La desambiguación de nombres de autores en publicaciones científicas enfrenta desafíos críticos en la era del big data, principalmente por homonimia (autores distintos con mismo nombre) y sinonimia (múltiples variantes para un autor). Este estudio aborda el problema mediante el marco híbrido HFAND, que combina una ontología de coautorías para modelar relaciones semánticas con redes neuronales profundas, evaluado en el benchmark LAGOS-AND. Se implementaron tres modelos (MLP, LSTM, GRU) usando Python3/TensorFlow 2 con optimizaciones en Rust para escalabilidad. Los resultados demuestran que el MLP logra un F1-score de 90.51%, superando otros enfoques. La paralelización en Rust redujo el tiempo de entrenamiento versus implementaciones estándar que no fueron capaces de correr debido a la alta dimensionalidad de LAGOS-AND, destacando ventajas computacionales. La contribución principal incluye un modelo ontológico adaptable a dominios multidisciplinares y un pipeline reproducible que une la eficiencia de Rust con la flexibilidad de Python para aprendizaje profundo. Estas innovaciones mejoran la gestión de metadatos académicos, con aplicaciones prácticas en sistemas de recomendación automatizados y perfiles dinámicos de investigadores. Los análisis cualitativos evidencian que el enfoque híbrido reduce errores comunes como confusión entre homónimos de distintas disciplinas o unificación inconsistente de variantes nominativas. Como perspectivas futuras, se propone extender el marco a datos multilingües y dinámicas temporales, esencial para repositorios académicos globales con actualización constante. Este trabajo establece un avance metodológico al demostrar sinergias entre representación semántica (ontologías) y modelos neuronales, ofreciendo soluciones escalables para problemas de desambiguación en entornos académicos complejos y en crecimiento exponencial.