利用多粒度属性网络表示学习进行引文推荐

摘要：

引文推荐(CR)聚焦于智能化地产生与查询文章相关的文献列表,对科学研究具有重要价值.引文推荐有关于文章的语义信息和结构信息,近年来,基于网络表示学习(NRL)的引文推荐获得广泛关注.但现有研究使用单粒度网络来建模引文推荐问题,存在计算复杂度高、内存消耗大的弊端.为克服这个挑战,提出一种基于多粒度属性网络表示学习的引文推荐算法(CR-HANRSL),可以大大提升网络表示学习效率并同时兼顾文章的语义和结构特征.首先,根据文章结点属性的语义关联度和作者关系反复将网络粗化成更小的网络,并在每次粗化后都让超结点融合子结点的文本属性为粗化后的网络计算语义连边.随后,利用单粒度网络表示学习方法学习粗化后的网络特征表示并通过学习图卷积神经网络,对原网络的表示进行细化.最后,融合文章间多模态特征表示相似度产生推荐列表.在AAN和DBLP两个数据集上的实验结果表明提出的方法可以在学习高质量网络特征表示的前提下大大提升网络表示学习效率.

关键词：引文推荐、多粒度属性网络、语言连边、表示学习

所属期刊栏目：15

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1103-1113