AMiner

定义

AMiner 是一个以人为中心的科技情报大数据挖掘与服务平台，由 清华大学 计算机科学与技术系教授 唐杰 率领团队建立，具有完全自主知识产权^[1]。它并非单纯的论文检索工具，而是把科研人员、科技文献和学术活动三类数据关联起来，从中挖掘专家信息、研究脉络与领域演化规律^[2]。

平台的核心目标可以概括为学术大数据的语义化与服务智能化，即在亿级规模的学术数据之上支持管理和分析，为科研人员、政府和企业提供科技情报服务^[3][4]。系统自 2006 年起持续运行，形成了学术搜索、智慧人才情报等系列产品^[1]。

原理

AMiner 的技术流程自下而上分为若干环节：先从互联网和数字图书馆中抽取研究者的个人档案与论文信息，再将不同来源的数据融合，解决同名歧义，随后存储于研究者网络知识库并建立索引，最后对学术网络建模并对外提供搜索服务^[5]。在信息抽取阶段，团队提出了多维依赖条件随机场标注方法，可同时描述实例之间的序列依赖、层次依赖和二维依赖关系，以降低识别错误率^[3]。

数据融合环节的关键难题是「同名不同人、同人不同名」。AMiner 采用聚类消歧算法，以全局度量和局部链接学习计算实体的相似性，并用循环神经网络估计同名学者的数量，同时引入人工反馈来提升歧义消除的准确度^[6]。其同名消歧框架服务于学者画像、机构画像和期刊画像等多类数据产品的构建^[6]。

在建模层面，系统对学者、论文、会议等异质实体做统一建模，估计各自的主题分布，并在此基础上显式化论文间的引用关系、学者间的合作关系以及学者与机构的隶属关系，形成包含学者、期刊、会议、专利和学科的动态知识图谱^[5][7]。相关技术中还包含超大规模图神经网络计算平台，用于支持亿级节点网络的高效计算^[1]。

发展历程

AMiner 的前身是 ArnetMiner，名称取自 Academic Research NETwork 的缩写，意为学术研究网络挖掘，由唐杰在 2006 年开始研制，最初的目标是根据学者姓名自动从互联网抓取主页、照片、邮箱和论文等信息，运行时仅是一台台式机上的演示程序^[8]。2006 年 5 月系统正式上线运行，早期功能包括描述信息抽取、学术数据集成和研究兴趣分析^[9]。

2008 年，团队在数据挖掘领域会议 SIGKDD 上发表论文《ArnetMiner: Extraction And Mining Of Academic Social Networks》，介绍该系统的体系结构和关键技术^[10]。此后系统功能逐步扩展：2013 年前后加入关系分析、命名排歧和审稿人推荐；2017 年前后加入人才地图、技术趋势分析和协作关系推荐^[9]。2017 年 9 月，AMiner 提供的学者搜索功能在搜狗学术搜索上线^[11]。

2018 年 2 月，清华大学作为第一完成单位与搜狗公司合作完成的「科技情报大数据挖掘及服务平台」项目获得 2017 年度北京市科学技术奖一等奖（科技进步类），主要完成人包括唐杰、李涓子、许斌、刘德兵等^[12]。2020 年 8 月，SIGKDD 2020 公布获奖名单，唐杰团队凭借 2008 年发表的 ArnetMiner 论文获得首届时间检验应用科学奖，论文作者包括唐杰、张静、姚利敏、李涓子以及 IBM 中国研究实验室的张莉和苏中^[10]。2021 年 11 月，唐杰主持完成的「智能型科技情报挖掘和知识服务关键技术及其规模化应用」获得 2020 年度国家科学技术进步奖二等奖^[1]。

应用

在学术服务方面，AMiner 面向科研人员提供学者与论文文献的信息检索，以及面向科技文献、专利和科技新闻的语义搜索、语义分析和成果评价^[2]。具体功能包括专家发现、学术热点与趋势分析、研究者档案管理，以及为论文自动生成重要参考文献演变图的溯源树等^[1]。平台还提供开放数据集与开放接口，供外部获取和使用其科研数据^[6]。

在机构应用方面，AMiner 的关键技术应用于阿里巴巴、搜狗、华为、腾讯、中国工程院等 30 余家企事业单位，其系列产品在全国企事业单位部署 100 余套^[1]。平台还用于审稿人智能指派、基金委智慧人才系统等场景，并为期刊提供推送服务^[1][7]。此外，团队自 2020 年起发起年度人工智能学者评选计划，基于平台数据开展学者影响力评估与领域发展趋势分析。

在数据开放方面，研究团队联合微软研究院开源了开放学术图谱 Open Academic Graph（OAG），收录超过 3 亿篇文献和 2 亿位学者，数据下载超过 230 万次^[1]。AMiner 的科研数据还覆盖社交关系、学者画像、跨数据源发现、机器学习知识图谱和专利等主题，以数据集形式向外界提供^[7]。

局限

AMiner 的准确性受制于数据源质量与自动抽取技术的精度。系统的科研数据主要来自 arXiv、PubMed 等公开文献库以及期刊、专利数据库和政府发布数据，虽然会经过清洗和处理，但平台方面明确表示不对页面数据的有效性、准确性、正确性、可靠性、完整性和及时性作出承诺与保证^[7][6]。

各项统计数字处于动态变化中，不同时期、不同口径的披露存在差异。例如学者规模有 6000 万、1.3 亿等不同表述，论文数量有 2.7 亿、3.3 亿等不同表述，引用关系有 2.8 亿、11 亿等不同表述，使用这些数据时需注意其对应的统计时点与统计范围^[7][1][4]。

从功能边界看，此类平台的建设难点集中在语义信息不完整与异构对象难以统一建模两方面，早期学术搜索系统正是因这两点不足而难以准确刻画学者、论文、会议之间的依赖关系，AMiner 的设计即针对这些问题展开，但同名消歧、关系纠错等环节仍需引入人工反馈来辅助^[5][6]。

参见

• 唐杰 —— AMiner 的创立者与团队负责人。

• 清华大学 —— AMiner 的研发单位。

• 知识图谱 —— AMiner 组织学术数据的核心技术形态。

• 数据挖掘 —— AMiner 挖掘科技情报所依赖的学科方法。

• 智谱 —— 由 AMiner 团队相关成员创办、承接其技术积累的公司。

• Open Academic Graph —— AMiner 团队参与开源的开放学术图谱项目。