基于流行度的混合图注意力网络在学术推荐中的应用

《Expert Systems with Applications》:Popularity-driven hybrid graph-attentive networks for contextual academic recommendation

【字体: 大 中 小 】 时间:2026年04月01日 来源:Expert Systems with Applications 7.5

编辑推荐:

  摘要采用双塔结构融合用户流行度和合作者影响力,通过自注意力机制捕捉个体偏好,图注意力机制建模协作网络。实验在CNKI、OpenReview等三个学术数据集上验证,平均性能提升5-10%,NDCG@10最高提升16.66%。研究提出动态关键词流行度计算方法,并验证了跨领域适应性。

  
郑清尹|徐霞|李淑清
南京财经大学计算机与人工智能学院,中国南京210023

摘要

目标

在庞大而复杂的学术出版领域中,向研究人员推荐相关文献可以显著提高他们的效率。

方法

本文介绍了一种基于流行度的顺序推荐模型(PPTiSASRec),该模型通过结合作者贡献和合作者影响力来计算关键词的流行度。该模型使用自注意力和门控神经网络来捕捉个别作者的偏好,同时使用图注意力和门控图神经网络来模拟合作者的偏好。通过分析,我们发现三个学术数据集中的关键词重用率为63.2%。

结果

实验在三个学术数据集上进行:一个CNKI中文学术语料库(1998–2017年),包含224,995篇论文和1,102,577次交互;一个OpenReview国际会议评审数据集(2017–2022年),包含26,829篇论文和529,144次交互;以及一个跨领域的AI/机器学习集合,包含3,711篇论文和28,510次交互。实验结果表明,与基线模型(如GRU4Rec、SASRec和DGRec)相比,所提出的模型在性能上有所提升。平均而言,该模型在NDCG@10指标上提高了5–10%,在HR@10指标上提高了10.84%。其中,HR@k(排名k处的命中率)衡量的是推荐项中至少有一个是相关的,而NDCG@k(排名k处的标准化折扣累积增益)评估了推荐项的排名质量。此外,我们还通过引用已发表的文献(Mikolov等人,2013年;Bai等人,2020年)加强了对于检索系统局限性的讨论,这些文献对Google Scholar和Springer等平台进行了批判性分析。

局限性

尽管该模型取得了显著改进,但顺序推荐任务中仍然存在冷启动和极端数据稀疏性等挑战。未来的工作将探索缓解这些问题的方法,例如结合文本中的更丰富的语义信息或利用预训练的语言模型。

结论

通过整合用户流行度和合作者流行度,所提出的方法增强了用户兴趣的表示,并提高了关键词推荐的性能。这项工作为开发更准确且具有社会意识的学术推荐系统迈出了第一步。
代码可在以下链接获取:https://github.com/qingfeng-qingshi/PPTiSASRec

引言

推荐系统是信息过滤工具,旨在分析用户行为和偏好数据,以便从海量信息流中提供最相关的内容。近年来,这类系统在电子商务、多媒体平台、金融、社交网络和广告等领域取得了显著的成功。随着大数据时代的到来,可用信息的规模急剧扩大,为推荐技术带来了机遇和挑战。在学术领域,出版物的快速增长使得传统的检索方法越来越无法满足研究人员快速准确地获取相关文献的需求(Kreutz和Schenkel,2022年)。尽管主要的数字图书馆和学术搜索引擎(如Google Scholar、Springer、Web of Science、CNKI)采用了基于关键词和时间的检索机制,但它们仍无法完全满足研究人员多样化和不断变化的需求。因此,通过智能方法提高学术推荐系统的准确性和适应性已成为一个重要的研究方向。
关键词作为学术作品核心内容的简洁表示,为精确推荐提供了宝贵的基础。先前的研究表明,研究人员发表的文献与他们阅读的文章和使用的关键词密切相关。通过建模用户行为和关键词关联,推荐系统可以有效地推断研究兴趣并生成个性化建议。在信息过载的情况下,基于关键词的推荐不仅有助于研究人员识别研究兴趣和方向,还能提高检索效率,并支持更有针对性的知识发现。
鉴于这些挑战,本研究探索了一种基于流行度的顺序推荐方法,该方法结合了关键词流行度和作者影响力,以捕捉用户兴趣的演变特性。通过利用注意力机制和基于图的建模,所提出的框架旨在提供更准确且具有社会意识的学术环境中的关键词推荐。这为后续相关工作的讨论和方法论设计奠定了基础。

关键词推荐方法的研究

基于关键词的推荐方法研究

在推荐系统中,关于关键词推荐方法的研究非常广泛,涵盖了基于统计分析、语义分析和深度学习的各种方法。在基于统计分析的方法中,TF-IDF模型通过分析文献中关键词的频率来提取高度显著的关键词;N-gram模型根据关键词的共现关系生成推荐列表。相比之下,基于语义分析的方法则侧重于……

问题定义

设U={u1,u2,?,un}表示用户集合,其中每位作者都被视为一个用户;I={i1,i2,?,in}表示项目集合,其中论文中的每个关键词都被视为一个项目。每位作者对其发表论文中关键词的贡献表示为Cu。每位作者按时间顺序交互的项目集合表示为Su={1us,2us,?,nus}。与每个关键词交互的作者集合表示为Iu={u1,u2,?,un}。作者与关键词之间的无向图表示为……

数据集介绍

本研究使用了三个学术论文数据集,每个数据集都包含作者、出版时间和关键词信息:
Article1(CNKI子集):来自CNKI数据库中的一部分核心学术论文,涵盖1998年至2017年的中文出版物。它包括多个学科,关键词主要为中文。
Article2(OpenReview):来自OpenReview平台,包含2017年至2022年间国际会议和期刊的论文及同行评审数据。

结论

本文提出了一种将用户社会影响力纳入关键词流行度计算的方法,旨在更准确地捕捉项目的动态流行趋势。与主要依赖静态项目属性或用户行为数据的传统方法不同,所提出的方法结合了作者影响力,以更好地反映学术推荐场景中的社会互动影响。在此基础上,我们进一步开发了一个顺序推荐模型……

未引用的参考文献

Chen等人,2022年;Li等人,2020年。

CRediT作者贡献声明

郑清尹:方法论、软件编写——初稿。徐霞:数据整理、写作——审阅与编辑。李淑清:写作——审阅与编辑、资源获取、监督、资金争取。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金(项目编号:62476121)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号