融合加权异质网络与网络表示学习的学术信息推荐研究

G252.6; [目的/意义]21世纪互联网技术的发展为学术研究提供了开放的交流平台,科研信息资源由此呈指数增长,学者难以从繁杂的信息中快捷获取所需信息,从而导致学术资源利用率低下.学术资源精准化、个性化推荐,成为了提高学术信息流转效率和实现价值增值的有效途径.[方法/过程]本文利用文献发表时间因子与文献语义相似度对异质信息网络进行加权,并基于此加权网络采用Node2vec进行有偏随机游走生成图节点序列,然后利用Skip-gram语言模型进行序列学习,最终计算节点向量的相似度以实现学术信息推荐.[结果/结论]以CNKI中的数据集为例对本文所提出的模型进行验证,实证结果表明,使用该模型推荐的论文与学者,一方面与目标学者的研究方向相符合;另一方面在时间维度上也较为精准,能够有效满足学者信息需求.