基于网络表示学习的学术合作者推荐问题研究

发布时间：2021-03-29 19:29

　　面对综合化、多元化、交叉化的复杂科学研究,学者之间的学术合作使得在不同领域的学者可以学习新知识、拓宽新视野、实现科研资源的高效利用,从而加快科研信息的流动,提升科研成果的质量,进而对解决技术难题和理论创新具有深刻意义。合作者推荐是为学者推荐合适研究领域的学者进行相关学术合作。然而,许多研究仅通过文本挖掘技术得到学者的文本特征表示或是通过合作关系网络得到学者的结构特征表示以及通过文本特征表示和结构特征表示简单融合得到学者的特征表示,而忽略了文本信息和网络结构相互促进对学者的特征表示产生的影响。网络表示学习旨在将网络中的节点表示成低维向量,而学术合作网络中包含许多文本信息和网络结构信息,这些信息可以精细化网络结构,有利于学者的特征表示。无论是基于关键词检索还是基于主题模型的专家档案建立,不同的文本表示之间会存在语义鸿沟问题,而学者文本特征和网络结构特征简单的融合相加不能准确捕获学者之间的潜在关系。本文将学者文本信息和网络结构信息相融合,利用网络表示学习技术挖掘学者的特征表示,帮助学者推荐合适的合作者。本文的研究工作主要包括:1、针对合作关系网络中蕴含的潜在合作关系,提出一种基于属性网络表示... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

DBLP收录文献的数量Fig1.1ThenumberofpaperscollectedbytheDBLP

安徽大学硕士学位论文7和网络表示学习技术的发展，利用相关技术对学者文本信息和网络结构信息进行深度挖掘得到学者的特征表示是解决合作者推荐问题的关键。学术合作网络中大量文本信息和网络结构信息可以精细化网络结构从而有效的捕捉学者之间潜在的合作关系。本文主要利用学者的文本信息构建合作关系网络，利用网络表示学习技术将学者文本信息和网络结构信息这两种异构信息融合到同一向量空间捕获潜在的合作关系。根据不同角度文本信息和网络结构的融合可分为两部分，如图1.2所示：第一部分通过构建论文、学者和主题词异构信息网络，利用主题词之间关联的合作关系，使用随机游走挖掘基于主题词相关的可能合作关系，接着利用属性网络表示学习通过重构目标邻居使具有相似邻居的学者在向量空间相近，最后基于学者的特征向量推荐合适的合作者。第二部分通过利用学者文本信息构建学者加权文本向量表示，基于学者加权文本特征的相似性构建文本增强型学术合作网络，接着利用网络表示学习通过捕获网络中节点序列的关系得到学者的特征表示，最后基于学者的特征向量推荐合适的合作者。图1.2论文的主要研究内容Fig1.2Themainresearchcontentsofthedissertation

第二章相关理论知识14图2.1网络表示学习流程图Fig2.1Theframeworkofnetworkembeddinglearning网络表示学习方法有不同种分类标准。主要可以分为两类：基于网络结构的网络嵌入和结合外部信息的网络嵌入。DeepWalk[37]利用截断的随机游走序列来表示每个节点的近邻，充分随机游走得到网络结构中的游走序列，然后利用Skip-gram模型和HierarchicalSoftmax模型对随机游走序列中每个局部窗口内的节点进行概率建模，最终最大化随机游走序列的似然概率，使用随机梯度下降方法学习得到最终的参数，从而得到节点的向量表示。随机游走只依赖于局部信息可以使用分布式系统避免了向邻接矩阵那样要将所有的信息全部存储在内存中。Node2vec[39]在DeepWalk的基础上改变节点的游走序列，通过引入参数和参数控制节点游走到下一个节点时的跳转概率，将深度优先搜索和广度优先搜索这两种游走策略引入生成随机游走序列，其中深度优先搜索可以捕获节点的宏观全局信息，而广度优先搜索可以捕获局部微观信息，通过多次出现相邻节点从而降低中心节点与邻居节点的方差。图2.2Node2vec算法游走示意图Fig2.2Thediagramofnode2vec

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)



本文编号：3108068