(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210060374.7 (22)申请日 2022.01.19 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 庄越挺　胡单春　邵健　鲁伟明　 宗畅　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/335(2019.01) G06F 16/38(2019.01) G06N 20/00(2019.01) (54)发明名称 一种推荐架构下的基于对比学习调优的论 文作者消歧方法 (57)摘要 本发明公开了一种推荐架构下的基于对比 学习调优的论文作者消歧方法。 本发 明将论文作 者消歧任务抽象为单塔推荐架构下的推荐排序 问题。 提出基于Wide&Deep推荐架构的排序算法 解决基于表 示的深度学习模型的语义漂移问题， 实现基于多字段多实例注意力机制的深度模型 与基于特征工程的线性模型相结合， 使模型同时 具备较强的泛化能力与记忆能力。 此外， 注意到 真实匹配对之间应存在一定潜在模式的数据特 点， 针对性提出一种对比学习调优算法， 引入对 比学习损失， 构建对比学习的正负样本， 促使模 型学习区分 真实匹配对的高层次特 征。 权利要求书3页 说明书13页 附图2页 CN 114519108 A 2022.05.20 CN 114519108 A 1.一种推荐架构下的基于对比学习调优的论文作者消歧方法， 其特征在于， 包括以下 步骤： 步骤1： 获取已有的专家档 案库G＝(E， P， EP， F)， 其中E是专家集合， ei表示第i个专家， P 是已消歧论文集合， EP是专家与已消歧论文的著作权从属关系集合， 定义为{epi， j∈EP|专 家ei的j篇论文}， F是属性字段集 合； 步骤2： 对于待消歧论文作者对＜p， a＞∈PA， 其中PA是待消歧论文作者对集合， p， a分 别是论文和作者姓名， 首先根据作者姓名a在专家档案库G中找到相关的候选专家实体集合 CN， 最终的候选集合C＝CN∪NIL， 其中CN为专家档案库中匹配到的专家实体集合， NIL为不可 链接指称项， 代指不存在于已有专家档 案库中的专家实体； 将真实匹配专家记为c*， 则c*∈ C； 步骤3： 对于每个候选专家c∈C， 将其发表的论文信息与待消歧论文作者对信息分别通 过Wide模 型和Deep 模型得到浅层特征与深层特征的相似度向量表 示， 并拼接获得最终的相 似度向量表示Simc； 步骤4： 应用打分模块对每一个候选实体c与待消歧论文作者对之间的相似度进行打 分， 获得分数Sc： Sc＝FC(Simc) 步骤5： 分数Sc最高的候选实体c被认为是匹配实体。 2.根据权利要求1所述的推荐架构下的基于对比学习调优的论文作者消歧方法， 其特 征在于， 所述的步骤3)中， 所述的Wide模 型为基于特征工程的线性模 型， 所述Deep模 型为基 于多字段多实例的消歧模型。 3.根据权利要求1所述的推荐架构下的基于对比学习调优的论文作者消歧方法， 其特 征在于， 所述的步骤3)具体为： 步骤3‑1： 对于Wide模型， 首先利用其 内的浅层 特征构建模块构 建简单的线性特征X(＜ p， a＞， c)＝[ X1(＜p， a＞， c)， ...， Xn(＜p， a＞， c)]， 其中， n为Wide模型使用的浅层特征数； 然后通过两层线性层MLP生成浅层相似度向量表示 χ(＜p， a＞， c)： χ(＜p， a＞， c)＝MLP(X(＜p， a＞， c) ) 步骤3‑2： Deep模型基于不同属性字段与 不同论文对消歧结果的影响， 分别建模全局相 似度编码模块与局部相似度编 码模块， 分别获得全局相似度向量表示和局部相似度向量表 示， 并融合获得深层相似度向量表示 步骤3‑3： 获得浅层相似度向量表示 χ(＜p， a＞， c)与深层相似度向量表示 后， 拼接获得相似度向量表示Simc： 4.根据权利要求3所述的推荐架构下的基于对比学习调优的论文作者消歧方法， 其特 征在于， 所述的步骤3 ‑2具体包括如下步骤： 步骤3‑2‑1： 全局相似度编码模块利用候选专家c的所有论文， 根据属性字段f∈F分组 进行相似度计算， 并使用注意力机制体现不同字段对相似度向量表示的影响， 计算全局相 似度向量表示φ(＜p， a＞， c)； 步骤3‑2‑2： 局部相似度编码模块基于专家发表的论文有多个主题的假设， 认为待消歧权　利　要　求　书 1/3 页 2 CN 114519108 A 2论文只与部分候选专家论文强相关， 而剩余论文弱相关甚至不相关， 因此单独对待消歧论 文与候选专家每一篇论文进行相似度编码； 最终同样使用注意力机制体现不同论文的影 响， 计算局部相似度向量表示 ψ(＜p， a＞， c)； 步骤3‑2‑3： 获得全局相似度向量表示与局部相似度向量表示后， 拼接并通过3层线性 层获得深层相似度向量表示 其中 表示拼接操作： 5.根据权利要求4所述的推荐架构下的基于对比学习调优的论文作者消歧方法， 其特 征在于， 所述的步骤3 ‑2‑1具体为： 首先对于每种属性f， 构建基于token的相似度矩阵SimMf， 其大小为Np， f×Mc， f， 其中Np， f 是论文p的属性f的token数目， Mc， f是候选专家c的属性f的token数目， 第n行第m列的元素矩 阵元 其中 分别为论文p在属性f第n个token的词向量、 候 选专家实体c在属性f第m个to ken的词向量， 均由W ord2Vec获得； 然后对属性f的相似度矩阵应用RBF核聚合函数， 得到一个固定维度K的向量表示φf(＜ p， a＞， c)： RBF(SimMf， t)＝{RBF1(SimMf， t)， ...， RBFK(SimMf， t)}， 其中 μk， σk分别是第k个核的均值与方差； 最后利用注意力机制获得全局相似度向量表示φ(＜p， a＞， c)， 其中wglobal∈R1×K、 bglobal∈R1分别是用于计算注意力分数的权 重参数与偏置参数： 6.根据权利要求4所述的推荐架构下的基于对比学习调优的论文作者消歧方法， 其特 征在于， 所述的步骤3 ‑2‑2具体为： 对候选专家c的每一篇论文， 应用全局相似度编码模块， 计算这篇论文相对于待消歧论 文作者对的局部相似度向量表示 ψi(＜p， a＞， c)。 应用注意力机制计算注意力权重βi， 以此来表示每篇论文的相关程度， 并加权得到局部 相似度向量表示ψ(＜p， a＞， c)， 其中wlocal∈R1×K、 blocal∈R1分别是用于计算注意力分数的 权重参数与偏置参数， 在实验过程中wlocal、 blocal为wglobal、 bglobal： 权　利　要　求　书 2/3 页 3 CN 114519108 A 3