artículos de investigación, un problema silencioso pero persistente amenaza con distorsionar nuestra comprensión de quién hizo qué. Cuando un investigador publica un artículo, su nombre es la clave primaria utilizada para encontrar su trabajo, rastrear su carrera y medir su impacto. Sin embargo, los nombres suelen ser ambiguos. Dos científicos diferentes pueden compartir exactamente el mismo nombre, o un solo científico puede publicar bajo distintas variaciones de su nombre, como un nombre completo en un artículo y una inicial en otro. Sin una forma de resolver esto, las obras de diferentes personas pueden agruparse en un único perfil confuso, mientras que el trabajo de una sola persona puede dispersarse en varios perfiles distintos. Esta confusión sesga las estadísticas utilizadas para evaluar el progreso científico y dificulta ver el verdadero panorama de la colaboración. La tarea de desenredar estos nombres y asignar correctamente cada artículo a su verdadero autor se conoce como disambiguación de nombres de autores, un desafío crítico para cualquiera que intente dar sentido a la literatura científica mundial.

Para resolver esto, un equipo de investigadores de universidades de Brasil ha desarrollado un nuevo sistema llamado AIDA-AND. En lugar de depender de un único y masivo algoritmo que intenta procesar toda la información a la vez, construyeron un equipo cooperativo de agentes digitales especializados. Imagine un grupo de expertos en una sala, cada uno con un trabajo específico: uno observa la ortografía de los nombres, otro verifica los temas de los artículos, un tercero examina con quién trabajaron los autores, y otros observan cuándo se publicaron los artículos y dónde trabajaban los autores. En este marco, cada agente actúa de forma independiente, reuniendo evidencia y formando una opinión sobre si dos artículos fueron escritos por la misma persona. Estas opiniones son luego reunidas por un agente de decisión que sopesa la evidencia, considerando qué tan fuerte y confiable es cada pieza de información, para tomar una decisión final. Este enfoque permite que el sistema sea transparente y ajustable, permitiendo a los investigadores ver exactamente qué pistas llevaron a una decisión y cuánta confianza depositar en cada tipo de evidencia.

Los investigadores probaron este sistema en dos grandes colecciones de datos científicos del mundo real, conocidas como AMiner12 y DBLP, que contienen miles de nombres de autores ambiguos. Compararon su nuevo equipo multiagente contra otros métodos existentes, incluyendo sistemas complejos que utilizan redes de grafos e inteligencia artificial. Los resultados mostraron que el enfoque cooperativo fue altamente efectivo, particularmente en el conjunto de datos AMiner12, donde superó a todos los demás métodos al identificar correctamente pares de artículos escritos por el mismo autor. El sistema logró una tasa de éxito significativamente mayor que el segundo mejor método, lo que sugiere que combinar diferentes tipos de evidencia a través de un equipo de especialistas es una estrategia poderosa. En el conjunto de datos DBLP, aunque otro método funcionó ligeramente mejor en general, el nuevo sistema produjo resultados competitivos y demostró que podía manejar la complejidad de los datos del mundo real sin necesidad de construir redes de conexiones masivas e intrincadas.

Un hallazgo clave del estudio fue que el rendimiento del sistema dependía fuertmente de la calidad y el tipo de información disponible. Los investigadores encontraron que los agentes responsables de verificar la ortografía de los nombres, el significado semántico y las relaciones de coautoría fueron los más influyentes para tomar decisiones correctas. Cuando estos agentes específicos fueron eliminados del equipo, la precisión del sistema cayó drásticamente, demostando que estas pistas son esenciales. Sin embargo, el sistema también mostró que tener acceso a información institucional, como la universidad u organización a la que pertenece un autor, marcaba una diferencia significativa en los conjuntos de datos donde esa información estaba disponible. Esto resalta que el sistema es flexible; puede adaptarse a diferentes tipos de datos, aunque funciona mejor cuando tiene una rica variedad de pistas con las que trabajar.

Más allá de la precisión, los investigadores descubrieron que su enfoque basado en equipos era notablemente rápido. Al ejecutar los agentes en paralelo y evitar la necesidad de construir grafos matemáticos complejos o entrenar modelos pesados de inteligencia artificial para cada decisión, el sistema completó sus tareas mucho más rápido que los métodos competidores. En una prueba, terminó el trabajo en la mitad del tiempo, y en otra, fue casi ocho veces más rápido. Esta velocidad, combinada con la capacidad de explicar su razonamiento, sugiere que el marco ofrece una alternativa práctica y eficiente para organizar los registros científicos del mundo. El estudio concluye que, si bien ningún método es perfecto para cada situación, un equipo cooperativo de agentes especializados proporciona una forma robusta, interpretable y rápida de resolver el enigma perdurable de la disambiguación de nombres de autores.

Resumen Técnico: Un Marco de Multi-Agentes Cooperativos para la Desambiguación de Nombres de Autores

Planteamiento del Problema
La Desambiguación de Nombres de Autores (AND, por sus siglas en inglés) es un desafío crítico en las bibliotecas digitales y la gestión de datos bibliográficos. Los nombres de autores ambiguos —derivados de homónimos (diferentes autores con nombres similares) y sinónimos (el mismo autor usando variantes de nombre)— provocan una atribución de publicaciones incorrecta, perfiles de autor fragmentados e indicadores bibliométricos distorsionados. El AND se formula a menudo como una tarea de agrupamiento (clustering), pero el proceso de decisión requiere la síntesis de fuentes de evidencia heterogéneas y frecuentemente ruidosas, que incluyen datos nominales, coautoría, sedes de publicación, instituciones e información temporal. Los enfoques existentes varían desde heurísticas basadas en reglas hasta modelos complejos basados en grafos y flujos de trabajo de Modelos de Lenguaje de Gran Escala (LLM), los cuales pueden sufrir de altos costos computacionales, falta de interpretabilidad o dependencia de inferencias repetidas.

Metodología: El Marco AIDA-AND
El artículo propone AIDA-AND (Agent-based Intelligent Disambiguation of Authors), un sistema multi-agente cooperativo (MAS) diseñado para modularizar el proceso de AND. El marco descompone la tarea de desambiguación en agentes especialistas que evalúan fuentes de evidencia específicas, coordinados por un orquestador y un agente de decisión.

Arquitectura y Agentes: El sistema utiliza siete agentes especialistas:
- Agente Nominal: Evalúa cadenas de nombres, apellidos, iniciales y variantes utilizando traslape de tokens, similitud de cadenas y similitud de Jaccard.
- Agente Semántico: Calcula la similitud semántica utilizando embeddings almacenados en caché del modelo IBM Granite (granite-embedding-311m-multilingual-r2) aplicados a metadatos (títulos, resúmenes, palabras clave, etc.).
- Agente Social: Analiza el traslape de coautores, otorgando bonificaciones por coautores compartidos recurrentes.
- Agente Temporal: Evalúa la compatibilidad del año de publicación, penalizando brechas temporales amplias.
- Agente Institucional: Evalúa afiliaciones, organizaciones y dominios de correo electrónico.
- Agente de Decisión: Agrega las opiniones de los agentes especialistas.
- Orquestador: Coordina la comunicación entre los agentes utilizando el protocolo SPADE/XMPP y actualiza los grupos predichos.
Calificación de la Evidencia y Estrategia de Decisión:
Cada agente especialista produce una puntuación y un valor de confianza basado en reglas heurísticas configurables (no aprendidas de datos etiquetados). El Agente de Decisión calcula una puntuación agregada ponderada ( $S$ ) y una confianza global ( $C$ ) utilizando la fórmula:
$S = \frac{\sum w_g c_g s_g}{\sum w_g c_g}$
donde $w_g$ , $c_g$ , y $s_g$ representan el peso, la confianza y la puntuación del agente $g$ , respectivamente. La decisión final (fusión, no fusión o incertidumbre) se determina comparando la puntuación agregada contra un umbral de fusión configurable y aplicando reglas de conflicto (por ejemplo, el manejo de compatibilidad nominal débil o conflictos institucionales).
Ejecución: El marco procesa bloques de nombres de autores ambiguos en grupos paralelos. Evita la construcción de grafos, las Redes Convolucionales de Grafos (GCN) y el Agrupamiento Jerárquico Aglomerativo Mejorado por Grafos (GHAC), apoyándose en su lugar en señales heurísticas ligeras combinadas con embeddings semánticos.

Contribuciones Clave

Arquitectura Multi-Agente Cooperativa: Un sistema modular que separa la evaluación de la evidencia en agentes especialistas para datos nominales, semánticos, sociales, temporales e institucionales.
Estrategia de Decisión Configurable: Un mecanismo para combinar evidencia ponderada, umbrales de fusión y reglas de conflicto sin requerir el aprendizaje de extremo a extremo de datos etiquetados.
Implementación SPADE/XMPP: Una implementación práctica de la comunicación y coordinación de agentes utilizando la plataforma SPADE y mensajería XMPP.
Evaluación Exhaustiva: Una evaluación experimental en los conjuntos de datos AMiner12 y DBLP, que incluye comparaciones con líneas base (ATGEP, MD Similarity, Higher-order SA y ComMAND), análisis de sensibilidad de umbrales, estudios de ablación y evaluación de tiempo de ejecución.

Resultos Experimentales

Desempeño en AMiner12: AIDA-AND logró la puntuación de F1 por pares (pF1) más alta (0.834) entre todos los métodos comparados, superando al segundo mejor (MD Similarity, 0.784) con una mejora relativa del 6.4%. También alcanzó la mayor recuperación (recall) por pares (0.875). Sin embargo, ComMAND superó a AIDA-AND en métricas de nivel de clúster (ACP, AAP y K).
Desempeño en DBLP: En el conjunto de datos DBLP, ComMAND logró los valores más altos en todas las métricas. AIDA-AND alcanzó un pF1 de 0.605 y un valor K de 0.805. La menor precisión por pares (0.536) indicó una mayor tasa de fusiones de falsos positivos en comparación con las líneas base, probablemente debido a la ausencia de datos de afiliación en la versión de DBLP utilizada, lo que limitó la contribución del Agente Institucional.
Estudio de Ablación: La eliminación de los agentes Nominal, Semántico o Social resultó en las caídas más significativas en pF1, confirmando que estos son los componentes más influyentes. Los agentes Temporal e Institucional proporcionaron señales complementarias pero menos dominantes.
Eficiencia de Tiempo de Ejecución: Bajo los ajustes de ejecución paralela adoptados (5 grupos para AMiner12, 20 para DBLP), AIDA-AND redujo el tiempo de ejecución en un 50.1% en AMiner12 y un 87.4% en DBLP en comparación con ComMAND. Esta eficiencia se atribuye a la evitación de la construcción de grafos y el entrenamiento de GCN, combinada con el procesamiento paralelo.

Significancia y Reivindicaciones
Los autores posicionan a AIDA-AND como una alternativa competitiva, modular e interpretable para combinar evidencia semántica y heurística en AND. El marco aborda la necesidad de transparencia en la toma de decisiones, contrastando con los enfoques de "caja negra" basados en grafos o intensivos en LLM. Los resultados sugieren que, si bien los métodos basados en grafos (como ComMAND) pueden ofrecer una consistencia de clúster superior en ciertos contextos, el enfoque multi-agente cooperativo ofrece una vía viable para recuperar pares de mismos autores, particularmente cuando se dispone de múltiples fuentes de metadatos. Los autores enfatizan que el desempeño del marco es sensible a las características del conjunto de datos (por ejemplo, la disponibilidad de datos de afiliación) y que el umbral de fusión debe ajustarse por conjunto de datos. El trabajo concluye que AIDA-AND demuestra con éxito que un proceso de decisión cooperativo basado en agentes puede equilibrar eficazmente la evidencia heterogénea sin depender de un aprendizaje de grafos complejo o de la inferencia repetida de LLM.

Resumen Técnico: Un Marco de Multi-Agentes Cooperativos para la Desambiguación de Nombres de Autores

Más como este