融合语义和社交特征的电子文献资源推荐方法研究

doi:10.3772/j.issn.1000-0135.2019.06.008

情报学报

2019, Vol. 38

Issue (6): 632-640 DOI: 10.3772/j.issn.1000-0135.2019.06.008

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

融合语义和社交特征的电子文献资源推荐方法研究

杨辰¹, 刘婷婷¹, 刘雷¹, 牛奔¹, 孙见山²

1.深圳大学管理学院，深圳 518060
2.合肥工业大学管理学院，合肥 230009

A Novel Recommendation Approach of Electronic Literature Resources Combining Semantic and Social Features

Yang Chen¹, Liu Tingting¹, Liu Lei¹, Niu Ben¹, Sun Jianshan²

1.College of Management, Shenzhen University, Shenzhen 518060
2.School of Management, Hefei University of Technology, Hefei 230009

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (1020 KB) HTML (109 KB)
输出: BibTeX | EndNote (RIS)

摘要随着知识爆炸时代的到来，电子文献数据库的负荷将急剧扩大，用户在库中搜寻所需资源也将越发困难。因此，开发电子文献资源推荐系统从而辅助电子数据库的管理受到研究者的广泛重视。协同过滤作为时下数据库的常用推荐技术，由于仅仅考虑了用户对于文章的历史评分的相似度，忽略了用户在语义层面和社交关系的距离等重要因素因而推荐效果有限。为了在推荐系统中融入这些影响因素，本文在基于用户的协同过滤的方法基础上引入了基于主题模型的文本相似度和两种社会化的用户相似度（用户标签相似度与用户群组相似度），运用非监督的融合策略对这些相似度进行了整合。本文提出的融合文本特征与社会化指标的方法在真实数据集上展示了多源信息对于推荐准确度的增强和提升效应，对于电子文献资源的管理和传播具有较强的启示意义。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	杨辰
	刘婷婷
	刘雷
	牛奔
	孙见山

关键词 ：文献资源, 资源推荐, 协同过滤, 主题模型, 社交网络

收稿日期: 2019-01-08

基金资助:国家自然科学基金青年科学基金项目“基于科研社交网络挖掘的专家组合推荐问题的研究”（71701134）；国家自然科学基金面上基金项目“基于复杂适应菌群优化的新型港口布局、泊位与岸吊分配联合决策”（71571120）；教育部人文社会科学研究基金“基于在线科研社交平台的合作者推荐研究”（16YJC630153）；广东省自然科学基金博士启动项目（2017A030310427）。

作者简介: 杨辰，男，1989年生，博士，讲师，硕士生导师，主要研究领域为文本挖掘、推荐系统

引用本文:

杨辰, 刘婷婷, 刘雷, 牛奔, 孙见山. 融合语义和社交特征的电子文献资源推荐方法研究[J]. 情报学报, 2019, 38(6): 632-640.
Yang Chen, Liu Tingting, Liu Lei, Niu Ben, Sun Jianshan. A Novel Recommendation Approach of Electronic Literature Resources Combining Semantic and Social Features. 情报学报, 2019, 38(6): 632-640.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.06.008 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I6/632

1 毕强, 刘健. 基于领域本体的数字文献资源聚合及服务推荐方法研究[J]. 情报学报, 2017, 36(5): 24-32.
2 AdomaviciusG, TuzhilinA. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.
3 赵艳, 肖曼, 鞠文红, 等. 电子资源馆藏建设的关键问题: 图书馆指南[J]. 图书情报工作动态, 2012(4): 1-4.
4 BollackerK D, LawrenceS, Lee GilesC. CiteSeer: An autonomous web agent for automatic retrieval and identification of interesting publications[C]//Proceedings of the Second International Conference on Autonomous Agents. New York: ACM Press, 1998: 116-123.
5 黄义文. 大数据环境下图书馆学术资源个性化推荐服务研究[J]. 图书馆学刊, 2016(7): 78-80.
6 查先进, 李力, 严亚兰, 等. 数字图书馆环境下信息有用性和信息获取影响因素研究——信息获取自我效能的调节效果[J]. 情报学报, 2017, 36(7): 669-681.
7 陈玉, 尹桂平. 移动阅读信息资源推荐与利用策略[J]. 图书馆学研究, 2017(1): 69-72.
8 方磊. 基于移动互联网阅读平台的智能推荐体系应用研究[D]. 南京: 南京邮电大学, 2016.
9 陈俊鹏, 虞为. 基于实时新闻分析的馆藏资源推荐方法研究[J]. 中国图书馆学报, 2015, 41(6): 86-96.
10 李树青, 徐侠, 许敏佳. 基于读者借阅二分网络的图书可推荐质量测度方法及个性化图书推荐服务[J]. 中国图书馆学报, 2013, 39(3): 83-95.
11 BeelJ, GippB, LangerS, et al. Research-paper recommender systems: a literature survey[J]. International Journal on Digital Libraries, 2016, 17(4): 305-338.
12 ChakrabortyT, KrishnaA, SinghM, et al. FeRoSA: A faceted recommendation system for scientific articles[C]// Proceedings of the 20th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining. Heidelberg: Springer, 2016, 9652: 528-541.
13 PanL L, DaiX Y, HuangS J, et al. Academic paper recommendation based on heterogeneous graph[C]// Proceedings of the Conference on Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data. Heidelberg: Springer, 2015, 9427: 381-392.
14 LiuX F, WangZ J, YeF. A recommendation system algorithm based on large scale Internet environment[C]// Proceedings of the 13th Web Information Systems and Applications Conference. IEEE, 2017: 112.
15 陆璐. 基于内容的电子书和作者推荐方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2016.
16 曾子明, 周红. 科技文献中基于主题的社会化推荐研究[J]. 情报理论与实践, 2015, 38(3): 71-76.
17 WangZ Y, LiuY, YangJ J, et al. A personalization-oriented academic literature recommendation method[J]. Data Science Journal, 2015, 14: Article No. 17.
18 孙梦婷, 袁小群. 我国学术数据库协同过滤资源推荐研究现状探讨[J]. 出版科学, 2017, 25(4): 11-15.
19 李默, 梁永全, 赵建立. 融合相似性评价、信任度与社会网络的学术资源推荐方法研究[J]. 情报理论与实践, 2015, 38(5): 77-81.
20 曹斌, 彭宏杰, 侯晨煜, 等. 基于用户隐性反馈与协同过滤相结合的电子书籍推荐服务[J]. 小型微型计算机系统, 2017, 38(2): 334-339.
21 王燕, 欧莹元, 张继燕. 马尔科夫协同过滤模型在用户动态行为分析中的应用[J]. 无线互联科技, 2015(4): 144-146.
22 刘智超. 基于混合模型的学术论文推荐方法研究[D]. 北京: 北京邮电大学, 2015.
23 徐戈, 王厚峰. 自然语言处理中主题模型的发展[J]. 计算机学报, 2011, 34(8): 1423-1436.
24 Rosen-ZviM, GriffithsT, SteyversM, et al. The author-topic model for authors and documents[C]// Proceedings of the 20th Conference on Uncertainty in Artificial Intelligence. Arlington: AUAI Press, 2004: 487-494.
25 BleiD, NgA, JordanM. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
26 蔡永明, 长青. 共词网络LDA模型的中文短文本主题分析[J]. 情报学报, 2018, 37(3): 305-317.
27 Rosen-ZviM, ChemuduguntaC, GriffithsT, et al. Learning author-topic models from text corpora[J]. ACM Transactions on Information Systems, 2010, 28(1): Article No. 4.
28 WengJ S, LimE P, JiangJ, et al. TwitterRank: Finding topic-sensitive influential twitterers[C]// Proceedings of the Third ACM International Conference on Web Search and Data Mining. New York: ACM Press, 2010: 261-270.
29 HuangX S, LiS Z, WangY S. Jensen-Shannon boosting learning for object recognition[C]// Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2005: 144-149.
30 JiangY C, JiaA X, FengY S, et al. Recommending academic papers via users’ reading purposes[C]// Proceedings of the Sixth ACM Conference on Recommender Systems. New York: ACM Press, 2012: 241-244.
31 朱郁筱, 吕琳媛. 推荐系统评价指标综述[J]. 电子科技大学学报, 2012, 41(2): 163-175.
32 韩朝, 苗夺谦, 任福继, 等. 基于粗糙集知识发现的开放领域中文问答检索[J]. 计算机研究与发展, 2018, 55(5): 958-967.