[发明专利]科技论文引用关系表示学习方法、系统及存储介质

权利要求书

1.一种科技论文引用关系表示学习方法，其特征在于，所述方法包括：

获取科技论文的关系图，所述关系图中的各节点表示各科技论文，所述关系图中的各边表示科技论文之间的引用关系；

基于所述关系图确定第一科技论文特征矩阵及科技论文邻接矩阵；

构建互信息约束的图自动编码器；

将所述第一科技论文特征矩阵及科技论文邻接矩阵输入至图自动编码器，得到节点的第一嵌入表示；

将所述第一科技论文特征矩阵进行转置运算得到第二科技论文特征矩阵；

将所述第二科技论文特征矩阵及科技论文邻接矩阵输入至图自动编码器，得到节点的第二嵌入表示；

基于所述第一嵌入表示及所述第二嵌入表示确定所述图自动编码器的互信息约束损失；

其中，互信息约束损失函数为：

，

其中，L_MIC为互信息约束损失，N为关系图中节点的数量，E_(X,A)表示第一最大似然估计，表示第二最大似然估计，S=∑εH,ε为权重因子集，H为第一嵌入表示，H=[ h₁… h_N],为第二嵌入表示，，D(h_i,s)为节点表示h_i到汇总向量S的概率得分，为节点表示到汇总向量S的概率得分；

基于互信息约束的图自动编码器的损失函数为：

其中，L_MIC为互信息约束损失，α为权衡参数，Z为节点表示，X为第一科技论文特征矩阵，A为科技论文邻接矩阵，E_q(Z|X,A)表示极大似然估计,q(Z|X,A)表示图自动编码器中图卷积网络层计算得到的高斯分布，p(A|Z) 表示高斯分布。

2.根据权利要求1所述的科技论文引用关系表示学习方法，其特征在于，所述图自动编码器包括多层卷积层。

3.根据权利要求1所述的科技论文引用关系表示学习方法，其特征在于，所述图自动编码器为变分图自动编码器，将所述第一科技论文特征矩阵及科技论文邻接矩阵输入至图自动编码器，得到节点的第一嵌入表示，包括：

将所述第一科技论文特征矩阵及科技论文邻接矩阵输入至图卷积神经网络，基于图卷积神经网络确定高斯分布，从确定的所述高斯分布中采样得到第一嵌入表示。

4.根据权利要求3所述的科技论文引用关系表示学习方法，其特征在于，基于图卷积神经网络确定高斯分布，包括：

基于图卷积神经网络计算均值与方差。

5.根据权利要求4所述的科技论文引用关系表示学习方法，其特征在于，所述变分图自动编码器的损失包括交叉熵和KL散度。

6.根据权利要求5所述的科技论文引用关系表示学习方法，其特征在于，基于互信息约束的变分图自动编码器的损失为：

其中， 表示散度。