學(xué)者的興趣標(biāo)簽不僅僅能體現(xiàn)學(xué)者本身的學(xué)術(shù)研究?jī)?nèi)容與方向,也體現(xiàn)學(xué)者對(duì)某一個(gè)或多個(gè)科研領(lǐng)域的關(guān)注程度。現(xiàn)有的學(xué)者興趣標(biāo)簽挖掘方法大多基于學(xué)者的論文中包含的文本信息和網(wǎng)絡(luò)結(jié)構(gòu)信息進(jìn)行分類(lèi),但是在對(duì)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(duì)網(wǎng)絡(luò)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(luò)解構(gòu)成多個(gè)同質(zhì)網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)嵌入的獲取,丟失了異構(gòu)信息網(wǎng)絡(luò)中豐富的異構(gòu)語(yǔ)義信息。在前人研究的基礎(chǔ)上,本文基于文本屬性和網(wǎng)絡(luò)屬性對(duì)學(xué)者興趣標(biāo)簽進(jìn)行研究,主要貢獻(xiàn)如下:(1)提出基于文本信息的興趣標(biāo)簽評(píng)分方法。我們對(duì)文本信息采取詞級(jí)別的向量表示,并利用雙向長(zhǎng)短記憶循環(huán)神經(jīng)網(wǎng)絡(luò)捕獲文本數(shù)據(jù)中的上下文信息,同時(shí)采用注意力機(jī)制加權(quán)文本中不同位置的信息,且將聚合得到的興趣標(biāo)簽評(píng)分向量經(jīng)過(guò)全連接層和輸出層降維,從而最終得到興趣標(biāo)簽的評(píng)分。(2)提出基于網(wǎng)絡(luò)結(jié)構(gòu)信息的興趣標(biāo)簽評(píng)分方法。為了保留異構(gòu)信息網(wǎng)絡(luò)中的語(yǔ)義信息,我們對(duì)網(wǎng)絡(luò)結(jié)構(gòu)信息采用生成式對(duì)抗網(wǎng)絡(luò)來(lái)獲取異構(gòu)信息網(wǎng)絡(luò)中的節(jié)點(diǎn)嵌入,并將其用于計(jì)算學(xué)者之間的相似度,進(jìn)而獲得待預(yù)測(cè)學(xué)者的興趣標(biāo)簽評(píng)分。...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1北京文獻(xiàn)服務(wù)處參賽方案結(jié)構(gòu)

內(nèi)蒙古大學(xué)碩士學(xué)位論文3圖1.1北京文獻(xiàn)服務(wù)處參賽方案結(jié)構(gòu)Figure1.1structureofthesolutionfromBeijingDocumentServiceDepartment北京文獻(xiàn)服務(wù)處的參賽方案首先對(duì)給定數(shù)據(jù)進(jìn)行了擴(kuò)展，一方面利用給定數(shù)據(jù)中的期刊或會(huì)議名稱(chēng)信....

圖1.2moon-light團(tuán)隊(duì)參賽方案結(jié)構(gòu)

內(nèi)蒙古大學(xué)碩士學(xué)位論文3圖1.1北京文獻(xiàn)服務(wù)處參賽方案結(jié)構(gòu)Figure1.1structureofthesolutionfromBeijingDocumentServiceDepartment北京文獻(xiàn)服務(wù)處的參賽方案首先對(duì)給定數(shù)據(jù)進(jìn)行了擴(kuò)展，一方面利用給定數(shù)據(jù)中的期刊或會(huì)議名稱(chēng)信....

圖1.3ICRC@HITSZ團(tuán)隊(duì)參賽方案結(jié)構(gòu)

基于文本和網(wǎng)絡(luò)信息的學(xué)者興趣挖掘研究6圖1.3ICRC@HITSZ團(tuán)隊(duì)參賽方案結(jié)構(gòu)Figure1.3structureofthesolutionfromteamICRC@HITSZ在網(wǎng)絡(luò)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(luò)和引用關(guān)系網(wǎng)絡(luò)生成節(jié)點(diǎn)嵌入；在文....

圖2.1CBOW模型的模型結(jié)構(gòu)

基于文本和網(wǎng)絡(luò)信息的學(xué)者興趣挖掘研究10藏層巨大的計(jì)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(luò)模型。其中CBOW模型的思想上通過(guò)已知的上下文信息來(lái)預(yù)測(cè)中心詞，而skip-gram模型則是相反，通過(guò)已知的中心詞來(lái)預(yù)測(cè)上下文詞匯。....

本文編號(hào)：3998245