Today / 昔日学术

OpenAlex 合并 1731 万条重复作品:论文计数与开放获取状态如何变化

事实摘要

2026 年 11 月 4 日,OpenAlex 博客作者 Casey M 公布了一次作品去重更新:项目使用新的匹配器处理既有数据,发布了 17,315,197 条重复作品的合并结果。新匹配器已于 11 月 3 日上线,用来判断新进入的记录属于哪一项作品。[1]

OpenAlex 是收集学术作品及其关联信息的数据库。同一篇论文可能经由出版商、预印本平台、PubMed 和多个存储库进入数据库,于是出现多条记录。若它们共用 DOI 或 PubMed ID,系统可以凭标识符合并;没有共享标识符时,旧规则要求规范化后的标题相同,且第一作者姓氏相同。[1]

这条规则有两种相反的失误:同一论文的标题或作者写法不同时,副本可能没有被合并;不同论文使用相同的通用标题时,又可能被错误合并。OpenAlex 报告,旧规则做出的合并有 76.9% 正确,能够找到 70.7% 的副本。[1]

新流程仍先检查共享标识符。对其余记录,排序模型先找出最相似的作品,再由项目训练的小型语言模型把新记录与排名前十的候选逐一比较。只有匹配器的置信度达到 99%,记录才会加入某项已有作品;否则系统创建一项新作品。项目的取舍是:与把两篇不同论文错合在一起相比,留下一条重复记录更容易修正。[1]

OpenAlex 报告,新匹配器做出的合并有 99.1% 正确,能够找到 92.2% 的副本。公告列出的匹配案例包括作者姓名拼写或顺序不同,以及标题措辞变化的记录;这些记录经新流程被归到同一作品。[1]

学术意义

合并首先改变的是数据库中的作品计数。同一论文原来占据多条作品记录时,检索或统计结果会把它算作多项作品;合并后,各副本成为保留下来的作品记录中的不同位置,作品数因此下降。原先指向各副本的引用也计入保留下来的作品,使研究者更容易在一处看到同一论文的引用情况。[1]

开放获取状态也会随副本归集而改变。出版商记录可能显示论文需要付费,而存储库中另有可免费获取的副本;当两者归入同一作品后,这个免费版本就能被计入作品的获取信息。OpenAlex 称,此次处理使约 87 万篇原先显示为非开放获取的文章变为开放获取。[1]

去重并不意味着把所有有关联的出版物合成一项。OpenAlex 继续将会议论文与其后形成的期刊文章、新版作品,以及同一文章在另一份期刊上的版本等情况分别记录。作品数量因此取决于数据库如何划分作品,而匹配器负责按这一划分归集记录。[1]

参考文献

  1. [1] Casey M. 17 million duplicate works merged: a new matcher for OpenAlex[EB/OL]. (2026-11-04)[2026-11-14]. 原文.