随着信息技术的发展,信息的规模、存储方式、获取方式等都出现了较大的变化,各种学术搜索引擎也随之出现,这些搜索引擎也成了学者获取各种论文信息的主要途径。虽然这些搜索引擎为学者们带来了极大的便利,但是依旧存在着同名作者的文献没有被分配给正确作者的现象,从而使得通过名称检索文献的准确率较低。近年来大量学者在同名消歧方面进行了研究,但依旧存在着论文信息未被充分利用、忽略新增论文等问题。本文从增量消歧和充分利用论文信息两个方向出发,以充分利用信息、关注新增论文为目的,对作者同名消歧问题展开研究,主要工作如下。首先,本文针对论文信息利用不够充分的问题提出了一种基于XLNet预训练模型与人工定义规则相结合的特征提取方法。该方法首先使用人工定义特征提取论文中作者名称、机构等字段的信息,使用XLNet提取论文标题、摘要等字段的信息,之后利用XGBoost与提取出的特征来预测每篇论文应该归属的正确作者。最后在构建的数据集上的对比实验结果表明本文提出的框架在增量消歧方面优于对比方法。其次,本文针对增量消歧不能分配所有论文的问题提出了一种基于凝聚式层次聚类的冷启动消歧方法,该方法置于增量消歧方法之后对增量消歧未能分配出的论文进行后处理。该方法会对未成功分配的论文进行凝聚式聚类,之后通过增量消歧向主聚簇中添加论文以获得主聚簇作为一个新的作者。最后在构建的数据集上的对比实验结果表明本文提出的冷启动消歧框架可以使最终的增量消歧结果更加优秀。最后,本文将AMiner数据集与DBLP结合构建了一个新的数据集以用于本文的实验,最终的实验结果证明本文提出的增量消歧算法的可行性。