[发明专利]基于网络表示和辅助信息嵌入的学术论文推荐方法

权利要求书

1.基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：包括以下步骤：

步骤1、构建引文网络，利用主成分分析对每篇论文中具有显著影响的变量进行降维，得到由多因子组成的论文边权重，在引文网络的基础上加入论文边权重，构建论文影响力网络；

步骤2、在论文影响力网络中生成论文序列，由算法来学习论文序列的嵌入向量，得到论文的初级图嵌入函数，同时在初级图嵌入函数中加入论文的辅助信息，得到论文的终极图嵌入函数；

步骤3、以论文的终极图嵌入函数作为嵌入模型，计算每篇论文与用户感兴趣的论文之间的相似度，生成推荐列表；

所述步骤1包括以下步骤：

步骤1.1、以所有公开的论文作为数据基础，利用论文的引用和被引用关系构建引文网络；

步骤1.2、选择论文中具有影响力的变量，利用主成分分析对变量进行降维，根据设置的阈值，得出变量的主成分，对其进行线性组合得到每篇论文的影响力分数；

步骤1.3、利用影响力分数的差值作为边权重，构成论文的影响力网络。

2.根据权利要求1所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2包括以下步骤：

步骤2.1、通过偏置随机游走将论文影响力网络中的边权重作为随机游走中偏置值的一部分进行计算，在论文影响力网络中用Node2vec算法生成论文序列；

步骤2.2、通过Skip-Gram算法来学习论文嵌入向量，得到论文的初级图嵌入函数；

步骤2.3、将论文附带的辅助信息加入到论文的初级图嵌入函数中，通过负采样的计算方式得到论文的终极图嵌入函数。

3.根据权利要求1所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤1中，每篇论文中具有显著影响的变量包括作者h指数、论文影响因子、期刊影响因子、时间因子。

4.根据权利要求1所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2中，论文的辅助信息包括论文作者、出版社、出版期刊、出版刊物、学科分类。

5.根据权利要求2所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2.1中，利用Node2vec算法生成论文序列时，一个随机游走从点走到了点，当决定下一个点时，转移概率为：，式中：

，

其中表示节点和之间的最短路径距离，为论文影响力网络中计算得出的边权重，和为游走的概率参数。

6.根据权利要求2所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2.2中，通过Skip-Gram算法来学习论文嵌入向量时，设定是从顶点到向量空间的映射函数，其中是向量空间表示的维数，是一个参数矩阵，大小为，对于源节点，将定义为通过随机游走得到的邻域节点，通过最大化与的对数概率，得到的初级图嵌入函数为：

，

其中V代表论文的集合。

7.根据权利要求2所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2.3中，将论文附带的辅助信息加入到论文的初级图嵌入函数时，辅助信息在统一嵌入后进入注意力网络，结合各辅助信息的加权平均层定义为：

，

其中是论文的聚合嵌入，为第项第类辅助信息的权重，表示附加到论文的第种类型的辅助信息的嵌入，n为辅助信息的种类数。

8.根据权利要求2所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤2.3中，通过负采样的计算方式得到论文的终极图嵌入函数为：

，

其中为sigmod函数，是正负样本的标签，是论文的聚合嵌入，正样本为1，负样本为0，节点是节点的上下文节点，

。

9.根据权利要求1所述的基于网络表示和辅助信息嵌入的学术论文推荐方法，其特征在于：所述步骤3中，使用余弦相似度来计算论文之间的相似度，两篇表示为维向量和的论文，其相似度计算公式为：

。