.png){kind=icon}
返回
Adaptive hyperparameter optimization for author name disambiguation
.png){kind=icon}
OA
AI
DOI：10.1002/asi.24996.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在作者姓名消歧（AND）过程中，不同块的特征和噪声显著影响消歧性能。本文提出了一种基于块的自适应超参数优化方法，该方法为每个块分配最优超参数，而无需改变原始AND模型结构。在此基础上，使用优化结果训练随机森林模型，以拟合块的数据特征与其最优超参数之间的关系，从而实现对新块的超参数预测。在6种最新AND算法、11个公开数据集以及中国信息和通信技术（ICT）产业专利的人工标注数据集上的实证研究表明，所提出的方法在多个标准性能评估指标（聚类F1/成对F1、B-Cubed F1和K指标）上显著优于原始算法。随机森林回归的结果表明，所选择的16个特征能够有效预测最优超参数。进一步分析发现，相对块大小与相对性能及相对优化性能之间存在幂律关系，这种关系在所有数据集和评估指标中均成立，且自适应超参数优化算法对小块的相对性能提升尤为显著。这些发现为AND算法的发展提供了理论支持和实践指导。
Keyword:
NETWORKS
期刊
IF:
4.3
论文数:
153
被引数:
5.1K
机构
暂无机构信息
引用论文
LAGOS‐AND: A large gold standard dataset for scholarly author name disambiguationLAGOS‐AND: 一个用于学术作者姓名消歧的大型黄金标准数据集
PREAI
分享收藏The impact of imbalanced training data on machine learning for author name disambiguation.png)
SCIENTOMETRICS
OAAI
SCIENTOMETRICSIF3.5
OAAI分享收藏Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges超参数优化: 基础、算法、最佳实践和开放挑战OAAI
OAAI分享收藏Exploiting similarities across multiple dimensions for author name disambiguationSCIENTOMETRICS
SCIENTOMETRICSIF3.5
PREAI
分享收藏
查看更多内容