融合异质信息网络表示学习的跨领域推荐研究

针对单领域推荐中的数据“稀疏性”和用户“冷启动”问题,提出一种综合利用评分信息和特征信息的跨领域推荐模型。首先,利用异质网络表示学习,针对源领域和目标领域的异质信息网络,通过元路径、DeepWalk算法生成网络表示学习向量,进而利用个性化非线性融合输出源领域和目标领域的物品特征信息向量;其次,利用神经网络模拟CMF (collective matrix factorization),生成用户和物品的评分信息向量,并通过映射函数MLP (multilayer perceptron)将用户评分信息向量映射到不同领域,以突出用户特征在不同领域的差异性;最后,将评分信息和特征信息有机融合,以损失函数为依据,采用梯度下降的方法学习模型的参数,从而完成评分预测。研究结果表明,在豆瓣网和Amazon数据集上,本文模型均优于其他相关算法;在提升推荐效果方面,目标领域RMSE (root mean squared error)和MAE (mean absolute error)下降了1%～15%,源领域RMSE和MAE下降了1%～19%;在用户“冷启动”方面,目标领域的RMSE和MAE下降了1%～14%...     

融合多元网络与网络表示学习的科研合作者推荐研究

[目的/意义]融合多元网络和网络表示学习方法学习并发现作者间的关联性,能够更好地进行合作者推荐。[方法/过程]文章首先搜集情报学领域相关文献数据作为原始数据集,在经过数据清洗后,根据作者间的多元关系构建各信息实体的多个科研信息网络,然后对高维网络利用Node2vec网络表示学习方法学习各节点的信息,从而得到各网络中节点的向量表示。其次,通过余弦相似度计算各网络中的作者相似度。最后融合作者间机构合作偏好和作者学术水平相似度得到最终的推荐结果。[结果/结论]文章提出的融合模型考虑了多元网络和数据稀疏性,在AUC值上的表现优于单一维度,得到了更好的合作预测效果。实验结果表明,该合作者推荐模型在情报学领域作者合作者推荐中具有可行性。     

网络表示学习在学者科研合作预测中的应用研究

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。     

基于时间兴趣因子的网络表示学习图书推荐模型研究

[目的/意义]通过分析图书馆的图书流通数据,本文提出一种基于时间兴趣因子融合网络学习的图书推荐模型—TIF＿N2V＿CF。[方法/过程]评估用户借阅图书的时间间隔并定义兴趣因子权重,根据流通数据构建同质关系网络;网络表示学习将得到的特征矩阵输入融合推荐模型并得到推荐结果。[结果/结论]实验表明,TIF＿N2V＿CF模型的召回率在top z=10和z=20时分别为0.1302、0.2031,高于未引入时间兴趣因子的N2V＿CF模型。TIF＿N2V＿CF模型将时间兴趣因子引入到网络表示学习,对融合用户和图书的特征矩阵进行相似度计算,解决图书借阅流通数据中同一时间包含多本图书借阅记录造成的难以序列化的问题,缓解数据稀疏和冷启动对模型性能的影响,提高了推荐精度。     

异质信息网络嵌入视角下公安微博传播预测研究

[目的/意义]预测用户是否转发、评论通缉微博,研究及评估影响通缉微博传播的重要特征,有助于公安微博提升其运营绩效,增强警民之间的沟通和合作。[方法/过程]针对通缉微博的特点,在抽取通缉微博的用户特征、时间特征、微博文本结构特征的基础上,提取通缉微博中的案件特征,包含案件地点关键字、时间关键字、通缉令等级、有无悬赏等,利用xgboost算法计算不同特征在转发、评论预测中的重要性,并结合传播网络特征和节点属性,构建基于特征属性异质信息网络嵌入的公安微博传播预测模型,并对模型进行训练和评估。[结果/结论]预测模型在转发、评论数据集上的AUC值分别达到0.737和0.799。由于该模型融合了网络结构特征和不同节点属性,更贴近现实的异质信息网络,相比传统的链接预测模型精确度更高。另外,特征重要性实验结果表明,所提出的案件关键字特征在影响微博转发、评论预测的所有特征中重要性最高。     

异质网络资源多维度推荐模式研究——以豆瓣网为例

[目的/意义]针对某些包含多级用户和多级资源的异质网络,在总结其各种异质模态的基础上提出一种多维度推荐框架MDRM,向目标用户进行好友和资源的推荐。[方法/过程]通过对用户、资源划分等级,在分析各种网络模态的基础上建立其异质关系;利用情感倾向分析得到二级用户——二级资源评分矩阵,借助协同过滤算法,实现同级用户和二级资源的推荐;基于异质关系,实现一级用户和一级资源的推荐,最终实现多维度推荐。[结果/结论]在以豆瓣网数据作为数据集的实验中取得了较好的效果,说明MDRM模型适合某些异质网络资源的推荐。     

基于异构信息网络嵌入的专利技术主体间交易推荐模型

考虑专利技术主体间技术邻近、地理邻近、共申请关系、引证关系、经济圈效应、主体类型邻近、主体间从属关系这7种因素对交易的影响,构建由4类节点、10类关系组成的异构信息网络,设计基于元路径与元结构的异构关系遍历算法获取主体间关系序列。以关系序列为语料,构建基于网络嵌入的异构信息网络主体间交易推荐模型(PSR-vec),采用基于Huffman树的Skip-Gram方法进行网络嵌入训练,计算主体向量间相似度以实现交易推荐。通过2012-2018年电子信息领域专利数据的实证研究得出:第一,PSR-vec模型相比DeepWalk、node2vec与PathSim等方法,推荐精度大幅提高,达到82.4%;第二,融合多个元路径与元结构特征的推荐与单一特征相比,推荐精度大幅提高;第三,基于ρ2以及改进的元结构S4、S6、S8、S10、S12、S14的推荐结果均高于基于ρ1以及改进的元结构S3、S5、S7、S9、S11、S13的推荐精度,说明基于主体间转让技术邻近性的推荐精度更高;第四,在技术邻近元路径基础上分别融合主体间共申请、引证、从属、经济圈效应这4类邻近关系获得元结构并进行推荐,推荐精度均显著提高,而融合地理邻近、类型邻近2类关系后推荐精度有所降低,说明地理邻近、类型邻近对交易的促进作用不明显;第五,基于PSR-vec模型的推荐结果包括具有控股和供应等紧密关系的主体,也包括关系松散的主体,推荐结果具有多样性。本研究为专利技术主体间的有效对接提供了决策方法。     

科研领域知识的网络表示模型及应用研究

科学研究中的科研领域拥有大量有价值的知识,如何将这些知识显性的表示出来,并在实际中有效的应用,是目前研究中的一个难点问题.本研究从知识管理的角度出发,首先依据科研领域知识的特点,构建了科研领域知识的网络表示模型,然后运用复杂网络理论对该模型进行分析,获得了模型的特性.再根据这些特点对网络进行了聚类降维,聚类降低了网络的表示维度和复杂度,在此基础上构建了更简单的知识树状结构模型.建构的网络模型能很好表示科研领域知识,而且在降维的基础上得到的树状结构模型具有更好的效果,并能方便地接入到计算机系统中.最后给出一个实例进行验证.     

基于改进用户兴趣点度量方式的推荐算法研究

推荐算法是个性化推荐系统中最为核心的一部分.文本通过给出产品流行性定义,提出了一种改进的用户兴趣点度量方法,进而将用户的兴趣点嵌入到基于物质扩散原理的推荐算法中.新算法引入参数β度量产品的推荐权重与用户兴趣点之间的关系.MovieLens数据集上的数值结果表明新的用户兴趣点定义方法可以同时改进推荐算法的准确度和推荐列表多样性,当采用60%的数据作为训练集时,多样性可以提高13.15%.进一步的结果表明当训练集很稀疏的时候,应当赋予与用户兴趣点不同的产品更高的推荐能力,随着稀疏度增加,赋予与用户兴趣点相近的产品更多推荐能力可以大幅度提高算法的表现.     

基于二分网络模型的专利权人推荐研究--以新能源汽车领域为例?

通过推荐技术为企业推荐合作者,在提高技术研发效率方面有着重要的意义。在5种(物质扩散算法、热传导算法、偏热传导算法、混合算法、接受者能力算法)基于二分网络推荐算法的基础上,本文提出二阶同向资源扩散算法;同时使用β来判断对合作者合作倾向。以新能源汽车领域专利权人推荐为例进行实验,实验结果证明使用二阶资源扩散算法比一阶资源扩散算法推荐效果要好,准确率最高可达27.59%,召回率最高可达30.05%,提升幅度最大可以达到15.17%,最优β表明优先选择其曾经有过合作关系的专利权人进行合作。     

基于云的网络学习空间建设研究

云计算的出现以及成熟应用,使现有网络学习模式有了更为广阔的空间,本文简单介绍了网络学习空间的特点以及空间建设模型的运行过程,并对网络学习空间建设管理的方式进行探讨,依照空间建设的资源共享、广泛使用、容易接受等特点,对领导扶持、团队组织、资源优劣、合作程度以及考核5个方面进行空间的建设研究,将这5个方面的内容有机融合,能够使基于云的网络学习空间有效运转,促进网络空间的运用,从研究网络学习空间建设入手,分析影响网络学习空间建设的重要指标,能够促进网络学习空间使用率的提高,以期让更多的学习者从网络学空间中得到收益.     

基于表示学习的双层知识网络链路预测

当前,针对知识网络的链路预测主要是基于网络拓扑结构的相似性,很少考虑作者的研究领域,导致信息利用不充分等问题,因此本文提出了双层知识网络的链路预测框架hypernet2vec。双层知识网络,即作者合著关系网络和学术领域关系网络,利用网络表示学习,分别将两层网络中的节点映射到低维的向量空间,再输入到专门设计的卷积神经网络中计算并进行链路预测。与经典的链路预测指标如RA指标、LP指标和LRW指标等相比,hypernet2vec模型预测的AUC (area under curve)值取得了显著的提升,平均提升幅度达11.17%。文章还从情报产生层面和复杂系统层面,对模型发生作用的深层机理进行了探讨。     

基于Web挖掘技术的用户兴趣本体学习研究

目前针对基于关键词的用户模型不能从语义上表达用户需求真正内涵,基于领域本体的用户模型多数忽略研究概念间非分类关系和语义应用环境较分散等缺陷。本文提出一种循环式的基于Web挖掘技术的用户兴趣本体学习模型,即综合应用统计分析、关联规则和聚类分析等技术进行电子商务领域用户兴趣概念及概念间分类与非分类关系学习,面对用户兴趣的迅速变化,还提出一种传递激活方法来实时更新本体或重新进行本体学习,以不断提高该本体的质量。经验证,基于该本体的用户模型在文本过滤等应用中能较上述两种用户模型满足用户个性化服务需求。     

基于2-模异质网络的作者潜在合作空间测度与识别——以图书情报学为例

[目的/意义] 鉴于异质网络能够揭示数据的多重关系,引入合作网络,构建2-模异质网络,并基于此异质网络,进行作者潜在合作空间的测度与识别,增加作者间合作机会,促进学科知识的交流与融合提供参考。[方法/过程] 以2004-2013年间的图书情报学核心期刊论文为研究对象,定义作者-作者-关键词2模异质网络,挖掘网络中的多重关系;定义潜在合作空间的相关概念及测度公式,并运用共现分析、耦合分析及编译VBA, 程序,对2-模异质网络的作者潜在合作空间进行测度与识别。[结果/结论] 发现图书情报学领域的47位核心潜在合作者;某一研究主题的作者潜在合作空间相同或相近,重叠部分形成了该研究领域的潜在合作团队,这一发现为研究人员寻求潜在合作者提供了便利条件。     

基于科研用户兴趣模型的知识推送服务模式研究

[目的/意义] 针对"互联网+"背景下科研用户群体知识需求的个性化和全局性特点,研究如何基于科研用户兴趣模型构建知识推送服务模式问题。[方法/过程] 通过梳理研究现状,从知识需求独特性和知识需求状态多变性两个视角进行"隐式+显式"科研用户兴趣模型与知识推送契合性分析。从个性化与全局化视角构建"隐式+显式"科研用户兴趣模型,并通过知识发掘与整合-知识推送-推送服务评价等过程为推送模式提供数据支持和决策支撑,满足科研用户特殊的知识需求。[结果/结论] 实证研究结果表明,该模式可以从个性化和全局化两个视角满足科研用户特殊需求。     

基于无监督图神经网络的学术文献表示学习研究

学术文献特征表示,是学术文献搜索、分类组织、个性化推荐等学术大数据服务的关键步骤。研究表明,图神经网络能够有效学习文献的特征表示,然而当前研究主要集中在有监督学习方法上,不仅对数据集的大小和质量的要求较高,且学习到的文献特征表示与具体任务高度耦合。基于此,本文将四种无监督图神经网络方法引入学术文献表示学习,从Cora、CiteSeer和DBLP (database systems and logic programming)数据集的引文网络、共被引网络和文献耦合网络中学习文献的表示向量,并应用于文献分类和论文推荐两大下游任务。研究结果表明,(1)深度互信息图神经网络适合于文献分类任务,对抗正则化变分图自编码器则在论文推荐任务上性能更佳;(2)Cora数据集上的结果表明,相较于共被引和文献耦合网络,引文网络更适合于学习通用的文献表示向量。     

基于社会网络视角的学习共享空间研究

技术、信息和学习环境的革命性变化逐渐削弱了图书馆作为获取信息和知识的首要机构的地位。学习共享空间是社会网络环境下支持学生协同学习、个性化学习的学习社区和学习资源中心。图书馆员要将服务融入大学生学习的过程之中,明确交互关系、网络规模、认同感等影响大学生社会学习过程的因素,引导学生合理利用基于标签的分众分类法,使之构建交互关系,发现、讨论、评价、注释和推荐他们自己的学习资源。