發(fā)布時(shí)間：2024-06-30 04:21

　　隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,網(wǎng)絡(luò)信息資源呈爆發(fā)式增長(zhǎng)趨勢(shì),其中的學(xué)術(shù)論文等資源的數(shù)量也急劇增長(zhǎng)。據(jù)DBLP數(shù)據(jù)統(tǒng)計(jì),自2010年以來每年平均有超過33.6萬(wàn)篇的論文發(fā)表,僅人工智能領(lǐng)域,2000年到2019年期間在ar Xiv上發(fā)表的學(xué)術(shù)論文數(shù)量增長(zhǎng)了20倍以上。如何在海量數(shù)據(jù)中實(shí)現(xiàn)更精準(zhǔn)的論文搜索和推薦,成為當(dāng)前相關(guān)研究領(lǐng)域的一個(gè)重點(diǎn)和難點(diǎn)問題。據(jù)不完全統(tǒng)計(jì),在學(xué)術(shù)類論文的搜索目標(biāo)中,大多數(shù)用戶對(duì)論文的理論創(chuàng)新度有很高的關(guān)注度,而傳統(tǒng)的論文搜索和推薦算法主要采用在全文范圍內(nèi)基于上下文環(huán)境或語(yǔ)義的關(guān)鍵詞匹配查詢或者基于用戶興趣模型的相關(guān)推薦等方式,這些推薦算法推薦的論文質(zhì)量參差不齊且存在大量重復(fù)和冗余,增加了用戶查閱的難度,也降低了用戶的查閱效率,難以滿足用戶的查詢需求。因此,本文提出了一種基于新穎性和影響力的論文推薦算法。主要的研究工作如下:(1)提出了一種基于主題共現(xiàn)圖的論文新穎性檢測(cè)算法,使用主題共現(xiàn)圖來模擬論文思想與領(lǐng)域知識(shí)背景之間的關(guān)系,提取背景圖的變化作為論文新穎性檢測(cè)模型的特征集,然后使用自編碼神經(jīng)網(wǎng)絡(luò)與密度聚類相結(jié)合的方法來檢測(cè)一篇論文的新穎程度并給出是否新穎的可靠性判斷。...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1LDA模型

第二章相關(guān)技術(shù)理論介紹11第二章相關(guān)技術(shù)理論介紹2.1LDA主題模型LDA（LatentSemanticAnalysis）是一種概率主題模型，在自然語(yǔ)言處理中常被用于挖掘海量文檔集合或語(yǔ)料庫(kù)中的潛在的主題信息以及歸屬于這些主題的單詞分布情況。LDA模型中包含三個(gè)層次，自上而下分別....

圖2-2自編碼神經(jīng)系統(tǒng)結(jié)構(gòu)

華南理工大學(xué)碩士學(xué)位論文12Step2:從狄利克雷分布β中為每個(gè)主題抽取對(duì)應(yīng)的單詞分布矩陣。Step3:文檔i中的單詞將根據(jù)下面步驟逐步生成，重復(fù)下面步驟直到該篇文檔抽取完畢：1）從主題分布矩陣iθ中抽樣生成目標(biāo)單詞j所對(duì)應(yīng)的的主題jiz,2）從單詞分布矩陣中取樣生成目標(biāo)單詞ji....

圖2-3Word2vec模型

華南理工大學(xué)碩士學(xué)位論文14單詞的語(yǔ)義特征，而向量與向量之間的距離了則表示了單詞之間的語(yǔ)義相似度。Word2vec主要包括Skip-gram和CBOW(ContinuousBag-of-WordsModel)兩種模型。模型結(jié)構(gòu)如圖2-3所示。兩種模型都是三層神經(jīng)網(wǎng)絡(luò)模型，其包括輸....

圖3-1圖形變化特征提取過程

第三章基于主題共現(xiàn)圖的論文新穎性檢測(cè)方法研究19圖3-1圖形變化特征提取過程其中，背景圖是表示先前觀察到的所有論文的主題共現(xiàn)圖。論文圖是表示一篇論文構(gòu)建的主題共現(xiàn)圖。然后提取在添加過程中論文的主題共現(xiàn)圖與當(dāng)前背景圖結(jié)合所產(chǎn)生的變化特征。當(dāng)添加完一篇論文之后，該論文的主題共現(xiàn)圖與當(dāng)....

本文編號(hào)：3998380