[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

说明书

本发明公开了一种基于网络表示和辅助信息嵌入的学术论文推荐方法，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。本发明具有论文推荐结果的准确性高、在一定程度上缓解了论文的冷启动问题的优点。

技术领域

本发明涉及一种学术论文推荐方法，特别是一种基于网络表示和辅助信息嵌入的学术论文推荐方法。

背景技术

随着网络的不断发展和网络上数据量的不断增加，用户获得信息的方式也在发生着变化，推荐系统作为一种有效的信息过滤方式，有效缓解了信息爆炸的问题。在学术论文推荐中，与论文推荐相关的算法大多基于网络表示模型，幂律分布特性表明，网络中的大多数节点与少量的边相关联，因此，对于信息有限的节点，很难找到有效的表示方法。

为了提高少数节点的嵌入程度，许多学者采用了不同的方法，常用的方法是利用研究论文的引用信息和相关的辅助信息源，即作者、地点、标签和论文，来产生更好的推荐效果。伴随节点属性的图嵌入十分适合图的链路预测，因此不少学者将它应用到推荐中。网络表示算法的早期使用了Skip-Gram模型来求解单词向量，该模型旨在学习单词上下文之间的相似性，基于Skip-Gram模型，学者们提出了Deepwalk、Node2vec、LINE等算法，致力于提高论文推荐结果的准确性和缓解论文冷启动问题。

发明内容

本发明的目的在于，提供一种基于网络表示和辅助信息嵌入的学术论文推荐方法。它具有论文推荐结果的准确性高、在一定程度上缓解了论文的冷启动问题的优点。

本发明的技术方案：基于网络表示和辅助信息嵌入的学术论文推荐方法，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。

与现有技术相比，本发明的有益效果体现在：本发明利用论文自身影响力数值(论文中具有显著影响的变量)参与引文网络图的构建，在引文网络的基础上加入论文边权重，从而构建论文影响力网络，以影响力网络作为论文图嵌入的基础，得到论文的初级图嵌入函数，再在此基础上加入更丰富的论文辅助信息以增加嵌入向量所包含的信息量，利用论文自带的辅助信息增强图嵌入，将论文的影响力与论文内容信息结合，得到论文的终极图嵌入函数，最终利用论文嵌入向量得到推荐结果，在引文网络中增加论文的影响力数值可以使质量更高的论文在相同的条件下具有更高的概率推荐给用户，使用辅助信息增强图嵌入可以让新论文在嵌入表示时与具有相似辅助信息的论文更加接近，从而缓解论文冷启动问题。

前述的基于网络表示和辅助信息嵌入的学术论文推荐方法中，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。