【技术实现步骤摘要】
一种异构环境下嵌入预期价值的文献推荐方法
[0001]本专利技术属于学术文献检索
，具体涉及一种异构环境下嵌入预期价值的文献推荐方法。
技术介绍
[0002]随着信息技术的快速发展，网络上的学术文献数量呈现指数级增长趋势。如何依据现有工作，在大量文献中快速定位和发现有引用价值的学术文献，是科研工作者，特别是初级科研工作者面临的难题。根据研究者现有工作，为其推荐合适的学术引文文献，是目前推荐领域研究的热点问题，具有重要的实际应用价值。
[0003]随着近年来深度神经网络技术，特别是图学习技术的进步，有些研究者提出用基于图卷积神经网络的方法来推荐学术文献。图神经网络利用设定好的网络结构，完全从训练数据中学习文献内容的层级结构性特征，能够提取更加接近文献内容高级语义的抽象特征，因此在文献推荐上的表现远远超过传统机器学习方法。同时图卷积神经网络能够利用文献间的关联关系，将链接信息嵌入文献特征中，能够有效还原文献网络结构，在特征表示上具有极大的优越性。
[0004]虽然图卷积神经网络能提取接近文献语义和链接的抽象...
【技术保护点】
【技术特征摘要】
1.一种异构环境下嵌入预期价值的文献推荐方法，其特征在于：包括以下步骤：S1：根据文献数据集构建初始特征向量；S2：根据初始特征向量构建异构文献图；S3：根据S2中的异构文献图构建异构图卷积网络，并将节点初始特征向量输入异构图卷积深度网络获得异构节点特征向量；S4：构建深度注意力层,并利用注意力层获取每个卷积层的权重调节因子，然后利用权重调节因子生成所有的异构节点最终向量表示；S5：将所获得的异构节点最终向量表示利用解码器还原文献网络结构；S6：利用对抗生成机制，将文件预期价值信息嵌入文献向量中；S7：针对每一篇候选文献计算得分，最终根据得分对文献进行推荐。2.如权利要求1所述的一种异构环境下嵌入预期价值的文献推荐方法，其特征在于：所述步骤S1具体过程如下：S1.1：根据文献数据集，对于每一篇文献，通过Word2Vec工具获取每个词的词向量，并将该文献中的词向量取平均获得文献初始向量；S1.2：根据文献数据集，对于每一个作者，取其发表过的所有文献的初始向量并取平均，从而获得作者初始向量；S1.3：根据文献数据集，对于每一个期刊，取其包含的所有文献的初始向量并取平均，从而获得期刊初始向量。3.如权利要求1所述的一种异构环境下嵌入预期价值的文献推荐方法，其特征在于：所述步骤S2中异构文献图表示为G＝{X,E}；X＝{X
P
,X
A
,X
J
}，表示三类不同节点的特征信息：X
P
表示所有文献向量特征，X
A
表示所有作者向量特征，X
J
表示所有期刊向量特征，取值自于步骤S1初始特征向量；根据节点的不同，边集E＝{E
PP
,E
PA
,E
PJ
,E
AA
,E
AJ
,E
JJ
}含有六种不同类型，包括三种同构关联关系：E
PP
为文献引用信息、E
AA
为作者合著信息和E
JJ
为来源关联信息，以及三种异构关联关系：E
PA
为文献
‑
作者关系、E
PJ
为文献
‑
来源关系、E
AJ
为作者
‑
来源关系。4.如权利要求3所述的一种异构环境下嵌入预期价值的文献推荐方法，其特征在于：所述步骤S3中异构图卷积网络构成方法如下：S301:首先基于步骤S2中的异构文献图，依据不同的节点和边信息构造六类邻接矩阵R＝{R
PP
,R
PA
,R
PJ
,R
AA
,R
AJ
,R
JJ
}；式中：中：和分别为文献
‑
引用信息、文献
‑
作者关系、文献
‑
来源关系、作者
‑
合著信息、作者
‑
来源关系和来源关联信息所对应的领接矩阵，其中N
P
、N
A
和N
J
分别表示数据集中文献、作者和期刊的总数，表示对应矩阵的元素值；S302:临界矩阵初始化，并根据初始化的邻接矩阵生成转置矩阵；S303:基于邻接矩阵R构造增广邻接矩阵
式中：R
AP
、R
JA
和R
JP
分别为步骤S302中R
PA
、R
AJ
和R
PJ
的转置矩阵；S304:基于R
*
构建L层异构图卷积层，其中第l层的异构图卷积过程为：其中，Relu(
·
)表示修正线性单元函数，为卷积核，d
s
表示卷积核宽度，是基于R
*
构造的矩阵，其值为R
*
+I，其中为单位矩阵，表示异构图的度矩阵，构图的度矩阵，表示取度矩阵的第i行第j列的数据，表示取矩阵的第i行第j列的数据，Z
l
表示深度图卷积网络第l层的数据特征，其中由节点初始特征向量构成，Z0的构造方式分别为：5....
【专利技术属性】
技术研发人员：戴涛，赵杰，周琦，李德鸿，何浩楠，权飞过，田顺，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。