💻 computer science

A Cooperative Multi-Agent Framework for Author Name Disambiguation

本文介绍了 AIDA-AND，这是一个协作式多智能体框架，它通过专门的智能体将语义表示与可解释的元数据证据相结合，以实现具有竞争力的、模块化的且高效的作者姓名消歧，在显著减少执行时间的同时提升了在基准数据集上的性能。

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

发布于 2026-08-20

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代科学广袤的数字档案中，存储并可供检索的研究论文数以百万计，一个隐蔽但持续存在的问题正威胁着我们要扭曲对“谁做了什么”的理解。当一名研究人员发表论文时，其姓名是用于查找其作品、追踪其职业生涯并衡量其影响力的主要键值。然而，姓名往往具有歧义。两位不同的科学家可能拥有完全相同的姓名，或者同一位科学家可能会以略微不同的姓名变体发表论文，例如在一部论文中使用全名，而在另一部论文中使用首字母缩写。如果没有一种方法来理清这些情况，不同人的作品可能会被混淆在一起，形成一个混乱的单一档案；而一个人的作品也可能被分散在几个不同的档案中。这种混乱扭曲了用于评估科学进展的统计数据，也使得观察协作的真实图景变得困难。将这些姓名理清并将每篇论文正确分配给其真实作者的任务被称为作者姓名消歧（author name disambiguation），这是任何试图理解世界科学文献的人面临的一项关键挑战。

为了解决这个问题，来自巴西大学的一个研究小组开发了一个名为 AIDA-AND 的新系统。他们并没有依赖于一个试图一次性处理所有信息的单一庞大算法，而是构建了一个由专业数字代理组成的协作团队。想象一下，房间里有一群专家，每个人都有特定的工作：一个负责查看姓名的拼写，另一个检查论文的主题，第三个检查作者曾与谁合作过，还有一些人观察论文发表的时间以及作者的任职机构。在这个框架下，每个代理都独立行动，收集证据并对两篇论文是否由同一个人撰写形成意见。随后，这些意见会被一个决策代理汇总，该代理会权衡各项证据，考虑每条信息的强度和可靠性，从而做出最终判断。这种方法使系统具有透明度和可调节性，让研究人员能够准确看到哪些线索导致了决策，以及应对每种类型的证据应持有多少信任度。

研究人员在两个包含数千个歧义作者姓名的真实世界科学数据集（即 AMiner12 和 DBLP）上测试了这个系统。他们将这个新的多智能体团队与现有的其他方法进行了对比，包括使用图网络和人工智能模型的复杂系统。结果显示，这种协作方法非常有效，特别是在 AMiner12 数据集上，它在正确识别同一作者撰写的论文对方面优于所有其他方法。该系统的成功率显著高于排名第二的方法，这表明通过专家团队结合不同类型的证据是一种强大的策略。在 DBLP 数据集上，虽然另一种方法在整体表现上略胜一筹，但新系统仍然取得了极具竞争力的结果，并证明了它可以在不需要构建庞大、复杂的连接网络的情况下处理现实世界的复杂数据。

该研究的一个关键发现是，系统的性能在很大程度上取决于可用信息的质量和类型。研究人员发现，负责检查姓名拼写、语义含义和共同作者关系的代理在做出正确决策时最具影响力。当这些特定的代理从团队中移除时，系统的准确率大幅下降，证明了这些线索是必不可少的。然而，系统也显示出，如果能获得机构信息（如作者所属的大学或组织），在那些提供此类信息的数据库中，情况会有显著改善。这突显了系统的灵活性：它可以适应不同类型的数据，尽管在拥有丰富多样线索时表现最佳。

除了准确性之外，研究人员还发现他们的团队协作法速度极快。通过并行运行代理并避免构建复杂的数学图谱或为每个决策训练沉重的人工智能模型，该系统完成任务的速度比竞争方法快得多。在一次测试中，它的完成时间缩短了一半，而在另一次测试中，它甚至快了近八倍。这种速度结合其解释推理的能力，表明该框架为整理世界科学记录提供了一种实用且高效的替代方案。研究结论指出，虽然没有哪种方法能完美适用于所有情况，但通过一个由专业化代理组成的协作团队，可以为解决作者姓名消歧这一持久难题提供一种稳健、可解释且快速的方法。

技术摘要：一种用于作者姓名消歧的协作式多智能体框架

问题陈述
作者姓名消歧（Author Name Disambiguation, AND）是数字图书馆和书目数据管理中的一个关键挑战。由于同名异人（不同作者具有相似姓名）和同人异名（同一作者使用多种姓名变体）导致的姓名歧义，会导致错误的出版物归属、破碎的作者档案以及扭曲的文献计量指标。虽然 AND 通常被表述为一个聚类任务，但其决策过程需要综合多种异构且往往具有噪声的证据源，包括姓名数据、共同作者关系、出版场所、机构以及时间信息。现有方法涵盖了从基于规则的启发式算法到复杂的图模型以及大语言模型（LLM）流水线，这些方法可能面临计算成本高、缺乏可解释性或依赖重复推理的问题。

方法论：AIDA-AND 框架
本文提出了 AIDA-AND（基于智能体的作者歧义智能消歧），这是一个旨在将 AND 过程模块化的协作式多智能体系统（MAS）。该框架将消歧任务分解为负责评估特定证据源的专家智能体，并由一个协调器和一个决策智能体进行协调。

架构与智能体： 系统利用了七个专家智能体：
- 姓名智能体（Nominal Agent）： 使用标记重叠度、字符串相似度和 Jaccard 相似度来评估姓名字符串、姓氏、首字母缩写及变体。
- 语义智能体（Semantic Agent）： 利用缓存的 IBM Granite 模型（granite-embedding-311m-multilingual-r2）嵌入向量，对元数据（标题、摘要、关键词等）进行语义相似度计算。
- 社交智能体（Social Agent）： 分析共同作者重叠情况，并为重复出现的共同作者授予加分。
- 时间智能体（Temporal Agent）： 评估出版年份的兼容性，对较大的时间间隔进行惩罚。
- 机构智能体（Institutional Agent）： 评估所属机构、组织和电子邮件域名。
- 决策智能体（Decision Agent）： 聚合来自各专家智能体的意见。
- 协调器（Orchestrator）： 使用 SPADE/XMPP 协议协调智能体间的通信，并更新预测的聚类。
证据评分与决策策略：
每个专家智能体根据启发式的、可配置的规则（非从标注数据中学习）生成一个分数和一个置信值。决策智能体使用以下公式计算加权聚合得分（ $S$ ）和全局置信度（ $C$ ）：
$S = \frac{\sum w_g c_g s_g}{\sum w_g c_g}$
其中 $w_g$ 、 $c_g$ 和 $s_g$ 分别代表智能体 $g$ 的权重、置信度和得分。最终决策（合并、不合并或不确定）通过将聚合得分与可配置的合并阈值进行比较，并应用冲突规则（例如，处理弱姓名兼容性或机构冲突）来确定。
执行： 框架以并行组的形式处理有歧义的作者姓名块。它避免了构建图、图卷积网络（GCN）和图增强层次聚类（GHAC），而是依赖于轻量级的启发式信号结合语义嵌入。

核心贡献

协作式多智能体架构： 一个模块化系统，将证据评估分离为针对姓名、语义、社交、时间及机构数据的专家智能体。
可配置的决策策略： 一种无需从标注数据中进行端到端学习即可组合加权证据、合并阈值和冲突规则的机制。
SPADE/XMPP 实现： 使用 SPADE 平台和 XMPP 消息传递实现的智能体通信与协调的实用实现。
全面的评估： 在 AMiner12 和 DBLP 数据集上进行了实验评估，包括与基准方法（ATGEP、MD Similarity、Higher-order SA 和 ComMAND）的对比、阈值敏感性分析、消融研究以及运行时评估。

实验结果

AMiner12 表现： AIDA-AND 取得了对比方法中最高的成对 F1 值（pF1）（0.834），比排名第二的方法（MD Similarity, 0.784）相对提升了 6.4%。它还取得了最高的成对召回率（0.875）。然而，ComMAND 在聚类级指标（ACP、AAP 和 K）方面表现更优。
DBLP 表现： 在 DBLP 数据集上，ComMAND 在所有指标上均取得了最高值。AIDA-AND 的 pF1 为 0.605，K 值为 0.805。较低的成对精确度（0.536）表明其存在比基准方法更高的误报合并率，这可能是由于所使用的 DBLP 版本缺乏机构数据，从而限制了机构智能体的贡献。
消融研究： 移除姓名、语义或社交智能体导致 pF1 最显著的下降，证实了它们是最具影响力的组成部分。时间与机构智能体提供了补充但较不占主导地位的信号。
运行时效率： 在采用的并行执行设置下（AMiner12 为 5 组，DBLP 为 20 组），AIDA-AND 在 AMiner12 上减少了 50.1% 的执行时间，在 DBLP 上减少了 87.4% 的执行时间（相比 ComMAND）。这种效率归功于避免了图构建和 GCN 训练，并结合了并行处理。

意义与主张
作者将 AIDA-AND 定位为一种竞争性的、模块化的、且具有可解释性的替代方案，用于结合语义和启发式证据进行 AND。该框架解决了决策过程中的透明度需求，与“黑盒”式的图方法或重度依赖 LLM 的方法形成对比。结果表明，虽然图方法（如 ComMAND）在某些语境下可能产生更优的聚类一致性，但协作式多智能体方法为恢复相同作者对提供了一条可行路径，特别是在存在多种元数据来源时。作者强调，框架的性能对数据集特征（例如，机构数据的可用性）具有敏感性，且合并阈值必须针对每个数据集进行调整。该工作得出结论，AIDA-AND 成功证明了协作式、基于智能体的决策过程可以在不依赖复杂图学习或重复 LLM 推理的情况下，有效地平衡异构证据。

技术摘要：一种用于作者姓名消歧的协作式多智能体框架

类似论文