ACM SIGKDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining，國際數(shù)據(jù)挖掘與知識發(fā)現(xiàn)大會，簡稱 KDD）是數(shù)據(jù)挖掘領(lǐng)域國際頂級學(xué)術(shù)會議，今年的 KDD 大會將于 8 月 23 日至 27 日在線上召開。

8 月 13 日， SIGKDD 2020 官方公布了 2020 年 ACM SIGKDD 創(chuàng)新獎、服務(wù)獎、論文獎、新星獎、時間檢驗研究獎、時間檢驗應(yīng)用科學(xué)獎等六項大獎的獲得者，這些獎項是針對數(shù)據(jù)科學(xué)、機器學(xué)習(xí)、大數(shù)據(jù)和計算機科學(xué)領(lǐng)域的杰出個人和研究團隊而設(shè)立的。

值得一提的是，今年 KDD 頒發(fā)了首屆時間檢驗應(yīng)用科學(xué)獎（Test of Time Award for Applied Science）獎項，以表彰在數(shù)據(jù)科學(xué)的實際應(yīng)用中具有影響力的研究。清華大學(xué)計算機科學(xué)與技術(shù)系唐杰、李涓子等人憑借他們在 2008 年發(fā)表的關(guān)于學(xué)術(shù)社交網(wǎng)絡(luò)挖掘的研究成果獲得了這一獎項。

獲獎?wù)撐念}目為 ArnetMiner： Extraction And Mining Of Academic Social Networks，論文作者包括清華大學(xué)計算機科學(xué)與技術(shù)系的唐杰、張靜、姚利敏、李涓子，以及來自 IBM 中國研究實驗室的張莉和蘇中。

在這篇文章中，作者主要介紹了一個自主研發(fā)的面向研究者社會網(wǎng)絡(luò)的挖掘搜索系統(tǒng) ArnetMiner 的體系結(jié)構(gòu)和關(guān)鍵技術(shù)。下面我們來將詳細(xì)解讀一下這篇文章。

研究背景

近些年，學(xué)術(shù)社交網(wǎng)絡(luò)發(fā)展迅速，為眾多研究學(xué)者提供了良好的交流平臺，也產(chǎn)生了巨大的學(xué)術(shù)信息數(shù)據(jù)集。隨著數(shù)據(jù)挖掘和人工智能技術(shù)的發(fā)展，針對學(xué)術(shù)社交網(wǎng)絡(luò)進行數(shù)據(jù)挖掘和知識提取，進而為科學(xué)研究領(lǐng)域提供全方位的服務(wù)成為一大研究熱點。

在作者開始這項研究之時，學(xué)術(shù)圈已有 DBLP、CiteSeer、Google Scholar 等學(xué)術(shù)搜索系統(tǒng)發(fā)布，但是往往存在以下兩項不足之處：

1）缺乏語義信息。無論用戶輸入的個人資料或使用啟發(fā)式方法提取的各類信息，語義存在不完整或不一致性，缺少有效獲得大規(guī)模語義信息的方法；

2）缺乏異構(gòu)對象的統(tǒng)一建模方法。以前，學(xué)術(shù)網(wǎng)絡(luò)中不同類型的信息如學(xué)者、論文、會議期刊是單獨建模的，因此無法準(zhǔn)確捕捉它們之間的依賴關(guān)系。

為解決這兩個問題，作者所在的研究團隊開發(fā)了ArnetMiner系統(tǒng)。該系統(tǒng)旨在解決以下幾個問題：

1）如何自動從互聯(lián)網(wǎng)海量信息中提取研究人員的個人檔案？

2）如何集成不同來源提取的學(xué)術(shù)相關(guān)信息（例如研究人員的個人檔案和出版物）？

3）如何以統(tǒng)一的方法為不同類型的信息建模？

4）如何基于已構(gòu)建的網(wǎng)絡(luò)，提供強大的挖掘和搜索服務(wù)？

ArnetMiner系統(tǒng)（簡稱AMiner）

圖1：AMiner系統(tǒng)框架圖

圖 1 給出了 AMiner 系統(tǒng)框架圖，AMiner 系統(tǒng)自下而上主要包括五個部分：

1）研究者個人信息抽取（Extraction）：即從網(wǎng)絡(luò)上自動識別到研究者的個人主頁，并訓(xùn)練一個統(tǒng)一的模型，從中抽取研究者的各種基本信息。同時，從不同來源的論文數(shù)據(jù)庫抽取或收集作者所發(fā)表的論文信息；

2）個人信息融合（Integration）：通過使用研究者姓名作為標(biāo)識符，將提取的研究者的個人資料和提取的出版物信息進行整合。提出了馬爾科夫隨機場概率模型，以解決融合不同來源論文數(shù)據(jù)時面臨的重名歧義問題；

3）存儲和訪問（Storage and Access）：系統(tǒng)將集成的數(shù)據(jù)存儲在研究者網(wǎng)絡(luò)知識庫（RNKB）中，利用MySQL作為存儲數(shù)據(jù)庫，并使用反向文件索引方法進行信息索引；

4）建模（Modeling）：文章提出一個概率生成模型，通過對學(xué)術(shù)網(wǎng)絡(luò)中的研究者、論文、會議等不同類型的信息進行綜合分析，對每種信息進行主題分布估計；

5）搜索服務(wù)（Search Services）：基于建模結(jié)果，提供多種搜索服務(wù)，包括專家搜索、關(guān)聯(lián)關(guān)系搜索、論文推薦以及引用推薦等。

該系統(tǒng)重點解決三個技術(shù)難點：

1）學(xué)術(shù)網(wǎng)絡(luò)中研究者個人信息自動抽取問題；

2）不同來源學(xué)術(shù)論文融合過程中的重名排歧問題；

3）學(xué)術(shù)網(wǎng)絡(luò)中研究者、論文、會議等異質(zhì)實體的統(tǒng)一建模問題。