[发明专利]基于互强化框架和排序学习的学术文献未来影响力动态排序方法及系统

权利要求书

1.一种基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，包括：

步骤A：基于学术实体和实体间关系抽取论文的元信息；

步骤B：引入基于超图延伸定义的同构有向超图和异构二部超图，构造一个异构学术超网；

步骤C：基于一种互强化排名框架HSHMRR，在异构学术超网上给不同类型的学术实体实现评分；

步骤D：在互强化排名框架的基础上，从历史时段中学习潜在的动态特性，并将所学知识应用到目标时段，形成评价结果；

步骤E：获取基于互强化框架和排序学习的学术文献未来影响力动态排序结果信息。

2.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤B包括：

步骤B1：提出同构有向超图的基本原理和构造方式；

步骤B2：提出异构二部超图的基本原理和构造方式；

步骤B3：提出异构学术超网的基本原理和构造方式。

3.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤C包括：

步骤C1：在现实中，综合考虑以下方面来评价特定论文p_i的重要性；

-引用p_i的论文质量；

-发表p_i的期刊质量；

-p_i的作者声望；

-p_i作者撰写p_i时所在机构的声望；

步骤C2：基于步骤C1定义的四类论文指标，提出一个互强化排名框架HSHMRR，对每种类型的学术实体进行协同排序；

结合PageRank和Randomized HITS的思想，捕捉同一类学术实体之间的影响和不同类学术实体之间的强化；

步骤C3：根据步骤C2计算出的论文、作者、期刊和机构的新中心分数，以及当前论文的权威分数，对论文权威分数进行更新。

4.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤D包括：

步骤D1：假设有一些研究领域的论文发表在[t-Δt,t]期间，首先对这些论文运行HSHMRR，然后用HSHMRR计算的权威分数为每篇论文p_i创建一个特征向量x_i；设X为论文的特征向量集，R(X)为根据论文在未来t₀年，即在[t₀,t+t₀]期间的影响力得出的排名表，J(A,B)为计算两个排名表之间相似度的函数。

5.根据权利要求4所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤D还包括：

步骤D2：引入斯皮尔曼等级相关系数作为J(A,B)，并从历史数据中学习排名函数；首先使用HSHMRR创建d篇论文特征向量集每个X_i包含了在[t-t₀-i-Δt,t-t₀-i]期间发表的研究论文；随后，根据[t-t₀-i,t-i]期间产生的信息，得到R(X_i)；最后，通过MART排序学习算法来解决：

6.一种基于互强化框架和排序学习的学术文献未来影响力动态排序系统，其特征在于，包括：

模块A：基于学术实体和实体间关系抽取论文的元信息；

模块B：引入基于超图延伸定义的同构有向超图和异构二部超图，构造一个异构学术超网；

模块C：基于一种互强化排名框架HSHMRR，在异构学术超网上给不同类型的学术实体实现评分；

模块D：在互强化排名框架的基础上，从历史时段中学习潜在的动态特性，并将所学知识应用到目标时段，形成评价结果；

模块E：获取基于互强化框架和排序学习的学术文献未来影响力动态排序结果信息。