ACM SIGKDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining，國際數據挖掘與知識發現大會，簡稱 KDD）是數據挖掘領域國際頂級學術會議，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 創新獎、服務獎、論文獎、新星獎、時間檢驗研究獎、時間檢驗應用科學獎等六項大獎的獲得者，這些獎項是針對數據科學、機器學習、大數據和計算機科學領域的杰出個人和研究團隊而設立的。

值得一提的是，今年 KDD 頒發了首屆時間檢驗應用科學獎（Test of Time Award for Applied Science）獎項，以表彰在數據科學的實際應用中具有影響力的研究。清華大學計算機科學與技術系唐杰、李涓子等人憑借他們在 2008 年發表的關于學術社交網絡挖掘的研究成果獲得了這一獎項。

獲獎論文題目為 ArnetMiner： Extraction And Mining Of Academic Social Networks，論文作者包括清華大學計算機科學與技術系的唐杰、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的面向研究者社會網絡的挖掘搜索系統 ArnetMiner 的體系結構和關鍵技術。下面我們來將詳細解讀一下這篇文章。

研究背景

近些年，學術社交網絡發展迅速，為眾多研究學者提供了良好的交流平臺，也產生了巨大的學術信息數據集。隨著數據挖掘和人工智能技術的發展，針對學術社交網絡進行數據挖掘和知識提取，進而為科學研究領域提供全方位的服務成為一大研究熱點。

在作者開始這項研究之時，學術圈已有 DBLP、CiteSeer、Google Scholar 等學術搜索系統發布，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，缺少有效獲得大規模語義信息的方法；

2）缺乏異構對象的統一建模方法。以前，學術網絡中不同類型的信息如學者、論文、會議期刊是單獨建模的，因此無法準確捕捉它們之間的依賴關系。

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

1）如何自動從互聯網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術相關信息（例如研究人員的個人檔案和出版物）？

3）如何以統一的方法為不同類型的信息建模？

4）如何基于已構建的網絡，提供強大的挖掘和搜索服務？

ArnetMiner系統（簡稱AMiner）

圖1：AMiner系統框架圖

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

1）研究者個人信息抽取（Extraction）：即從網絡上自動識別到研究者的個人主頁，并訓練一個統一的模型，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據庫抽取或收集作者所發表的論文信息；

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據時面臨的重名歧義問題；

3）存儲和訪問（Storage and Access）：系統將集成的數據存儲在研究者網絡知識庫（RNKB）中，利用MySQL作為存儲數據庫，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，通過對學術網絡中的研究者、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（Search Services）：基于建模結果，提供多種搜索服務，包括專家搜索、關聯關系搜索、論文推薦以及引用推薦等。

該系統重點解決三個技術難點：

1）學術網絡中研究者個人信息自動抽取問題；

2）不同來源學術論文融合過程中的重名排歧問題；

3）學術網絡中研究者、論文、會議等異質實體的統一建模問題。