随着科学技术的发展,文献数量急剧增多,在大量文献中,作者重名现象不仅会降低检索的效率和准确度,也会影响知识检索与调研工作的进度,因此对重名作者的消歧工作迫在眉睫。为了提高重名作者消歧的准确率,本文提出了一种基于人工神经网络的消歧算法,神经网络模型具有强大的非线性映射能力,可以对多维复杂问题进行分类预测。具体的研究内容包括以下几个方面:(1)文献数据集的构建与特征选取依据。本文首先给出文献记录的获取方式以及数据集的形成过程,其次依据不同属性特征对于重名作者消歧具有不同的影响程度,通过相应算法选取消歧能力较强的属性。测试结果表明Email、合作作者、期刊、研究方向、单位、英文名、毕业院校、邮编具有较好的区分效果。分析特征的属性对改进消歧算法和提高作者识别准确度及效率有一定的指导作用。(2)基于Beta分布动态惯性权重的粒子群(Particle Swarm Optimization,PSO)算法。传统PSO算法容易早熟收敛至局部最优,不具有突变跳出局部陷阱的能力。为此,本文提出了基于Beta分布的惯性权重,采用随机策略动态调整权重的大小,以提高算法全局搜索的能力,实验结果证明,改进后的PSO算法平均收敛结果更好,也为进一步优化神经网络打下基础。(3)改进PSO算法优化BP(Back Propagation)神经网络模型。PSO算法具有快速收敛特性,可以为BP神经网络训练出一组较为接近真值的初始权值和阈值。首先利用改进后的PSO算法优化BP神经网络的初始权值和阈值,之后使用优化好的初始权值和阈值继续训练BP神经网络模型,经过多次反向传播迭代过程,最终得到一个在测试集上表现性能最佳的模型。(4)实验结果对比与分析。在同一测试集上,将本文采用的基于BP神经网络的消歧方法与基本特征合集的文本聚类算法、字符串模糊匹配算法、稀疏特征分类算法、基于均方误差邻接矩阵聚类算法进行比较。实验结果显示,本文采用的算法在重名作者消歧问题上的表现性能有所提高,消歧结果的准确率达到了 88.4%,验证了算法的有效性。