融合知识图谱和图注意力网络的引文推荐算法

针对传统协同过滤(CF)中的数据稀疏和冷启动问题,以及元路径、随机游走算法没有充分利用节点信息的问题,提出融合知识图谱和图注意力网络的引文推荐算法(C-KGAT)。首先,使用TransR算法将知识图谱信息映射为低维稠密向量,以获取节点的嵌入特征表示;其次,利用图注意力网络通过多通道融合机制聚合邻居节点信息以丰富目标节点的语义,并捕获节点间高阶连通性;接着,在不影响网络的深度或宽度的情况下,引入动态卷积层动态地聚合邻居节点信息以提升模型的表达能力;最后,通过预测层计算用户和引文的交互概率。在公开数据集AAN(ACL Anthology Network)和计算机科学文献库(DBLP)上的实验结果表明,所提算法的效果优于所有对比模型,所提算法的MRR(Mean Reciprocal Rank)相较于次优模型NNSelect分别提升了6.0和3.4个百分点,所提算法的精确率和召回率指标也有不同程度的提升,验证了算法的有效性。

融合多层次交互注意力的引文推荐算法

学术引文推荐是指通过论文间的匹配关系为查询论文提供深度匹配的引文文献列表,提高学者科研工作效率.现有方法主要基于短文本匹配(如关键词、标题等),缺乏对论文结构和整体语义的表示能力,导致检索结果语义相关性差.本文从长文本的深层次数据特征出发,提出一种基于层次化交互注意力匹配的引文推荐算法.基于深度神经网络构建单词、句子、文章的层次化表示框架,提升长文本的结构化表示能力;使用内部注意力机制增强学术论文的内部语义表示;使用交互注意力机制挖掘引文间细粒度匹配特征.在计算机、自然语言处理、医学等学术文献数据集上进行实验验证,提出的方法在ACC和F1等指标均优于短文本匹配模型,结果表明层次化交互注意力能获得更好的引文匹配效果.

基于异质信息网络表示学习的引文推荐方法

引文推荐旨在根据指定查询信息从海量数据中挖掘出与之最相关的若干文献,是一件有重要意义且极具挑战性的工作.引文推荐不但与文献的内容相关,文献间的引文关系、文献和出版社关系、文献和作者关系等,在引文推荐中也起重要作用.本文提出一种基于异质信息网络表示学习的引文推荐算法.首先,利用文献的内容信息,以及文献中的不同类型节点之间的相互关系构建异质信息网络;接着,对每个论文节点进行采样,对其先后进行元路径游走和随机游走,生成混合随机游走序列;最后,使用skip-gram模型获得节点的嵌入向量,计算相似性获得相应的文献推荐列表.在两个真实引文网络数据集上的实验结果表明,本文的方法在推荐效果上面优于已有的算法.

利用多粒度属性网络表示学习进行引文推荐

引文推荐(CR)聚焦于智能化地产生与查询文章相关的文献列表,对科学研究具有重要价值。引文推荐有关于文章的语义信息和结构信息,近年来,基于网络表示学习(NRL)的引文推荐获得广泛关注。但现有研究使用单粒度网络来建模引文推荐问题,存在计算复杂度高、内存消耗大的弊端。为克服这个挑战,提出一种基于多粒度属性网络表示学习的引文推荐算法(CR-HANRSL),可以大大提升网络表示学习效率并同时兼顾文章的语义和结构特征。首先,根据文章结点属性的语义关联度和作者关系反复将网络粗化成更小的网络,并在每次粗化后都让超结点融合子结点的文本属性为粗化后的网络计算语义连边。随后,利用单粒度网络表示学习方法学习粗化后的网络特征表示并通过学习图卷积神经网络,对原网络的表示进行细化。最后,融合文章间多模态特征表示相似度产生推荐列表。在AAN和DBLP两个数据集上的实验结果表明提出的方法可以在学习高质量网络特征表示的前提下大大提升网络表示学习效率。

采用元路径时效衰减和引用模式划分的学术引文推荐

针对现有学术引文推荐算法中元路径特征无法衡量学术文献的时效性,且对元路径特征的利用和划分粒度较粗从而导致推荐精度不高的问题,提出了一种采用元路径时效衰减和引用模式划分的学术引文推荐方法。首先,利用元路径抽取丰富的引文特征,并在计算元路径特征时加入了时效衰减因子,提升了新发表文献的推荐精度;其次,提出了融合元路径特征的主题模型MpTM,该模型利用主题特征为文献划分引用模式,并联合学习文献的主题分布、引用模式和元路径特征权重,细化了元路径特征的粒度;最后,通过所有引用模式下的元路径特征加权值,为目标文献推荐学术引文。在AAN数据集上的实验结果表明:所提方法在准确率和召回率上平均提升约41.99%和22.43%,能够提升新发表文献和非权威文献的推荐精度,并能有效缓解引文链接的稀疏性问题。

一种基于多因素的引文推荐方法

随着信息传播速度的快速提升,可供查阅的科技文献数量也在迅速增加.用户想要在上千条引文查询结果中找到自己需要的结果是一件很困难的事情.结果推荐是解决这个问题的方法之一.通过利用引文可获得的属性(作者、年份、引用关系等)获得需要推荐的引文集合.首先根据引文的引用关系生成一个引文引用图,然后根据同作者、共同引用等定义一系列规则,通过计算给引用边赋权值表示联系的强弱.给出一个聚类算法对联系紧密的引文进行聚类.根据聚类的结果找出用户需要的相关引文.

多特征因子融合的引文推荐算法

针对传统引文推荐算法只考虑单一特征导致推荐结果过于专门化和推荐质量较低等问题,提出一种多特征因子融合的引文推荐算法。将整体影响力因子、局部活跃度因子、查询相关度因子及作者相关度因子通过多特征因子融合模型进行有效融合,其中,查询相关度因子通过引入ID2vec改进重启随机游走算法实现。基于ANN数据集的实验结果表明,多特征融合的引文推荐算法相比GloPageRank、TopicSim、BM25模型在召回率上都有相应的提升,改进的重启随机游走算法相比原有算法在召回率上提升了8.13%,在NDCG上提升了29.7%。由实验结果分析可得,所提算法可有效提升引文推荐质量。

基于用户偏好与语言模型的个性化引文推荐

根据引文上下文,自动为科研人员推荐备引用的论文列表具有很大的实用价值和研究意义。在科研人员写作时,一个为引用符自动推荐引文的系统,会为科研人员节省大量的时间。对于引文推荐问题,过去的工作均主要把注意力集中到基于内容的研究上。该文认为引文推荐,不能只根据内容进行通用推荐,还需要根据不同研究者的偏好进行个性化推荐。该文利用用户的发表及引用历史,结合语言模型,构建出一个个性化引文推荐模型——PCR模型。在结合用户引用倾向性与内容相关性后,与传统的基于内容的语言模型相比,PCR模型在recall@10上获得了71.01%的性能提升,在MAP上获得了70.23%的性能提升。

基于BERT和GCN的引文推荐模型

采用一个组织良好的数据集和基于深度学习的模型,实现根据上下文获得论文的引文推荐。模型包括一个文档编码器和一个上下文编码器,使用图卷积网络层(GCN)和预训练模型BERT[1]的双向编码器表示。通过修改相关的PeerRead数据集,建立一个PeerReadPlus新数据集,它包含引用文献的上下文语句和论文元数据。结果表明,在采用BERT进行上下文编码,改进上下文侧的表示学习后,该模型的性能获得了显著的提升,平均精度均值(MAP)和召回率(Recall@K)均提高了28%以上。

考察文献活跃度特性的个性化引文推荐研究

本文通过将引文推荐问题转化为文献是否被引用的二元分类问题,发掘出影响文献被引用的关键特征,并依据这些特征提升了引文推荐的性能。在提取研究者的个性化引用偏好和常用的文献计量学特征的基础上,加入表征文献活跃度的特征指标,构建用以进行二元分类的特征库。利用Relief-F、RFE和LR3种方法从特征库中筛选出对文献是否被引具有重要价值的特征;利用朴素贝叶斯、SVM和Bagging3种分类器验证基于这些重要特征的引文推荐效果。实验结果表明,文献的活跃度特征、研究者的个性化引用偏好特征和文献对之间的主题相似性特征是提升引文推荐性能的关键因素。相对于基线方法,在这些关键特征上实施引文推荐,其准确率、召回率和F1值分别提升了6%、29%和26%。

学术文献引文推荐在高校教学活动中的应用

学术文献作为课程知识传播的载体能够使学生站在学科前沿,掌握本专业、领域的发展动态,从而具备更强的科研能力。在目前高等学校的教学活动中,大多采用由任课教师推荐或借助检索工具自行搜索学术文献的教学方式,形式单一且不能满足学生个性化的需求。因此,本文在梳理学术文献在高校教学活动中意义的基础上,总结目前学术文献阅读作为教学内容的不足,提出学术文献引文推荐模型在高校教学活动中的应用,旨在提高学术文献的筛选与阅读效率,切实发挥学术文献在高校教学中的作用。

基于篇章结构和引用动机的引文推荐研究

[目的/意义]在考虑科研人员引用动机差异性的基础上,结合深度学习中的层次注意力网络模型,提出一个基于文本篇章结构和引用动机的引文推荐模型。[方法/过程]通过构建科研人员的引用动机模型,将其划分为科学性引用动机和战略性引用动机。首先,将论文的篇章结构与科学性引用动机进行映射,采用层次注意力网络模型对论文章节内容进行科学性动机分类;再者,分别通过对章节内容和施引文献篇关摘(篇名、关键词和摘要)与参考文献篇关摘的相似度进行加权计算,得到基于科学性引用动机的推荐结果;在此基础上,引入战略性引用动机对推荐结果综合排序,得到最终的推荐结果。最后,以情报学领域的1443篇文献为例来对本文所提出的推荐方法进行验证。[结果/结论]实验结果证明该推荐方法能较好地实现基于科研人员不同引用动机的引文推荐,具有一定的可行性和准确性,并为后续相关研究提供借鉴思路。

学术文献引文推荐研究进展

[目的/意义]学术文献引文推荐是指对于给定的学术文献,自动化地为其推荐合适的引文和参考文献。借助于引文推荐,用户可以在一定程度上提高撰写学术文献的效率,降低对重要相关文献的漏引。[方法/过程]分析国内外引文推荐研究的最新进展,阐述引文推荐问题的演化过程,从局部引文推荐和全局引文推荐等方面对引文推荐进行梳理,重点归纳文档相似性、主题模型、翻译模型、协同过滤和混合推荐等5种引文推荐常用方法,并总结引文推荐常用数据集和测评方法。[结果/结论]已有引文推荐研究的主要问题在于未考虑用户偏好的动态变化性及研究领域的综合性,在用户研究和实际应用方面仍有所欠缺;未来引文推荐的研究可运用语义化表达方法和自然语言生成技术,从基于上下文的引文推荐和跨语言引文推荐等方面进行展开。

引文推荐研究综述

[目的/意义]梳理引文推荐的相关研究,为后续研究提供借鉴和参考。[方法/过程]首先,阐述引文推荐的起源、概念界定和分类;其次,根据研究数据的不同,总结引文推荐基于作者关系、内容过滤、论文关系、计量指标等不同类型数据的多种方法;最后,梳理深度学习技术在引文推荐中的应用实践。[结果/结论]基于大数据和人工智能的学术环境,展望引文推荐未来可能的发展。

基于引用内容的引文检索与推荐系统

参考文献的引用内容可以提供这篇参考文献被引用的详细信息，包括这篇参考文献为什么被引用，在哪些方面被引用以及具体的引用价值。同时参考文献的引用内容也可以为引文检索与推荐提供重要的信息。本文基于PubMed Central全文数据库，设计了一个基于引用内容的引文检索与推荐系统。此检索系统完全基于参考文献的引用内容信息。研究结果发现，此系统具有很好的引文检索与推荐效果，尤其在高被引文献和领域经典文献推荐方面，表现出精确的检索性能。

文献情报大数据技术在智能推荐系统中的应用研究

文献推荐的目的是为用户推荐与浏览文献研究领域相近的文献,从而降低用户从海量数据中检索所需文献的负担。智能文献推荐系统不仅具有普通推荐系统的特征,而且能够综合考虑文献多维度信息对推荐效果的影响。笔者从引文推荐和相似度推荐入手,构建一个基于文献情报大数据的智能文献推荐系统。