简介
在许多应用中，同名消歧一直被视为一个具有挑战性的问题，例如科学文献管理，人物搜索和社交网络分析。 当我们在这些系统中搜索人名时，可以返回包含该人姓名的许多文档（例如，论文，网页）。 哪些文档包含的是我们关心的人？ 尽管已经进行了大量研究，但该问题仍未能解决。
此页面从AMiner收集了三个同名消歧数据集。 这三个数据集可用于研究同名消歧，目标识别等。更具体地，V1和V2是手动标记的两个数据集，但相对较小。 V3较大，但可能包含一些噪音。 有兴趣的读者请参考以下文献[1-4]了解更多详情。
| 数据集 | #姓名 | #作者 | #论文 | 日期 |
| na-v1 [2][3] | 110 | 1,723 | 8,505 | |
| na-v2 [4] | 100 | 12,798 | 70,285 | 2018-8-9 |
| na-v3 [4] | 23,823 | 83,980 | 1,203,482 | 2018-8-9 |
数据描述
na-v1 [2][3] [简单版下载，数据说明] [完整版下载，数据说明]
该数据集包含110个作者姓名及其消除歧义的结果。 每个作者姓名对应于“raw-data”文件夹中的原始文件和“Answer”文件夹中的答案文件。 （简单版本不包含“引用关系”，“相同单位”，“个人主页”这几个属性。有关这些属性的定义，请参阅我们的ICDM [3] 论文。）
- Raw file: 原始文件格式为XML文件。 在XML文件中，作者姓名与许多论文相关联。 论文的一个例子如下： " <publication> <title>Explanation-based Failure Recovery</title> <year>1987</year> <authors>Ajay Gupta</authors> <jconf>AAAI</jconf> <id>13048</id> <label>0</label> <organization>null</organization> </publication> " 其中<title>表示论文的标题; <year>表示发表年份; <jconf>表示发表的会议或期刊; <id>表示论文ID; <label>表示人的标签，例如，所有带有“<label> 0 </ label>”的论文可被视为由同一人发布; <organization>表示作者的隶属单位。 - Answer file: 答案文件是消歧结果。它实际上是通过查看具有相同“<label> 0 </ label>”的论文从原始文件中提取的。 格式为纯文本格式。 以下是一个例子： " #Ajay Gupta #1:13048 388794 596099 1265282 1179332 675629 39153 258611 #2:988870 1490190 #3:1393934 #4:1398544 #5:1739014 #6:1671104 515636 1678096 #7:1126381 1205032 275987 277587 276300 1549674 1034401 #8:600181 846439 149270 175996 264268 264291 299548 1384744 300057 302056 545651 1212517 #9:1316053 " 其中第一行表示作者姓名，下面每行表示一个消除歧义的人。 例如，第一行表示作者发表了8篇论文。 这些论文的相应ID分别为13048,387874,596099,1265282,1179332,675629,39153,258611。
na-v2 [4] [下载]
该数据集包含4个文件。
1. test_name_list.json：该文件包含所有作者姓名，格式为JSON array。
2. name_to_pubs_train_500.json：此文件可用作训练数据，其中包括姓名 - 人 - 论文的映射关系。
数据格式：此文件中的数据表示一个字典（dictionary, 记为dic1），存储为JSON对象。 dic1的键（key）是作者姓名。 dic1的值（value）是表示作者的字典（记为dic2）。 dic2的键（key）是作者ID， dic2的值（value）是该作者的论文ID列表。
3. name_to_pubs_test_100.json：此文件可用作测试数据，其中包括名称 - 人 - 论文的映射关系。 其数据格式与name_to_pubs_train_500.json相同。
4. pubs_raw.json：此文件包含其他文件中提到的所有论文的元数据，数据存储为JSON对象。
数据格式：此文件的数据表示为一个字典（dictionary），其键（key）是论文ID，其值是相应的论文。 每篇论文的数据格式如下：
| 域 | 类型 | 含义 | 举例 |
| id | string | 论文ID | 53e9ab9eb7602d970354a97e |
| title | string | 题目 | Data mining: concepts and techniques |
| authors.name | string | 作者姓名 | Jiawei Han |
| author.org | string | 作者单位 |
department of computer science university of illinois at urbana champaign |
| author.id | string | 作者ID | 5b5433f1e1cd8e4e1511294d |
| venue | string | 会议/期刊 | Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial |
| year | int | 发表年份 | 2000 |
| keywords | list of strings | 关键词 | ["data mining", "structured data", "world wide web", "social network", "relational data"] |
| abstract | string | 摘要 | Our ability to generate... |
该数据集用于[4]。 在我们的论文中，我们过滤了论文总数少于5的作者。
na-v3 [4] [下载]
该数据集包含2个文件。 它是na-v2扩大版本。
1. name_to_pubs_test_large.json：该文件包括名称 - 人 - 论文的映射关系。 其数据格式与na-v2中的name_to_pubs_train_500.json相同。
2. papers.txt：此文件包含name_to_pubs_test_large.json中提到的所有论文。
数据格式：每行代表一篇论文，每篇论文表示为一个JSON对象。 每篇论文的数据格式与na-v2中pubs_raw.json的数据格式相同。
参考文献
[1] Jie Tang, Jing Zhang, Limin Yao, Juanzi Li, Li Zhang, and Zhong Su. ArnetMiner: Extraction and Mining of Academic Social Networks. In Proceedings of the Fourteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD'2008). pp.990-998. [PDF] [Slides] [System] [API]
[2] Jie Tang, A.C.M. Fong, Bo Wang, and Jing Zhang. A Unified Probabilistic Framework for Name Disambiguation in Digital Library. IEEE Transaction on Knowledge and Data Engineering (TKDE), 2012, Volume 24, Issue 6, Pages 975-987. (if =2.236) [PDF] [Data]
[3] Xuezhi Wang, Jie Tang, Hong Cheng, and Philip S. Yu. ADANA: Active Name Disambiguation. In Proceedings of 2011 IEEE International Conference on Data Mining (ICDM'11), pages 794-803. [PDF] [Slides] [Code&Data&System]
[4] Yutao Zhang, Fanjin Zhang, Peiran Yao, and Jie Tang. Name Disambiguation in AMiner: Clustering, Maintenance, and Human in the Loop. In Proceedings of the Twenty-Forth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'18). [PDF] [slides] [poster] [data & code] [video]