隨著科學(xué)技術(shù)的發(fā)展,研究人員發(fā)表了數(shù)以百萬的學(xué)術(shù)性文獻(xiàn)。在進(jìn)行科研活動(dòng)的過程中,人們需要花費(fèi)大量的時(shí)間和精力進(jìn)行文獻(xiàn)調(diào)研以便更好地掌握研究進(jìn)展。為了緩解這種信息過載的問題,學(xué)術(shù)搜索引擎、學(xué)術(shù)社交網(wǎng)站和文獻(xiàn)管理平臺成為了研究者從海量科研數(shù)據(jù)中獲取信息的幾種主要途徑。另外,專業(yè)的學(xué)術(shù)論文推薦系統(tǒng)也不斷被學(xué)界和工業(yè)界提出并投入使用。目前,學(xué)術(shù)論文推薦場景主要分為兩種:一種是基于用戶建模的學(xué)術(shù)論文推薦,該任務(wù)主要根據(jù)用戶歷史行為記錄為其推薦可能感興趣的學(xué)術(shù)論文;另一種則是基于用戶查詢的學(xué)術(shù)論文引文推薦,該任務(wù)為用戶推薦與其所給查詢相關(guān)的文章,且這些推薦結(jié)果常被用作學(xué)術(shù)論文里的參考文獻(xiàn)。相對而言,學(xué)術(shù)論文引文推薦(后簡稱引文推薦)對節(jié)省研究人員撰寫學(xué)術(shù)論文的成本和降低重要文獻(xiàn)的漏引率具有更加重要的作用和意義。隨著大數(shù)據(jù)存儲與處理技術(shù)的快速發(fā)展,學(xué)術(shù)論文的元數(shù)據(jù)與全文信息日益豐富。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的進(jìn)步使得研究人員在文本挖掘算法上取得創(chuàng)新,引文推薦任務(wù)也迎來了發(fā)展勢頭。作為科技文本挖掘領(lǐng)域中基礎(chǔ)的自然語言處理任務(wù),現(xiàn)有的引文推薦研究存在如下幾個(gè)問題:首先,在進(jìn)行用戶查詢和候選引文的表示學(xué)習(xí)...

【文章頁數(shù)】：220 頁

【學(xué)位級別】：博士

【部分圖文】：

圖1.7論文總文推薦可視化

示學(xué)習(xí)模型。為了對推薦機(jī)制中多維排序指標(biāo)進(jìn)行探索，本研究將對不同的引文推薦結(jié)果排序指標(biāo)進(jìn)行多元組合來完成推薦列表的排序，以選擇最佳的排序指標(biāo)組合。為對用戶的引用時(shí)間偏好進(jìn)行挖掘，我們利用深度學(xué)習(xí)模型進(jìn)行偏好預(yù)測，將用戶查詢預(yù)測出的引用偏好對引文推薦列表進(jìn)行排序，以進(jìn)行考慮時(shí)間因素....

圖2.1全局引文推薦示意圖

2相關(guān)概念與理論基礎(chǔ)博士學(xué)位論文32表，如何將列表中的引文插入到文章中的句子中去，即為需要引用的句子找到對應(yīng)的引文。2010年，He等人整合了Tang和Zhang提出的引文推薦任務(wù)，將引文推薦劃分為了全局引文推薦（GlobalCitationRecommendation）和局部引....

圖2.2局部引文推薦示意圖

2相關(guān)概念與理論基礎(chǔ)博士學(xué)位論文32表，如何將列表中的引文插入到文章中的句子中去，即為需要引用的句子找到對應(yīng)的引文。2010年，He等人整合了Tang和Zhang提出的引文推薦任務(wù)，將引文推薦劃分為了全局引文推薦（GlobalCitationRecommendation）和局部引....

圖2.3分類分類訓(xùn)練樣本(,)

利用鏈接分析算法得到節(jié)點(diǎn)的權(quán)重值[52]、通過刻畫節(jié)點(diǎn)之間的轉(zhuǎn)移概率獲取推薦列表[48]以及借助圖算法學(xué)習(xí)點(diǎn)與點(diǎn)之間的相似度[54]，即文章之間的相似度。（2）分類和排序模型分類模型利用了機(jī)器學(xué)習(xí)的思想來從訓(xùn)練數(shù)據(jù)中尋找規(guī)律并對測試數(shù)據(jù)進(jìn)行類別預(yù)測，即給定數(shù)量為的訓(xùn)練樣本(,),....

本文編號：3982156