Learning Algorithm to Automate Fast Author Name Disambiguation

La production scientifique mondiale représente une quantité massive d'enregistrements auxquels on peut accéder via de nombreuses bases de données. En raison de la présence d'enregistrements ambigus, un processus de désambiguïsation efficace dans un délai raisonnable est nécessaire comme étape essentielle pour extraire l'information correcte et générer des statistiques de publication. Cependant, la tâche de désambiguïsation est exhaustive et complexe en raison des bases de données volumineuses et des données manquantes. Actuellement, il n'existe pas de méthode automatique complète capable de produire des résultats satisfaisants pour le processus de désambiguïsation. Auparavant, une application efficace de désambiguïsation d'entité a été développée, qui est un algorithme en cascade supervisé donnant des résultats prometteurs sur de grandes bases de données bibliographiques. Bien que le travail existant produise des résultats de haute qualité dans un délai de traitement raisonnable, il manque un choix efficace de métriques et la structure des classificateurs est déterminée d'une manière heuristique par l'analyse des erreurs de précision et de rappel. De toute évidence, une approche automatisée qui rend l'application flexible et réglable améliorerait directement la convivialité de l'application. Une telle approche permettrait de comprendre l'importance de chaque classification d'attributs dans le processus de désambiguïsation et de sélectionner celles qui sont les plus performantes. Dans cette recherche, nous proposons un algorithme d'apprentissage pour automatiser le processus de désambiguïsation de cette application. Pour atteindre nos objectifs, nous menons trois étapes majeures: premièrement, nous abordons le problème d'évaluation des algorithmes de codage phonétique qui peuvent être utilisés dans le blocking. Six algorithmes de codage phonétique couramment utilisés ont été sélectionnés et des mesures d'évaluation quantitative spécifiques ont été développées afin d'évaluer leurs limites et leurs avantages et de recruter le meilleur. Deuxièmement, nous testons différentes mesures de similarité de chaîne de caractères et nous analysons les avantages et les inconvénients de chaque technique. En d'autres termes, notre deuxième objectif est de construire une méthode de désambiguïsation efficace en comparant plusieurs algorithmes basés sur les edits et les tokens pour améliorer la méthode du blocking. Enfin, en utilisant les méthodes d'agrégation bootstrap (Bagging) et AdaBoost, un algorithme a été développé qui utilise des techniques d'optimisation de particle swarm et d'optimisation de set covers pour concevoir un cadre d'apprentissage qui permet l'ordre automatique des weak classifiers et la détermination de leurs seuils. Des comparaisons de performance ont été effectuées sur des données réelles extraites du Web of Science (WoS) et des bases de données bibliographiques SCOPUS. En résumé, ce travail nous permet de tirer des conclusions sur les qualités et les faiblesses de chaque algorithme phonétique et mesure de similarité dans la perspective de notre application. Nous avons montré que l'algorithme phonétique NYSIIS est un meilleur choix à utiliser dans l'étape de blocking de l'application de désambiguïsation. De plus, l'algorithme de Weighting Table-based surpassait certains des algorithmes de similarité couramment utilisés en terme de efficacité de temps, tout en produisant des résultats satisfaisants. En outre, nous avons proposé une méthode d'apprentissage pour déterminer automatiquement la structure de l'algorithme de désambiguïsation.