Paper Summary： Record Linkage
很久之前的記錄了，現在發出來，並會繼續新增以便查閱~ --2018.11.07
一、Ranking Scientific Articles by Exploiting Citations, Authors, Journals, and Time Information（2013年@AI）
1、論文目的
（1）如何綜合各種因素在異構網路上對論文進行排名？
（2）如何利用時間這個特性，因為引用量每天都是變化的，變化的引用量構成了一個動態的網路關係，一個近期才發表的論文，雖然當前的引用量不是很高，但是我們不能只根據引用量計算論文的排名，應該適當提升它的分數。
2、論文主要思想
（1） 構造了3個子網路，包括引用關係網路、論文和作者關係、論文和傳媒關係
（2） 使用了pagerank和HITS相結合的思想。
（3） 比較充分的考慮了時間的因素。使用了一些關於時間的策略。
3、論文可參考點
對時間特徵函式的設定。
二、A Unified Probabilistic Framework for Name Disambiguation in Digital Library（2012年@TKDE）
本篇論文是清華大學唐傑老師的一篇文章，其演算法也是應用在學術網站Aminer上姓名消歧的文章。網站網址：http://www.aminer.cn/
1、論文目的
對搜尋某一姓名下的所有文章分類，使真實的同名作者對應其不同的論文。
2、論文主要思想
（1）把論文當做節點，綜合考慮節點的相似度以及節點之間的關係，將其Formalize成一個隱馬爾科夫隨機場，其中論文是可觀測變數，論文所屬類別（屬於哪一個人）是隱變數。基於此模型，提出一種類似KMeans的演算法（與Kmeans的不同在於在將某論文分配給某類別時的演算法不同，KMeans最大似然平方和，而本篇論文是自定義的節點相似度以及節點間相互關係）
（2）將似然函式中出現的配分函式不可計算的NP-hard問題轉化為One-Step Sampling問題（這個主要引用了Hinton在2002年的文章：Hinton G E. Training products of experts by minimizing contrastive divergence.[M]. MIT Press, 2002.）。
（3）提出auto K的演算法，K是指具體要把某個姓名下的所有論文分成幾個人，這個演算法思想與Xmeans比較類似，都是利用了BIC準則。
3、論文可參考點
（1）Xmeans的auto K思想
（2）定義的relationship型別可參考
三、Ranking-Based Name Matching for Author Disambiguation in Bibliographic Data（2013年@KDD）
1、論文目的
Author-name disambiguation的兩個主要問題，一個是不同的作者有相同的姓名，同一個作者有不同的姓名。本文主要就是解決Author-name disambiguation的問題。
2、論文主要思想
通過一系列pattern確定兩個作者是不是同一作者。本文主要使用的是元路徑，基於元路徑來確定兩個實體的相似度。元路徑的pattern需要自己制定，可以轉化為矩陣運算的問題，最後基於不同pattern的元路徑相似度加權求和進行最終的決策。
3、其他
本文仍然是基於傳統的方法，類似於特徵工程，裡面除了包含大量的特徵工程外，將元路徑引入其中，可以將路徑中的隱藏關係以及路徑中跨度較大的關係加入進去。
四、CoLink: An Unsupervised Framework for User Identity Linkage（2018年@AAAI）
1、論文目的
對於兩個資料來源中的使用者，進行使用者連結。
2、論文背景
（1）有監督方法代價較高，所以本文使用的是無監督的方法。
（2）傳統的基於相似度的方法在很多場合下不適用，如：在一個數據源的職位是簡寫，另一個數據源使用的是全稱，對於這樣的問題使用傳統方法比較相似度為0。
（3）針對的是one-to-one的問題，即認為資料來源內容所有使用者唯一。
3、論文主要思想
考慮attribute-based model和relationship-based model。
（1）對於relationship-based model使用的比較簡單，主要是根據好友中匹配的個數進行連線.
（2）本文主要是attribute-based model，attribute-based model使用了seq3sel model，也就是機器翻譯中資料對齊的思想，這樣可以解決上面提到的字元沒有重複，但是可以根據語義特徵等計算準確性從而更好地進行使用者連結。除此之外，seq2seq model在訓練的時候只需要使用少量正例，不需要使用負例。
（3）二分類問題。
4、論文主要創新點
（1）co-training演算法，即首先根據attribute-model產生匹配資料，再根據relationship-model產生匹配資料，接著去掉衝突資料，並不斷迭代，直到收斂或者達到閾值要求。
（2）第一次將機器翻譯中的Seq2seq-model用於實體連線問題，和機器翻譯不同的是，在最後沒有輸出序列， 因為解決的是二分類問題，所以直接獲取的是和不同target匹配的概率值，並基於此概率值使用合適的閾值確定分類結果。
5、其他
（1）在初步篩選之後，隨機匹配的F1值達到51.64，應該可以說明資料集本身的質量就比較高，這種方法換到其他問題不一定會有這麼好的效果。
（2）co-training和seq2seq都是套用已有的模型，並作出相應的更改，但是對於實體連線領域來說，算是比較前沿的解決方法。
五、ELM-based name disambiguation in bibliography（2015年@WWW）
1、論文目的
論文中的姓名消歧問題。
2、論文主要思想
提出兩個策略：①一個分類器訓練一個name（OCEN）。②一個分類器訓練所有name（OCAN）。使用ELM（極限學習機）技術。
（1）OCEN
構造了三個特徵：author name, titles and book titles。
這三個特徵的構造都是基於word，比如對於title，把title中的所有詞當做特徵。
因為特徵維度較大，所以使用了PCA進行降維。
（2）OCAN
提出了basic和enhanced特徵提取，在basic的特徵提取中，只是簡單的基於三個屬性進行了提取；在enhanced特徵提取中，加入了relationship特徵。
3、其他
使用ELM，演算法暫時沒有深入瞭解，演算法相比於單隱層神經網路，在保證學習精度的前提下比傳統的學習演算法速度更快。
六、Name Disambiguation in AMiner: Clustering, Maintenance, and Human in the Loop（2018年@KDD）
1、論文目的
Aminer系統中論文的作者消歧。
2、論文主要思想
考慮global model和local model。
（1）對於global model，藉助負取樣的思想，將
三個元素一起訓練，使得目標loss最小，從而得到global embedding function。
（2）對於local model，主要是藉助Encoder-Decoder的思想，輸入是兩篇論文的相似關係（輸入圖的構建藉助了特徵的相似度，超過設定閾值則說明兩篇文章有邊連線），目標是優化重構圖的鄰接矩陣的最小誤差。
（3）Cluster size的估計使用了RNN，輸入文章，預測這些文章屬於的作者數。
3、論文主要創新點
（1）把各種前沿技術運用其中。
（2）應用在成熟的系統中，實用性強。
七、Ethnicity sensitive author disambiguation using semi-supervised learning ( 2016年@KESW )
1、論文目的
數字圖書館中作者的姓名消歧，包括同一個姓名錶示不同的人，或者不同姓名指的是同一個人。
2、論文主要思想
論文主要分3階段：
（1）Blocking
第一階段就是常規的分塊階段，主要將比較相似的人分到同一個block中，不相似的人分到不同的block中。
（2）Linkage function
第二階段是根據構造的特徵和分類器，學習linkage function，linkage function就是距離函式，這裡學習其引數。
這一階段中涉及訓練集的構造。訓練集最簡單的構造方法是同一訓練集中pairwise，label為1；不同訓練集的資料pairwise，label為0。但是這樣構造訓練集比較Coarse-grained，因此採用的方法是：對於同一個block中，若A和B是一個實體，則label為1，否則label為0。
（3）Clustering
使用的是層次聚類，使用的距離計算方法就是（2）中學習到的linkage function。對於最後層次聚類結果的擷取，本文使用了3種方法生成：
其中，
No cut表示的是不經擷取的層次聚類的結果。
Global Cut表示的是設定全域性閾值，即無論對於哪個cluster，都是用同一個閾值就行擷取。
Block Cut指標對每一個cluster，有一個擷取的閾值。
3、論文主要創新點
（1）在linkage function步驟中，考慮了不同地區的名稱以及種族習慣差異。
（2）在最後的cluster中，除了傳統了層次聚類，提出了基於Global和Block的擷取方案。
4、個人看法
（1）思路較傳統，但是有一些創新細節，比如考慮種族差異的特徵等。
（2）實驗結果太優秀。