一 摘要：
- name entity disambiguation：将对应多个人的记录进行分组，使得每个组的记录对应一个人。
- 现有的方法多为批处理方式，需要将所有的记录输入给算法。
- 现实环境需要1：以oneline的方式解决这类问题
2：能够处理新出现的ambiguous entities。
- 本文提出： Bayesian non-exhaustive classification framework。
- 用a Dirichlet process prior with a Normal × Normal × Inverse Wishart data model解决新的ambiguous entities。
- 用one sweep Gibbs sampler来解决oneline问题。
二 简介：
name entity disambiguation在 information retrieval，digital forensic（数字取证）和social network analysis方面有广泛应用 ？？？？
- information retrieval：
- digital forensic（数字取证）：
- social network analysis：
现有方法分类：
- supervised和unsupervised
- 机器学习方法（svm，markov random field，graph clustering）
- 数据来源(内部的和外部的（wikipedia）)
上述方法的限制：
- operate in a batch mode：算法获取所有的records，然后从这些records中提取features训练learning model。因此，它们不能处理新出现的ambigu entities。
当有新的ambigu entities出现时，重新运行一遍算法是不现实的。
本文方法：
采用机器学习的non-exhaustive learning（考虑到这样一种场景：training data缺失某一些classes，使得不但能够对现有的entities进行消歧，也可以对新出现的ambiguous entities进行消歧）。
- given a non-exhaustive training data，
- 用Dirichlet process prior来建模both known and emerging class（已知的和将要出现的类），
- 用Normal distribution建模每一个class distribution。
- 用Normal×Inverse Wishart（NIW）prior来为每一个class distribution建模mean vectors和covariance matrices
- online：对于每一个新的record，计算类条件概率（同时考虑这个record由新class产生的可能性）。
当有新class出现时，就更新class set，然后用新的classification model来对记录进行分类。
本文的方法能够同时进行online classification和noval class discovery。
三 related work：
四 问题形式化：
Xn是name reference a的records流。xi ∈ Xn可表示成d维的vector ，a实际对应着k个人， k一般未知，而且随着时间，k会增长。
name entities disambiguation：就是要将Xn分为k个不相交的set，每个set的records对应着同一个人。
online name entities disambiguation：为每一个新的records分到一个合适的set中。
面临的挑战
挑战1：出现新实体的records。所以一个学习模型需要在non-exhaustive的设定下工作（就是training data中有些类的records完全没有）。现有的解决方法：聚类，缺点：不够健壮，聚类参数的小改变可能会引起聚类结果的大改变。
挑战2：online name entities disambiguation是一个非常不均衡的classification task。 早期出现的entity是domain entities，使得验证新的entities更加困难。
挑战3：在online learning scenario，新的records作为测试集的一部分，learning model需要判断此records是否属于新的class，如果属于新的class，model需要调整自己，使得模型能够验证新class的records。也就是更新classes，并能够将新的records分类到已有的class和新的class。
挑战4：在online setting下，records要按照时间进行排列，一个新的records不能用来训练模型预测旧的records。
五 entity disambiguation on bibliographic data：
为每一个name referende构造一个model，记录流Xn按照时间进行排序。利用author-list，kwywords from paper，paper venue这些信息，为每一篇paper 提取出features。
feature matrix construction and preprocess：
data matrix Xn ∈ IRn×d，每一个paper都有一个class label li，表示属于第i-th个不同的人。
特征向量构造：
- author information：将all-paper的作者聚集到一起，然后为每一个author定义一个binary feature representation。
- keyword based features：首先过滤掉一些预先定义的stop words，然后用剩下的word构建feature。同样定义一个binary feature
- publications venues：以同样的方式构建binary feature。
（预处理：维度规约）
Dimensionality reduction：因为Xn非常稀疏，用非负矩阵分解的方式将 Xn ∈ IRn×d映射到En ∈ IRn×h h是隐层的维度。
首先在最初可用的记录上进行非负矩阵分解，产生base向量，然后在online环境下，对于新观测到的records用base vector的线性结合表示，base vector的系数作为新纪录的隐层特征值
那么如何学习系数呢？
解决一个带限制的二次编程问题，通过在系数非负的限制下最小化最小二乘损失函数。
用Incremental NNMF的目的：为新的记录发现隐层特征表示，来更好地拟合本文提出的Normal×Normal×Inverse Wishart（NNIW） data model。？？？？？
形式化online name disambiguation：
给定一个time-stamped partition t0，考虑两种类型的records，一种是 training set中最初可用的records（class标签已知），另一种是oneline环境下新观测到的records（class信息不明确）。
最初可用的records streams： En = {e1, ..., ei, ..., en}， e1.t ≤ ... ≤ ei.t ≤ ... ≤ en.t <=t0
Yn = (y1, ..., yi, ..., yn) 是class label vector，其中 yi ∈ {l1, .., lk} k是training set中的不同的类别数。
为区别初始的records和online observed records，用 ˜ei ∈ IR1×h 表示第i个observed的记录。用 E˜r = {e˜1, ..., e˜i, ..., e˜r}表示时间t0之后的online observed records。即t0 ≤ e˜1.t ≤ ... ≤ e˜r.t.
随着新records的出现，当出现新的ambiguous authors时，k会变大，我们用Y˜r = (˜y1, ..., y˜i, ..., y˜r) 表示新记录的class information。其中 y˜i ∈ {l1, ..., lk˜r+k } 其中 ˜kr 是新出现的class数。