Framework híbrido com aprendizado de máquina profundo para desambiguação de nomes de autores

Abstract

A desambigua¸c˜ao de nomes de autores (Author Name Disambiguation – AND) ´e uma tarefa desafiadora em reposit´orios bibliogr´aficos digitais, marcada por ambiguidade nominal, varia¸c˜oes lingu´ısticas e metadados incompletos. Esta tese prop˜oe o framework h´ıbrido ADAN (Automatic Disambiguation Author Name), o qual combina aprendizado de m´aquina profundo com um algoritmo de agrupamento hier´arquico aglomerativo aprimorado por grafos (Graph-enhanced Hierarchical Agglomerative Clustering - GHAC). Utiliza t´ecnicas de Processamento de Linguagem Natural (PLN) com modelos baseados em transformers como SciBERT e MiniLM, e Redes Convolucionais de Grafos (RCG). O framework ADAN foi definido arquiteturalmente com quatro camadas: entrada e pr´eprocessamento, extra¸c˜ao de embeddings e constru¸c˜ao da rede heterogˆenea, aprendizado com RCG e clusteriza¸c˜ao com GHAC. A camada de entrada conta com uma interface gr´afica de usu´ario (Graph User Interface - GUI) que permite carregar os dados, configurar os parˆametros do modelo e visualizar os resultados da tarefa de AND. O framework ADAN ´e configur´avel, possibilitando adapta¸c˜ao a diferentes bases e n´ıveis de complexidade estrutural e semˆantica. Os experimentos foram realizados utilizando trˆes conjuntos de dados comuns na literatura: AMiner-12, DBLP e LAGOS-AND. Em cen´arios com metadados limitados, tal como o AMiner-12, o ADAN apresenta resultados competitivos atingindo m´edia de pF1 de 0,6717 e K-Metric de 0,8981, superando trabalhos de referˆencia em at´e 37,6% em Average Cluster Purity (ACP) e 20,21% em K-Metric. Com o conjunto de dados DBLP, o ADAN apresentou ganhos expressivos e valores estatisticamente significativos segundo as m´edias e intervalos de confian¸ca obtidos, com 33,9% em pF1 e 29,8% em K-Metric e demais m´etricas permanecendo dentro dos intervalos de confian¸ca de 95% inferior e superior. Utilizando o LAGOS-AND, os resultados apresentam B-cubed F1 de 90,8, superando em at´e 21,43% as abordagens anteriores com o mesmo conjunto de dados. Os resultados indicam que o framework ADAN oferece uma solu¸c˜ao eficaz e adapt´avel para a tarefa de AND, apresentando desempenho consistente em cen´arios com alta ambiguidade e diversidade estrutural.