LAGOS-AND：面向学术作者名消歧的大型黄金标准数据集
数字图书馆
2022-07-15 v2
摘要
本文中，我们提出一种方法，通过利用权威学术资源 ORCID 和 DOI，自动构建学术界作者歧义问题的大型标注数据集。利用该方法，我们构建了 LAGOS-AND，两个用于作者名消歧（AND）的大型黄金标准数据集，其中 LAGOS-AND-BLOCK 用于基于聚类的作者名消歧研究，LAGOS-AND-PAIRWISE 用于基于分类的作者名消歧研究。我们的 LAGOS-AND 数据集与现有数据集有实质性不同。数据集的初始版本（v1.0，发布于 2021 年 2 月）包含由 798K 位唯一作者撰写的 7.5M 条引文（LAGOS-AND-BLOCK）以及近 1M 个实例（LAGOS-AND-PAIRWISE）。并且在六个维度的验证中，两个数据集均与整个 Microsoft Academic Graph（MAG）表现出高度相似性。在构建数据集时，我们通过比较 PubMed、MAG 和 Semantic Scholar 三个文献数据库中承载的作者名与其 ORCID 页面上显示的作者官方姓氏，揭示了姓氏的变化程度。此外，我们在数据集上评估了若干基线消歧方法以及 MAG 的作者 ID 系统，该评估有助于识别若干有趣发现。我们希望这些数据集与发现能为未来研究带来新见解。代码与数据集均已公开可用。
引用
@article{arxiv.2104.01821,
title = {LAGOS-AND: A Large Gold Standard Dataset for Scholarly Author Name Disambiguation},
author = {Li Zhang and Wei Lu and Jinqing Yang},
journal= {arXiv preprint arXiv:2104.01821},
year = {2022}
}
备注
33 pages, 7 tables, 7 figures