摘自：https://blog.csdn.net/me_yundou/article/details/80459341
具体看上面链接
一、摘要：
这篇文章主要介绍的是作者识别（author identification）问题。作者识别问题是指基于某个T时间之前的所有论文（paper）和它们的作者（author），以及所属机构（organization），或者发表会议（venue）这些已知的历史数据之间的关系，构建一个模型（learning model），然后对T时间之后发表的匿名的论文（anonymous paper）能识别出它们可能的作者（potential authors）是谁（对所有候选作者进行排序，排序靠前的认为是识别出来的论文可能的作者）。
模型：联合模型 = 度量学习模型 + 增强的skipgram模型 ，其中，度量学习已经可以实现作者识别的问题，加上skipgram是增强学习的效果。
本文中作者首先提出了一个可行的模型，模型名为度量学习模型（metric learning model），然后使用了一些方法（比如，元路径 meta-path，增强的skipgram模型）对该模型进行增强，最后得到一个联合模型（joint model），也就是本文最终实验使用的模型。如下图，左上角虚线框内是各种节点之间关系的已知历史数据，然后下方的元祖直接关系（direct triple relations）就是提取了历史数据中paper和true author以及false author之间的关系（例如图中元祖（P1，A1，A3）就是说明论文P1的真实作者是A1，虚假作者是A3，这样的关系称为直接关系），构成了一个基本可行的度量学习模型（metric learning model），这个模型的目标函数就是L metric。然后，历史数据右边的使用元路径游走（meta-path walk）以及改进的skipgram模型提取历史数据中的间接关系（间接关系包括同一篇论文的作者，同一个机构的作者，或者同一个会议的论文等）得到的L MWIL 就是对基本可行模型的增强部分。这两个部分结合起来就得到了本文的目标------联合模型（joint model）。
