文本上下文驱动的个性化引文推荐提升策略

本文主要探讨了一种改进的个性化查询引文推荐方法，旨在充分挖掘文本内容的上下文信息，提高推荐的精准度和质量。研究者采用图模型和查询向量技术相结合的策略，构建了一种多层次的图结构。在这个结构中，有三层图模型，每层代表不同的论文信息类型，如作者、关键词和引用关系等，通过设置不同的参数来控制节点之间的跳转概率，从而实现对查询内容的深入理解和融合。 其中，使用Word2Vec技术构建的查询向量是关键环节，它能够捕捉文本上下文中的语义信息，使得具有相似主题或内容的文章在向量空间中距离更近。这种方法借鉴了带重启的随机游走算法，使得推荐过程不仅考虑当前查询的直接相关文献，还考虑到文献之间的关联性，从而提升推荐的全面性和准确性。 作者们在Association of Computational Linguistics Anthology Network (ACLAN)数据集上进行了实证分析，对比传统方法，他们的新方法在召回率 Recall@N 和Normalized Discounted Cumulative Gain (NDCG@N) 等评估指标上分别平均提高了约7%和11%。这表明该方法显著提高了引文推荐的性能，能够提供更为精准且个性化的推荐结果。 该研究得到了多个基金项目的资助，包括国家自然科学基金、国家重点研发计划、欧盟地平线2020计划以及陕西省自然科学基金等，反映出研究团队在深度学习、文本推荐、信息检索等领域具有深厚的学术底蕴和丰富的实践经验。 研究团队成员来自西北农林科技大学和西北工业大学，涉及多个研究领域，包括深度学习、空间大数据管理、文本摘要、信息检索、机器学习、数据挖掘等，显示了跨学科的合作优势。 总结来说，这项工作创新地将多关系图模型、词向量、查询向量和随机游走等技术应用到个性化引文推荐中，取得了显著的性能提升，对于改进信息检索和推荐系统的实际应用具有重要意义。