[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

说明书

本发明提供了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及系统，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，结合排序学习方法MART，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；本发明采用了一种通用而有效的方法，它能够自适应地学习不同学术文献数据集的潜在动态性质，并将所学知识应用于排名。

技术领域

本发明涉及互强化框架和排序学习技术领域，具体地，涉及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及系统。

背景技术

随着每年发表的学术文献数量快速增长，很多时候，对学术文献未来影响力排名的能力对决策来说变得至关重要。例如，当面对大量近期发表的相关学术文献时，研究者往往感到无所适从，不知道应该关注哪些论文。此时，了解所有学术文献的未来影响排名将有助于决策的制定，因为研究者倾向于关注那些影响力前K位的论文(K根据他们自己的时间和精力决定)，以便他们能够紧跟研究前沿，以及找到有前途的研究方向。另一个例子是学术新星的评价。当政府或企业希望资助来自不同学术研究领域的新星时，在特定领域对学术出版物的未来影响力排名将在对该领域的学术新星评价方面发挥关键作用。

在学术排名这一领域里，人们已经做了很多努力。传统的方法主要利用与被引用次数挂钩的指标来衡量论文、研究人员和期刊的影响力。然而，这些度量标准没有考虑到学术文献网络的结构信息，因此通常被认为是不精确的。最近，受PageRank和HITS算法在网页排序中成功应用的启发，人们提出了许多基于图的方法来对论文的重要性进行排名，例如。然而，这些方法并没有充分利用现有的与论文相关的元信息，而是仅仅利用了传统的简单网络(同构或异构)对学术文献网络进行建模，导致这些方法在评价学术影响力上的性能有限。事实上，由于每年都有大量的新文献发表，并引用了以前的文献，整个学术文献网络也在不断地发展。但无论是传统的度量方法还是基于图的方法，都把学术文献网络看作是静态的，而忽略了它们之间的关系，因此缺乏对未来影响力的精准预测能力。当前也有少数研究试图对学术文献未来的影响力进行排名，如FutureRank和MRFRank算法等。然而这些排名算法只具备简单的网络结构，并且严重依赖对启发式设计的时间感知权值和时间分数，而这些权值和时间分数只能粗略地模拟学术文献网络的动态性质，这两点限制了它们的表现。

发明内容

针对现有技术中的缺陷，本发明的目的是提供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及系统。

根据本发明提供的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，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，结合排序学习方法MART，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。

所述论文的元信息包括四种类型的学术实体，即论文、作者、期刊和机构。所述实体关系是四类学术实体之间的七种关系，即论文间、作者间、期刊间和机构间的引用关系，论文与作者之间的作者关系，论文与期刊之间的“出版关系”，论文与机构之间的“归属关系”。

优选地，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。