1.一种基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,包括以下步骤:步骤1:输入学术网络,构建学术网络异构信息网络图,基于所述学术网络异构信息网络图提取用户和论文的历史信息,其中所述学术网络异构信息网络图由学术网络内多种不同类型的节点集合构成;
步骤2:根据步骤1得到的所述学术网络异构信息网络图设计出分别针对用户和论文的元路径模式以及基于出入边的元路径采样方法;
步骤3:根据步骤1得到的用户和论文的历史信息以及步骤2得到的针对用户和论文的元路径模式学习用户和论文的总体趋势表达和短期趋势表达,用户和论文的总体趋势表达分别对每一种元路径模式下采样到的路径进行表示学习,并利用全连接层进行连接得到属于用户总体兴趣趋势和论文总体受众趋势的表达;用户和论文的短期趋势表达根据得到的总体趋势表达以及步骤1得到的用户和论文的历史信息,将用户最近一段时间阅读论文的总体受众趋势表达利用注意力机制下的Bi‑LSTM进行连接处理得到用户短期内的兴趣趋势表达,同样将论文最新一段时间读者的总体兴趣趋势表达利用注意力机制下的Bi‑LSTM进行连接处理得到论文短期内的受众趋势表达;
步骤4:将步骤3得到的用户和论文的总体趋势表达做点乘得到的值作为总体趋势下用户与论文链接存在的预测值,再将用户和论文的短期趋势表达做点乘得到的值作为短期趋势下用户与论文链接存在的预测值,利用短期趋势下用户与论文链接存在的预测值补偿总体趋势下用户与论文链接存在的预测值,若补偿后的链接预测值大于设定的阈值时,则将论文推荐给用户,若补偿后的链接预测值小于等于设定的阈值时,则不将论文推荐给用户。
2.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,步骤1中提取用户和论文的历史信息的方法包括:将用户历史阅读过的论文按每个时间段划分到集合中,再将所有时间段集合按从小到大顺序放入一个大集合表示为该用户的历史阅读信息;将阅读论文的用户按每个时间段划分到集合中,再将所有时间段集合按从小到大放入一个大集合表示为该论文的历史被阅读信息。
3.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,步骤2中针对用户和论文的元路径模式以及基于出入边的元路径采样方法,包括:在学术网络异构信息网络图的基础上定义元路径模式为:
其中双向箭头表示有向边,其有两个选择,即左指向或者右指向,在进行基于出入边的元路径采样时,严格按照元路径指定的边的连接方向进行,当方向为→时,表示下一个节点必须来自源节点的出邻居,如果方向为←,则下一个节点必须来自入邻居,且下一个节点的类型与元路径指定的类型一致。
4.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,用户和论文的总体趋势表达分别对每一种元路径模式下采样到的路径进行表示学习,并利用全连接层进行连接得到属于用户总体兴趣趋势和论文总体受众趋势的表达的方法包括:利用skip‑gram模型的Deep Walk表示学习方法对每个元路径模式下的采样结果进行初始嵌入 其中mpk表示用户u在第k个元路径模式下得到的嵌入样本集合;
使用全连接层组合从每个元路径中学到的初始嵌入,分别得到用户总体兴趣趋势的表达和论文总体受众趋势的表达如下:U
其中,|MPU|表示用户元路径种类的数量,W表示要学习的用户全连接层权重矩阵,|MPPP|表示论文元路径种类的数量,W表示要学习的论文全连接层权重矩阵。
5.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,用户的短期趋势表达根据得到的总体趋势表达以及步骤1得到的用户的历史信息,将用户最近一段时间阅读论文的总体受众趋势表达利用注意力机制下的Bi‑LSTM进行连接处理得到用户短期内的兴趣趋势表达的方法包括:将用户历史信息中的前a%阅读数据作为训练集的正样本,使用Ptrain的最后b%形成该用户包含动态变化信息的数据为:其中DCIUu表示包含用户u的动态变化信息;
设计注意力感知的Bi‑LSTM捕获DCIUu的动态变化信息为
其中 表示向量的拼接操
作,E′u表示用户u短期内的兴趣趋势表达,Bi‑LSTM的公式如下:
其中hi表示第i个内容的输出隐态,⊙表示Hadamard乘积, bj(j∈{z,f,t,c})表示第i个内容特征的需要学习的参数,zi、fi和oi分别是遗忘门向量、输入门向量和输出门向量。
6.根据权利要求5所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,所述注意力感知的Bi‑LSTM的注意力权重定义如下:其中α表示可训练的注意向量,σ表示非线性的激活函数。
7.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法,其特征在于,步骤4中用户和论文链接存在的概率预测值通过如下的计算公式进行预测:其中, 表示用户u和论文p链接存在的概率预测值,σ表示激活函数, 表示基础的预测。
8.一种基于异构图动态信息补偿的个性化论文推荐系统,其特征在于,包括:
异构信息网络图构建模块,其用于构建学术网络异构信息网络图,基于所述学术网络异构信息网络图提取用户和论文的历史信息,其中所述学术网络异构信息网络图由学术网络内多种不同类型的节点集合构成;
元路径设计与采样模块,其用于根据所述学术网络异构信息网络图设计出分别针对用户和论文的元路径模式以及基于出入边的元路径采样方法;
节点表示学习模块,其用于根据用户和论文的历史信息以及针对用户和论文的元路径模式学习用户和论文的总体趋势表达和短期趋势表达,用户和论文的总体趋势表达分别对每一种元路径模式下采样到的路径进行表示学习,并利用全连接层进行连接得到属于用户总体兴趣趋势和论文总体受众趋势的表达;用户和论文的短期趋势表达根据得到的总体趋势表达以及步骤1得到的用户和论文的历史信息,将用户最近一段时间阅读论文的总体受众趋势表达利用注意力机制下的Bi‑LSTM进行连接处理得到用户短期内的兴趣趋势表达,同样将论文最新一段时间读者的总体兴趣趋势表达利用注意力机制下的Bi‑LSTM进行连接处理得到论文短期内的受众趋势表达;
链接值预测模块,其用于将用户和论文的总体趋势表达做点乘得到的值作为总体趋势下用户与论文链接存在的预测值,再将用户和论文的短期趋势表达做点乘得到的值作为短期趋势下用户与论文链接存在的预测值,利用短期趋势下用户与论文链接存在的预测值补偿总体趋势下用户与论文链接存在的预测值,若补偿后的链接预测值大于设定的阈值时,则将论文推荐给用户,若补偿后的链接预测值小于等于设定的阈值时,则不将论文推荐给用户。
9.根据权利要求8所述的基于异构图动态信息补偿的个性化论文推荐系统,其特征在于,所述节点表示学习模块包括:初始嵌入学习子模块,所述初始嵌入学习子模块用于利用skip‑gram模型的Deep Walk表示学习方法对每个元路径模式下的采样结果进行初始嵌入 其中mpk表示用户u在第k个元路径模式下得到的嵌入样本集合;
总体趋势表达子模块,所述总体趋势表达子模块用于使用全连接层组合从每个元路径中学到的初始嵌入,分别得到用户总体兴趣趋势的表达和论文总体受众趋势的表达如下:U
其中,|MPU|表示用户元路径种类的数量,W表示要学习的用户全连接层权重矩阵,|MPPP|表示论文元路径种类的数量,W表示要学习的论文全连接层权重矩阵。
10.根据权利要求8所述的基于异构图动态信息补偿的个性化论文推荐系统,其特征在于,所述节点表示学习模块包括:动态信息获取子模块,所述动态信息获取子模块用于将用户历史信息中的前a%阅读数据作为训练集的正样本,使用Ptrain的最后b%形成该用户包含动态变化信息的数据为:RPu={{p1},{p2,p3},...,{pn}},Ptrain={p1,p2,...,pn×a%},Ptest={pn×a%+1,...,pn},DCIUu={pn×a%×(1‑b%),...,pn×a%},其中DCIUu表示包含用户u的动态变化信息;
动态信息捕捉子模块,所述动态信息捕捉子模块用于设计注意力感知的Bi‑LSTM捕获DCIUu的动态变化信息为 其中表示向量的拼接操作,E′u表示用户u短期内的兴趣趋势表达,Bi‑LSTM的公式如下:其中hi表示第i个内容的输出隐态,⊙表示Hadamard乘积, bj(j∈{z,f,t,c})表示第i个内容特征的需要学习的参数,zi、fi和oi分别是遗忘门向量、输入门向量和输出门向量。