边信息嵌入的学术论文推荐算法研究

为了解决论文推荐领域中的数据稀疏性问题,研究人员通常会引入论文的辅助信息进行改进。然而,目前的研究大多集中于辅助信息的语义关联性,没有考虑到不同辅助信息对论文的重要性也不同。同时,在论文的网络表示领域中,随机游走的方法忽略了论文属性对论文引用关系的影响。针对这两个问题,提出了一种基于引文辅助信息嵌入的推荐方法（CERec）。首先提取论文的多种质量因素构成影响力数值,将其作为论文权重来构造影响力网络。然后将论文的影响力与引文信息结合,利用论文的多种辅助信息进行图嵌入。最后通过论文嵌入向量的余弦相似度得到推荐结果。离线实验结果表明,结合辅助信息的方法优于不结合辅助信息的方法,同时CERec相较于目前比较流行的向量表示推荐算法在召回率和NDCG上平均提高了5.054%和5.246%。