在科学文献管理中,同名消歧一直被视为一个具有挑战性的问题,且随着科学文献的大量增长,使得该问题的解决变得愈加困难与紧迫。尽管同名消歧已经在学术界和工业界被大量研究,但由于数据的杂乱以及同名情况十分复杂,导致该问题仍未得到很好解决。本文针对大规模学术论文中的作者同名消歧问题进行研究,主要研究工作如下:(1)提出一种基于原子簇的构建论文关系图的方法,该方法预先将强关联的论文聚集到一起形成原子簇,图中以论文和原子簇作为节点,以论文和原子簇、论文和论文之间的关系构建边,缩小了图的规模。(2)结合论文内容信息和论文间的关系信息进行消歧。模型首先利用论文本身的特征属性信息将每篇论文嵌入到一个统一的向量空间中,然后基于待消歧的姓名构建论文关系图,使用图自动编码器将图的关系信息和论文自身的特征信息结合起来进行学习来得到最终的论文表示向量,最后对待消歧的姓名进行凝聚式层次聚类分析。(3)提出一个基于规则的消歧后处理算法。该算法利用合著者关系以及作者所属机构这两个强消歧特征进行规则约束,对每个待消歧姓名的候选集进行两个层面的处理。该算法能够有效提高模型使用预测簇数(即预测的同名作者人数)时的消歧表现。本文在公开的真实大规模同名消歧数据集上进行两部分的实验对比:1)在指定聚类个数时(即每个姓名的实际作者人数),将本文模型与现有消歧模型进行比较,实验结果表明我们的消歧模型相比于其他方法在F1值上有3%-10%的提升;2)在不指定聚类个数时,将各消歧模型结合本文提出的消歧后处理算法进行实验,实验结果表明,本文的提出的后处理算法可以显著的提高消歧表现。