發(fā)布時間：2024-06-30 02:20

　　學者的興趣標簽不僅僅能體現(xiàn)學者本身的學術研究內(nèi)容與方向,也體現(xiàn)學者對某一個或多個科研領域的關注程度�，F(xiàn)有的學者興趣標簽挖掘方法大多基于學者的論文中包含的文本信息和網(wǎng)絡結(jié)構(gòu)信息進行分類,但是在對文本信息的利用上,現(xiàn)有的方法大多采用概率主題模型生成文本屬性,得到的文本信息屬性粒度較粗;在對網(wǎng)絡結(jié)構(gòu)信息的利用上,現(xiàn)有的方法則大多將原本隱含在論文信息中的異構(gòu)信息網(wǎng)絡解構(gòu)成多個同質(zhì)網(wǎng)絡進行節(jié)點嵌入的獲取,丟失了異構(gòu)信息網(wǎng)絡中豐富的異構(gòu)語義信息。在前人研究的基礎上,本文基于文本屬性和網(wǎng)絡屬性對學者興趣標簽進行研究,主要貢獻如下:(1)提出基于文本信息的興趣標簽評分方法。我們對文本信息采取詞級別的向量表示,并利用雙向長短記憶循環(huán)神經(jīng)網(wǎng)絡捕獲文本數(shù)據(jù)中的上下文信息,同時采用注意力機制加權(quán)文本中不同位置的信息,且將聚合得到的興趣標簽評分向量經(jīng)過全連接層和輸出層降維,從而最終得到興趣標簽的評分。(2)提出基于網(wǎng)絡結(jié)構(gòu)信息的興趣標簽評分方法。為了保留異構(gòu)信息網(wǎng)絡中的語義信息,我們對網(wǎng)絡結(jié)構(gòu)信息采用生成式對抗網(wǎng)絡來獲取異構(gòu)信息網(wǎng)絡中的節(jié)點嵌入,并將其用于計算學者之間的相似度,進而獲得待預測學者的興趣標簽評分。...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖1.1北京文獻服務處參賽方案結(jié)構(gòu)

內(nèi)蒙古大學碩士學位論文3圖1.1北京文獻服務處參賽方案結(jié)構(gòu)Figure1.1structureofthesolutionfromBeijingDocumentServiceDepartment北京文獻服務處的參賽方案首先對給定數(shù)據(jù)進行了擴展，一方面利用給定數(shù)據(jù)中的期刊或會議名稱信....

圖1.2moon-light團隊參賽方案結(jié)構(gòu)

內(nèi)蒙古大學碩士學位論文3圖1.1北京文獻服務處參賽方案結(jié)構(gòu)Figure1.1structureofthesolutionfromBeijingDocumentServiceDepartment北京文獻服務處的參賽方案首先對給定數(shù)據(jù)進行了擴展，一方面利用給定數(shù)據(jù)中的期刊或會議名稱信....

圖1.3ICRC@HITSZ團隊參賽方案結(jié)構(gòu)

基于文本和網(wǎng)絡信息的學者興趣挖掘研究6圖1.3ICRC@HITSZ團隊參賽方案結(jié)構(gòu)Figure1.3structureofthesolutionfromteamICRC@HITSZ在網(wǎng)絡結(jié)構(gòu)屬性方面，采用LINE[15]方法根據(jù)論文數(shù)據(jù)中的合著網(wǎng)絡和引用關系網(wǎng)絡生成節(jié)點嵌入；在文....

圖2.1CBOW模型的模型結(jié)構(gòu)

基于文本和網(wǎng)絡信息的學者興趣挖掘研究10藏層巨大的計算量，Word2Vec模型提出的CBOW模型和skip-gram模型都是不含隱藏層的兩層神經(jīng)網(wǎng)絡模型。其中CBOW模型的思想上通過已知的上下文信息來預測中心詞，而skip-gram模型則是相反，通過已知的中心詞來預測上下文詞匯。....

本文編號：3998245