[发明专利]基于层次图属性网络表示学习的论文推荐方法及系统

说明书

本发明提供了基于层次图属性网络表示学习的论文推荐方法及系统，方法包括：基于论文库构建论文网络；基于所述论文网络，通过边合并、结构等效性合并、社区合并和属性合并，构建层次图；对所述层次图进行层内网络表示学习以及层间网络表示学习，生成论文节点嵌入表示，所述层间网络表示学习先执行正向初始化，再执行反向初始化的层间网络表示学习；基于所述论文节点嵌入表示，所述通过计算论文节点间的嵌入表示的相似度来生成论文推荐列表，并将所述论文推荐列表中的论文推荐给用户。本发明采用基于层次图属性网络表示学习的论文推荐方法，从而从根源上解决了现有的基于网络表示学习方法的论文推荐准确率低的问题。

技术领域

本发明属于个性化推荐领域，具体涉及一种基于层次图属性网络表示学习的论文推荐方法及系统。

背景技术

随着互联网的高速发展以及知识的快速更新，网络上发表的科研论文发表数量爆炸式增长，科研信息过载使得研究人员需要花费大量的时间和精力查找其所需要的论文信息。间接造成了科研浪费。论文推荐准确的将论文推荐给研究人员，正成为科研工作不可或缺的部分。与论文推荐相关的算法大多基于网络表示学习。基于网络表示学习的论文推荐算法通常将论文数据库中的论文抽象为节点，论文之间的引用关系抽象为边，论文的题目，摘要，关键词，作者，机构，发表时间等抽象为节点的属性信息，在通过网络表示学习方法将网络中的节点表示为低维嵌入表示，并用于论文的推荐。

然而，目前大多数关于网络表示学习的研究都是基于网络结构，例如利用网络节点生成的游走序列、一阶邻近性、二阶邻近性、高阶邻近性等网络结构进行网络表示学习并取得了一定的成功，但这类方法未考虑论文节点的属性信息，难以准确的推荐论文。同时，论文数据库生成的论文网络中拥有大量的结构数据，此外网络还包含各种类型的异构的属性信息，数据量大同时网络结构疏密迥异，邻接信息差异巨大，如何在网络表示中集成拓扑结构和属性信息的同时平衡两者的关系，获取网络中每个论文节点的嵌入表示来进行论文的推荐是十分困难的。

因此，如何提高论文推荐准确性以及提升用户满意度，是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于层次图属性网络表示学习的论文推荐方法及系统。本发明基于层次图属性网络表示学习的论文推荐方法，根据论文库构建论文网络，基于所述论文网络，通过结构合并和属性合并，构建层次图，对所述层次图进行层内网络表示学习和层间网络表示学习，生成节点嵌入表示，通过计算论文节点间的嵌入表示的相似度来生成推荐列表，并将所述推荐列表中的论文推荐给用户，从而从根源上解决了现有的基于网络表示学习方法的论文推荐准确性低、用户满意度低的问题。

为了实现以上目的，本发明采用以下技术方案：

一种基于层次图属性网络表示学习的论文推荐方法，其特征在于，包括步骤：

S1、基于论文库构建论文网络，其中，所述论文网络中的节点表示论文，边表示论文间的引用关系，节点的属性信息为论文的信息，所述论文的信息包括：题目、摘要、关键词、作者、机构、发表时间；

S2、基于所述论文网络，通过结构合并和属性合并，构建层次图G⁰，G¹，...，G^H，其中，所述结构合并包括边合并、结构等效性合并、社区合并；

S3、对所述层次图进行网络表示学习，生成论文节点嵌入表示，包括：

S31、对所述层次图进行层内网络表示学习；

S32、对所述层次图进行层间网络表示学习，具体包括：

1)执行正向初始化：从1层开始到H层，将G^i-1中的多个论文节点的结果嵌入表示执行Max-Pooling以初始化对应的Gⁱ中的超节点u的初始化嵌入表示