基于圖卷積嵌入與特征交叉的文獻(xiàn)被引量預(yù)測(cè)方法：以交通運(yùn)輸領(lǐng)域?yàn)槔?/H1>
發(fā)布時(shí)間：2022-02-22 13:57
【目的】提出一種文獻(xiàn)被引量預(yù)測(cè)模型,用于發(fā)現(xiàn)潛在研究熱點(diǎn)、優(yōu)化改進(jìn)刊物采編工作。【方法】綜合考慮文獻(xiàn)的關(guān)鍵詞、作者、機(jī)構(gòu)、國(guó)家、被引量等相關(guān)因素,利用圖卷積進(jìn)行特征提取,利用循環(huán)神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制對(duì)被引量的時(shí)序信息與重要文獻(xiàn)特征進(jìn)行挖掘�！窘Y(jié)果】利用Web of Science核心集中交通運(yùn)輸領(lǐng)域的文獻(xiàn)對(duì)模型進(jìn)行驗(yàn)證,與基準(zhǔn)模型相比,在RMSE、MAE等各項(xiàng)指標(biāo)上最大提升幅度達(dá)15.23%與16.91%。【局限】在所提模型的預(yù)訓(xùn)練步驟中,進(jìn)行多次圖卷積,使得算法的時(shí)間復(fù)雜度較高。【結(jié)論】本文所提模型將文獻(xiàn)各項(xiàng)特征充分融合,極大提高了預(yù)測(cè)模型的性能。
【文章來源】：數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2020,4(09)北大核心CSSCICSCD
【文章頁(yè)數(shù)】：12 頁(yè)
【文章目錄】：
1 引言
2 研究現(xiàn)狀
3 基于圖卷積的文獻(xiàn)被引量預(yù)測(cè)
3.1 問題描述
3.2 數(shù)據(jù)集
3.3 嵌入及預(yù)測(cè)模型構(gòu)建
3.4 實(shí)驗(yàn)
3.5 結(jié)果與對(duì)比
4 結(jié)語(yǔ)
作者貢獻(xiàn)聲明：
利益沖突聲明：
支撐數(shù)據(jù)：
本文編號(hào)：3639585
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/3639585.html
【文章來源】：數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2020,4(09)北大核心CSSCICSCD
【文章頁(yè)數(shù)】：12 頁(yè)
【文章目錄】：
1 引言
2 研究現(xiàn)狀
3 基于圖卷積的文獻(xiàn)被引量預(yù)測(cè)
3.1 問題描述
3.2 數(shù)據(jù)集
3.3 嵌入及預(yù)測(cè)模型構(gòu)建
3.4 實(shí)驗(yàn)
3.5 結(jié)果與對(duì)比
4 結(jié)語(yǔ)
作者貢獻(xiàn)聲明：
利益沖突聲明：
支撐數(shù)據(jù)：
本文編號(hào)：3639585
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/3639585.html
最近更新
教材專著
