随着科技文献数量及检索需求的日益增加,文献作者重名问题也越发影响文献检索质量,开展人名消歧方法研究是文献知识库建设过程中亟待解决的关键问题。针对目前人名消歧准确率需进一步提升的问题,本文充分利用数据特征,提出一种基于语义特征和图关系特征相融合的二阶段聚类消歧改进方法。该方法加入IDF加权,三重态损失学习,自定义随机网络游走概率,特征融合等改进措施充分挖掘数据特征信息,在评测数据集上取得了较好的消歧效果。研究工作如下:首先,针对待消歧标准数据集制作问题进行了研究,给出了详细的数据集抽取制作流程,并对本文后续消歧方法改进所要用到的Aminer数据集进行了统计分析。通过对其属性特征的统计分析,发现各属性特征包含较多的低频分量,这些特征无法按照规则有效区分,为后续消歧方法改进提供了思路。其次,提出了基于文本语义特征嵌入的人名消岐改进方法。利用IDF加权,三重态损失模型调整嵌入向量,并且计算文档语义距离矩阵。基于二阶段聚类策略,一阶段利用DBSCAN算法预聚类,第二阶段,对离群点使用最大相似度匹配等算法实现消歧。评测结果表明改进方法效果较好,宏平均F1由单一语义嵌入的0.38提升到0.47。然后在文本语义特征嵌入基础上,进一步提出基于语义特征和图关系特征相融合的人名消岐改进方法。引入图网络模型,利用节点跳转概率函数得到随机游走路径集,嵌入到向量空间,从而计算文档关系距离矩阵;结合文档语义向量和特征融合的变步长搜索算法得到了最终的特征距离矩阵;利用二阶段聚类算法和特征距离矩阵实现最终人名消歧。实验结果表明,加入图网络嵌入和特征融合之后,评测准确率更优,F1得分由只考虑语义特征的0.47提升到0.71。最后给出人名消歧的工程化应用解决方案和应用案例。提出算法在大数据下实现的优化措施,利用Elsevier论文库实现了改进算法的工程化应用,从而得到消歧之后的专家库。然后利用该专家库讨论web端搜索结果和图谱分析应用。