基于表示学习的学术影响力预测算法研究

发布时间：2020-03-22 02:11

【摘要】：学术影响力预测是学术数据应用的重要研究内容,其中,论文影响力的预测可以帮助研究人员找到有价值的论文,以便了解最新的研究方向。作者影响力预测可以为决策人员在基金资助,资源分配等方面提供参考。现有最先进的学术影响力预测方法是基于图的方法,但大部分基于图的方法着重于评估论文和作者的当前影响力,这对新发表的文章和年轻研究人员不公平。另一个局限是它们主要依赖于学术网络的全局结构特征,不能充分利用网络的局部结构信息以及文本和时间等信息,这制约了影响力预测的准确性。针对以上问题,本文提出一种基于表示学习的学术影响力预测算法。论文主要包括以下内容:构建包含论文、作者、主题、词等类型节点以及节点之间多种关系的异构学术网络,并依据与论文及作者影响力相关的特征设置边的权重。通过主题和词来保留论文之间的内容相关性,充分挖掘缺少引用的新论文的潜在影响力。针对异构学术网络设计一种表示学习模型,构造合适的目标函数,将异构学术网络映射到一个低维向量空间中,学习不同类型节点的向量表示,通过表示学习过程更有效地保留网络的局部结构信息、论文的文本信息。利用节点间的向量相似度构造出与论文引用网络、论文-作者网络以及作者合作网络对应的邻接矩阵,然后利用一个基于图的多变量随机游走排序模型,基于论文与作者之间的互增强关系,在同一个模型中实现对论文和作者的未来影响力预测排序。在AMiner数据集和AAN数据集上的实验结果表明,提出的模型在Normalized Discounted Cumulative Gain(NDCG)及Recommendation Intensity(RI)两个评估指标上明显优于其他5种对比方法。
【图文】：

图 1-1 文献数量随时间的变化趋势图示，发表于 2010 年的文献数量是发表于 2000 年的文献数量的术信息收集了数百万论文，作者，引文，，数字，图表，以及大大的学术信息知识库，学术大数据的产生为科研人员的研究工及实验依据，但是也为信息提取、数据分析、影响力预测等工挖掘、探索学术数据的知识，可以为各方面利益相关者带来极

息网络是指将信息或者数据通过某种方式链接起来而组成的网络[47]，它可述如下:义 2.1 信息网络[48]可以表示为一个有向图 G = (ν , ε)，它带有对象类型映 Α 以及链接类型映射函数 φ : ε → R，任意对象ν∈ν 都属于一个特定的对A，任意链接e ∈ ε都属于一个特定的关系 φ (ε ) ∈ R。属于相同关系类型的始对象和结束对象类型相同。果信息网络中对象类型的数量 A > 1或者链接类型的数量 R > 1，则该为异构信息网络，也可简称为异构网络。学术数据衍生出来的学术网络即为典型的异构网络，论文、作者等不同类之间的关系构成了复杂的异构学术网络。图 2-1 所示的学术网络为一个异它包含论文、作者、机构和期刊/会议等四种对象类型，以及论文到论文作者到机构和论文到期刊/会议等四种类型的链接关系。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.1;TP18

【相似文献】

相关硕士学位论文 前1条

1 韩佳宁;基于表示学习的学术影响力预测算法研究[D];中国民航大学;2019年

本文编号：2594302