Paper Recommendation

MachineLearning DataAnalysis

概述

目标是设计一个论文推荐系统,根据关键词进行论文推荐

Evaluation(From WWWJ-D-17-00084)

现在问题:如何解释这个评估系统?

训练流程图

引用网络中套用模型

系统运行流程图

思路

• 找到一个合适的评估系统来量化推荐结果后,可以使用神经网络来替代手工设计模型;
• 对于每个神经网络模型,可以将一对引用网络和作者网络中的各个节点得分都计算出来,然后这一对网络又可以互相影响,迭代到收敛;
• 收敛完毕的网络可以用来训练新的神经网络;

论文网络-迭代收敛模型 算法伪代码:

Definition:
    NN: neural work
    Model[n]: the n-th model for neural network
    AN: author-network
    CN: citation-network
    dis(n,m): the difference between the two network n and m



init
{
    given Model[0]
    VenueRank+Model[0] = AN[0]
    VenueRank+AN[0] = CN[0]
}

while( delta2 > threshold2 )
{

    while( delta1 > threshold1 ){

        AN[n-1]+CN[n-1]+Model[m-1] = AN[n]
        AN[n]+CN[n-1]+Model[m-1] = CN[n]
        delta1 = dis(AN[n],AN[n-1])+dis(CN[n],CN[n-1])

    }

    CN[n]+AN[n] ----NN[m]----->Model[m]
    delta2 = dis(Model[m],Model[m-1])
}


Explanation:
    AN[n-1]+CN[n-1]+Model[m-1] = AN[n]: use the n-1-th CN and AN and m-1th  Model to generate the n-th AN
    CN[n]+AN[n] ----NN[m]----->Model[m]: use the n-th CN and AN to train the nueral network to get the m-th Model

论文资料笔记

• 基于PageRank的科技论文推荐系统

  4.1 数据集及实验方法为了检验各个推荐系统的算法性能，本实验选取了CiteSeer论文库 [4] 中前1万篇论文作实验数据集，且将数据集的前9千篇论文划为训练集，后1千篇论文划为测试集。实验随机选取测试集中一篇论文作为目标论文，并随机删除此论文对训练集中论文的一个引用，经推荐系统计算，如果算法将训练集中这个删除的引用推荐给目标论文，即该引用被置于返回的推荐列表中，则表示为一次“成功推荐”。

• 基于论文共同作者学术关系的学者推荐系统

  该推荐系统应用科研人员所著论文的关键词对科研人员进行建模，突出科研人员与研究领域之间的关联，通过论文共同作者等学术关系计算科研人员之间的相似度以进行推荐

  突出人员与研究领域之间的关联，并利用论文共同作者等学术关系，计算科研人员之间的相似度，从而进行推荐。

• 基于协同过滤的论文推荐 － 传播平台模型研究

  关键词:个性化推荐;协同过滤;

  同行评议基于内容分析技术构造用户特征的方法取得了一定程度的成功，但也存在内生性缺陷:基于内容分析技术评估科学文献时，仅将文献看成是一系列文本，没有考虑内容本身是否具有权威性，导致基于内容分析构造的个性化文献推荐系统大量推荐内容相似度高、权威性低的文献。为克服这个问题，有学者提出利用科学引文网络来改进推荐系统的思想，即将内容分析技术和超文本结构分析技术(如 PageRank 算法)结合起来，以便向用户推荐内容相似度和权威性都很高的科学文献

  本文运用计算机多主体仿真方法测试和优化学
  术论文个性化推荐 － 传播平台系统的性能

• 基于学术论文质量模型的检索排序算法研究

  采用“ 元数据思想”实现将PDF全文转换成XML格式输出,在此基础上利用基于词条位置权重的向量空间技术检索XML文档进行内容匹配;然后利用论文质量评价模型进行排序;最后将检索排序后的论文推荐给作者,既可以提高作者论文检索的效率和质量,又能增加期刊被引的可能性

  尽管各系统采用的 TF-IDF 函数形式不尽相同,但
  出发点都是词条权重与词条频率(Term Frequency)成
  正比 ,而与文档频率(Document Frequency)成反比 。即
  1 个词在文档中出现的次数越多 ,那么它体现文档内容
  的能力就越强 ,反之如果包含该词的文档数越多 ,说明
  该词区分各文档的能力越小

  3.1.1 引用因子的计算,3.1.3 专家评审因子计算 ,3.1.4 期刊级别因子,3.2 学术质量评价公式 Q =0.4а+0 .1β+0.3γ+0.2δ

• 基于知识脉络的科技论文推荐

  本文探讨如何在 CBF 方法中引入词语之间的语义关系，更好地反映用户兴趣与待推荐论文之间的语义关联，提高推荐系统的准确率和召回率