一种融合表示学习与主题表征的作者合作预测模型

摘要：

[目的]提出融合网络表示学习和作者主题模型的科研合作预测方法.[方法]基于经典网络表示学习方法计算得到作者节点的嵌入式向量表示,采用余弦相似度计算作者的结构相似性;基于作者主题模型计算得到作者的主题向量表征,采用Hellinger距离计算作者主题相似性.再将两种相似性方法进行线性特征融合,采用贝叶斯优化方法进行融合超参数选择.[结果]用NIPS论文数据进行实证研究,经过贝叶斯参数选择后效果最好的node2vec+ATM模型,预测的AUC值达到0.927 1,比基准模型提高0.185 6,也优于现有的一些融合外部信息的表示学习模型.[局限]仅考虑作者文章内容信息,没有将作者单位、地理位置等更多属性信息融入模型.[结论]本文提出的融合模型考虑了结构与内容特征,能够得到比简单网络表示学习更好的合作预测效果.

关键词：网络表示学习、作者主题模型、模型融合、合作预测

所属期刊栏目：5

分类号：G350(情报学、情报工作)

资助基金：国家自然科学基金;中国科学院信息化专项;中国科学院青年创新促进会项目

在线出版日期：2021-05-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：88-100