信息化水平的不断提高加速了图书馆的数字化建设,数字图书馆极大地便捷了人们的学习和工作。然而,数字图书馆的高速发展也带来了数据碎片化的问题,导致数据质量低、可用性差。作者姓名歧义是数字图书馆存在的典型问题之一,该问题是指多个不同的作者共享同一姓名,其严重影响着数字图书馆的内容质量和服务体验。作者姓名消歧旨在识别拥有相同姓名的不同作者及其各自发表的文章。由于数据的海量性、低质性和相依性,作者姓名消歧任务面临着巨大的挑战。目前主流的方法存在特征表达能力不足、引入低质关系等问题,因此,作者姓名消歧任务的性能还有很大的上升空间。为此,本文从提高特征表达能力和降低低质关系的影响出发,研究作者姓名消歧方法,主要贡献如下:·提出基于多类型特征融合的作者姓名消歧方法。为解决目前主流方法中特征表达能力不足、未消歧的合作者引入了低质关系的局限,本文提出了多类型特征融合的作者姓名消歧方法CMFAD,充分挖掘文章的隐式和显式特征。首先,CMFAD设计了融合多类型特征的分类模型来预测两篇文章属于同一作者的概率,特征包括:基于注意力机制的孪生Bi LSTM网络挖掘的标题隐式特征和融入全局数据信息的图嵌入方法挖掘的合作关系隐式特征,以及10个涉及多属性的显式特征。其次,CMFAD设计了一种分类结果推理机制,利用分类模型的预测概率有效地解决分类结果冲突问题。·提出基于增量模式的无监督作者姓名消歧方法。考虑到目前主流的方法未能从根本上避免低质关系的引入以及忽略全局数据中高阶合作关系的局限,本文将作者姓名消歧任务看作合作网络的重构问题,提出了基于增量模式的无监督作者姓名消歧方法IUAD。IUAD是一个两阶段的方法,具体而言,第一阶段,IUAD分析了频繁合作关系对作者姓名消歧的作用,而后利用频繁合作关系构建了稳定合作网络,该阶段充分利用了全局数据中的高阶信息;第二阶段,IUAD设计了基于指数分布族的概率生成模型,其融入了合作网络拓扑结构、研究兴趣和研究社区信息,很好地均衡了IUAD方法的查准率和查全率。此外,对新发表的文章,IUAD不需要重新训练模型,可以实现文章的增量式消歧。·提出基于标签数据的作者姓名消歧优化方法。为了进一步减小IUAD方法在全局合作网络构建阶段的时间消耗,本文通过引入部分标签数据,提出了基于标签数据的作者姓名消歧优化方法IIUAD。IIUAD在全局合作网络构建阶段,充分利用高精度规则和标签数据实现更高效的候选对剪枝,可以在确保方法性能几乎不降低的前提下,进一步提高方法的时间效率。