基于信息需求變遷的時(shí)序引用文獻(xiàn)推薦技術(shù)研究.pdf

1、隨著學(xué)術(shù)文獻(xiàn)數(shù)量的急劇增加，幫助科研人員在海量文獻(xiàn)中高效地找到所需要的引用文獻(xiàn)成了一個(gè)迫在眉睫的任務(wù)，引用文獻(xiàn)推薦技術(shù)應(yīng)運(yùn)而生，并迅速得到了信息搜索、知識(shí)工程等領(lǐng)域研究者的廣泛關(guān)注。然而，傳統(tǒng)文獻(xiàn)推薦研究忽視了引用文獻(xiàn)推薦任務(wù)的時(shí)間動(dòng)態(tài)因素，不能準(zhǔn)確反映用戶真實(shí)信息需求，導(dǎo)致引用文獻(xiàn)推薦質(zhì)量下降。本文針對(duì)引用文獻(xiàn)推薦中信息需求動(dòng)態(tài)變化的特點(diǎn)，首次提出“時(shí)序引用文獻(xiàn)推薦”(Chronological Citation Recommenda

2、tion，CCR)方法。
　　CCR構(gòu)建基于信息需求變遷（Information-need Shifting，InS）的三層建模體系。第一層建模完成時(shí)序相關(guān)的動(dòng)態(tài)信息抽取和構(gòu)建:①?gòu)奈谋緝?nèi)容角度，在主題層次上，使用結(jié)合有監(jiān)督學(xué)習(xí)的動(dòng)態(tài)主題建模(Dynamic Topic Modeling withSupervised Learning，DTM-SL)手段對(duì)“時(shí)間變化”進(jìn)行建模;②從引用關(guān)系角度，抽取了時(shí)間衰減的引用關(guān)系信息。第二層

3、建模完成異構(gòu)動(dòng)態(tài)信息集成和動(dòng)態(tài)推薦特征構(gòu)建，有兩個(gè)解決方案:①動(dòng)態(tài)主題/引用影響力模型，采用一個(gè)循環(huán)迭代模型在不同的時(shí)間片上生成一系列的引用文獻(xiàn)推薦列表;②基于動(dòng)態(tài)學(xué)術(shù)信息異構(gòu)圖(Dynamic Scientific Information Heterogenous Graph，DSIHG)的圖挖掘方法，利用基于“元路徑”的“隨機(jī)游走”算法，實(shí)現(xiàn)異構(gòu)信息融合和動(dòng)態(tài)推薦特征的構(gòu)建。第三層建模完成動(dòng)態(tài)推薦特征集成和權(quán)重優(yōu)化，利用基于排序?qū)W習(xí)

4、的信息需求變體建模(Information-need Variant Modeling based on Learning-to-Rank，InVM-L2R)在不同的時(shí)間片上訓(xùn)練了一系列學(xué)習(xí)模型，建模信息需求變體，對(duì)動(dòng)態(tài)特征權(quán)重在不同時(shí)間片上的變化進(jìn)行了有效捕捉，并最終生成不同時(shí)間片上的推薦列表。
　　通過(guò)在跨越60年的美國(guó)計(jì)算機(jī)協(xié)會(huì)的英文文獻(xiàn)語(yǔ)料庫(kù)上的一系列實(shí)驗(yàn)，證明了CCR方法相較于傳統(tǒng)文獻(xiàn)推薦模型，能夠顯著提高推薦質(zhì)量，更有