基于多興趣的學術(shù)論文推薦研究.pdf

1、隨著學術(shù)論文數(shù)量呈爆炸式增長，科研工作者如何從龐大的論文庫中迅速找到感興趣的文獻成為亟待解決的難題。學術(shù)論文推薦是克服此難題的有效方法。學術(shù)論文推薦研究主要集中于基于內(nèi)容過濾、基于引文網(wǎng)絡、基于合著網(wǎng)絡和基于論文評價指標等方法。基于內(nèi)容過濾的論文推薦是指根據(jù)用戶的歷史操作、評論、興趣標注等信息建立用戶模型并推薦。然而，這種推薦方法需要在信息的收集上花費大量時間。基于引文網(wǎng)絡的論文推薦是利用論文之間的引用關(guān)系來向用戶推薦論文，但是引用關(guān)系

2、本身具有的不確定性常常會影響推薦結(jié)果的質(zhì)量?；诤现W(wǎng)絡的論文推薦是一種利用學者間通過合著而形成的復雜網(wǎng)絡進行推薦的方法?；谡撐脑u價指標的論文推薦通過論文或作者的引用、共引、期刊質(zhì)量因子和H指數(shù)等評價指標對論文過濾并推薦。
　　本文在已有研究的基礎(chǔ)上，提出一種基于多興趣的學術(shù)論文推薦算法，主要貢獻如下:
　　(1)識別學者的多個研究興趣。根據(jù)學者通常具有多個研究興趣的事實，利用聚類算法將每位學者的發(fā)表論文集劃分為多個興趣集

3、，每個興趣集都代表學者的一個研究興趣。
　　(2)分別提出基于VSM和基于頻繁模式的兩種多興趣學者模型?；赩SM的多興趣學者模型將一個興趣集中所有發(fā)表論文的模型加權(quán)融合，并將融合后的特征向量作為相應的興趣模型?；陬l繁模式的多興趣學者模型首先使用LDA預處理興趣集，然后使用FP-Growth算法從處理結(jié)果中挖掘一個頻繁模式集，最后化簡該頻繁模式集并建立相應的興趣模型。
　　(3)提出研究興趣重視度的概念，并根據(jù)興趣集中論文