基于动态知识图谱的成果被引用量预测方法、介质及设备技术

本发明专利技术公开了一种基于动态知识图谱的成果被引用量预测方法、介质及设备。本发明专利技术通过构建面向科技成果的动态时序知识图谱数据，利用图神经网络、循环神经网络、时序预测函数等算法模块，将成果的特征表示为成果相关多维度属性历史特征的聚合，并以成果历史引用量为标签，对成果未来多年的引用量进行预测。该方法可充分利用成果属性和成果间引用关系所构成的图谱结构信息，可支持对刚发布的成果进行较为准确的预测以解决冷启动问题。此外，该方法将图谱结构与时间序列特征充分融合，在特征表示和特征聚合环节均引入时间维度，训练所得到的模型在误差指标评估方面比同类任务方法有明显的提升。该方法可被用于解决科技创新场景下的多种实际任务。下的多种实际任务。下的多种实际任务。

Prediction method, medium and equipment of citation amount of achievements based on Dynamic Knowledge Map

【技术实现步骤摘要】
基于动态知识图谱的成果被引用量预测方法、介质及设备


[0001]本专利技术涉及人工智能、知识图谱构建、知识表征推理、时间序列预测等领域，具体涉及一种基于动态知识图谱的成果被引用量预测方法、介质及设备。

技术介绍

[0002]论文、专利等文献成果的引用率是指其在其他文献中的被引用次数，文献成果的引用率是衡量一个成果拥有者在所在研究领域影响力和被认可度的重要标志之一。对文献成果的引用量进行预测不仅可以帮助快速识别目标领域中有影响力的重要成果，而且有助于了解技术发展趋势、预测技术热点等等。
[0003]例如，在现有技术中，申请号为CN202011393595.3的专利技术专利公开了一种基于注意力机制的论文引用量预测方法与系统，该方案中对于待预测的论文，首先使用深度神经网络来提取特征，然后通过注意模块过滤掉那些不重要的句子，从而将较长的论文简化为较短的文本，再将这个精简的版本输入预测模型，即可在硬件资源有限的情况下充分利用论文信息，来更准确地预测论文引用量。申请号为CN201810474777.X的专利技术专利公开了一种基于学术大数据的论文影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态知识图谱的成果被引用量预测方法，其特征在于，包括如下步骤：S1、针对预先收集的目标类别成果引用数据，通过数据处理和图计算方法，以成果及影响其引用量的属性作为节点，构建出面向目标类别成果的动态知识图谱，并构建用于引用量预测的标签数据集；S2、构建成果被引用量预测网络模型，模型包括级联的时间增强图神经网络特征表示模块、成果属性时序影响力聚合表示模块和成果未来被引用量曲线计算模块；所述时间增强图神经网络特征表示模块中，利用融合异构图信息和时间信息的图卷积神经网络算法，对动态知识图谱中的每个节点进行特征向量表示；所述成果属性时序影响力聚合表示模块中，利用循环神经网络算法对每个成果的所有属性对象的历史特征进行影响力表示，进而聚合到成果对象上用于表示成果的当前影响力特征；所述成果未来被引用量曲线计算模块中，利用预先选定的被引用量曲线函数，并基于函数中的可学习参数，以成果影响力当前特征为输入，得到成果在未来多个时间点的被引用量；S3、利用S1中的所述标签数据集对S2中构建的成果被引用量预测网络模型进行迭代训练，每一轮迭代训练过程中需根据选定的误差函数对成果在未来多个时间点的被引用量与实际被引用量进行误差计算，并利用深度学习框架进行误差反向传播，更新整个模型的参数；迭代训练至模型收敛后，利用训练后的成果被引用量预测网络模型进行成果被引用量预测。2.如权利要求1所述的基于动态知识图谱的成果被引用量预测方法，其特征在于，所述S1中，动态图谱构建包括历年成果图谱的图邻接矩阵生成、图谱节点特征的高斯分布初始化、图谱节点的ID化三个数据处理步骤，所构建出的动态知识图谱的节点为成果及影响其引用量的属性。3.如权利要求1所述的基于动态知识图谱的成果被引用量预测方法，其特征在于，所述S1中，所构建的标签数据集，是针对共N年时长的成果动态图谱，从第N/2+1年的成果节点开始，计算每个成果在未来连续N/2年的被引用量得到的，且成果在待预测年的被引用量预测以待预测年之前连续N/2年的历史被引用量作为输入模型的历史时序。4.如权利要求1所述的基于动态知识图谱的成果被引用量预测方法，其特征在于，所述目标类别成果为专利或论文，不同目标类别成果需分别构建不同的动态知识图谱；若目标类别成果为专利，则对应构建的专利动态知识图谱中的节点为专利以及影响专利引用量的申请人、拥有国、分类号三种属性对象，图中的节点关系类型包含专利与专利间的引用关系、申请人与专利之间的申请关系、拥有国与专利之间的拥有关系以及分类号与专利之间的主题关系；若目标类别成果为论文，则对应构建的论文动态知识图谱中的节点为论文以及影响论文引用量的学者、期刊、关键词三种属性对象，图中的节点关系类型包括论文与论文间的引用关系、学者与论文间的作者关系、期刊与论文间的刊载关系以及关键词与论文间的主题关系。5.如权利要求1所述的基于动态知识图谱的成果被引用量预测方法，其特征在于，所述时间增强图神经网络特征表示模块中，共具有L层图神经网络；第l+1层图神经网络在对每
个节点进行邻居特征聚合的同时，将上一个邻近时间图谱中同一个节点及其邻居的特征也聚合进来，以实现时间增强，得到的时间增强图神经网络特征计算公式如下：其中，为节点i在第l+1层图神经网络的特征向量，r为图谱中属性关系类型集合R内的一种节点关系类型，为节点i在时间点t时关系类型为r的邻居节点，为关系类型为r的邻居节点在第l层的聚合权重，W
t(l)
为从t
‑
1时刻到t时刻同一邻居节点在第l层图神经网络的聚合权重，l∈[0，...，L
‑
1]。6.如权利要求5所述的基于动态知识图谱的成果被引用量预测方法，其特征在于，所述成...

【专利技术属性】
技术研发人员：庄越挺，宗畅，邵健，鲁伟明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：