沈 喆，王 毅，鞠秀芳，成 颖

（1. 南京大学信息管理学院，南京 210023；2. 南京大学中国社会科学研究评价中心，南京 210093）

1 引 言

目前，作者名歧义已经对科学计量与评价研究的可靠性、信息检索的查全与查准率等产生了较大的负面影响[1]。为此，在作者个体层面建立完整且准确的学术成果集，即实现作者名消歧（author name disambiguation，AND） 已成为学界的迫切需求。鉴于AND 提供的重要数据支撑作用，学界已经对其开展了相当丰富的研究，研究成果的概貌可见之于 Smalheiser 等[2]、Elliott[3]、Hussain 等[4]、San‐yal 等[5]学者的综述。不过，现有研究与实践尚难以支撑后继应用的需要，比如，ORCID、ResearchID等作者身份标识码存在普及率不高的问题；个人或研究团队主页等外源性数据普遍存在数据不完整、更新不及时以及网页的异构造成的可用性低等问题；基于机器学习的消歧模型的F1 值普遍差强人意且泛化能力弱[6]，以AMiner 数据库为例，其研究团队利用网络表示学习等方法建构的消歧模型的F1值仅达到了0.68[7]。

高层次科研人才作为国家科技核心竞争力和科学事业发展的领军人物，现有的计量以及科技人才评价等研究多聚焦于此，如诺贝尔奖获得者[8-10]、中国科学院院士[11]、长江学者[12-13]、国家杰出青年科学基金获得者（下文简称“杰青”）[14]等。相关研究重点探讨了人才的产出规律、成长轨迹以及影响因素等。显然，高AND 精确率和召回率的数据集是相关研究得到可靠结论的重要前提。目前，有关诺贝尔奖获得者的成果已经有开放的数据集，具体到院士、长江学者以及杰青等我国的高层次科研人才尚未见类似的成果，现有研究主要通过人工核验等方式收集少量样本数据[11-14]。……