考察文獻(xiàn)活躍度特性的個(gè)性化引文推薦研究

崔志慧，彭蘭一香，熊 曦，王名揚(yáng)

(東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，哈爾濱150040)

0 引 言

隨著互聯(lián)網(wǎng)的高速發(fā)展，每年發(fā)表的科技文獻(xiàn)總數(shù)呈指數(shù)增長。據(jù)統(tǒng)計(jì)，僅2018年中國科研人員發(fā)表在國際、國內(nèi)的優(yōu)秀文獻(xiàn)總量就達(dá)到31.59萬篇［1］。對研究者來說，從如此海量的數(shù)據(jù)中定位滿足科研需要的文獻(xiàn)是非常困難的。引文推薦能針對某一具體的研究主題和學(xué)術(shù)文獻(xiàn)，自動地為研究者推薦合適的相關(guān)成果和文獻(xiàn)。借助于引文推薦，研究者可快速獲取到與其研究相關(guān)的文獻(xiàn)資料，從而在一定程度上提高撰寫學(xué)術(shù)文獻(xiàn)的效率。

2001年，Basu C等首次提出文獻(xiàn)推薦的概念，給出文獻(xiàn)推薦的過程是如何找到與用戶興趣相匹配的文獻(xiàn)的過程，其核心問題在于如何表達(dá)用戶興趣和目標(biāo)文獻(xiàn)［2］。在之后的研究中，研究者們也將關(guān)注點(diǎn)更多放在對用戶興趣的建模和文獻(xiàn)間相似度的計(jì)算上。2007年，Strohma等提出引文推薦的概念，并結(jié)合文本相似性和圖模型方法對引文推薦問題進(jìn)行了初步探索［3］。Bethard S等結(jié)合用戶的歷史引用信息和引用偏好來為目標(biāo)文獻(xiàn)推薦參考文獻(xiàn)列表［4］；2010年，He Q等人將詞頻信息和文獻(xiàn)的主題分布作為主要特征，實(shí)施引文推薦［5］；Pohl等基于用戶下載文獻(xiàn)的行為記錄進(jìn)行引文推薦［6］。2013年，劉盛博等以全文數(shù)據(jù)為基礎(chǔ)，構(gòu)建基于引用內(nèi)容的引文檢索與推薦系統(tǒng)［7］；Liu Yaning實(shí)現(xiàn)了基于翻譯模型和用戶過濾算法的混合推薦模型［8］；2014年，蔡阿妮等結(jié)合文獻(xiàn)的內(nèi)容信息和引用關(guān)系來對引文進(jìn)行推薦［9］；王萌星等基于主題社區(qū)和雙層引用網(wǎng)絡(luò)的學(xué)術(shù)推薦方案，向用戶推薦作者和論文［10］；劉亞寧等在考察用戶的興趣和其知識水平的基礎(chǔ)上實(shí)施引文推薦［11］；Guo LT等運(yùn)用深度學(xué)習(xí)技術(shù)獲取用戶的興趣模型，并改進(jìn)個(gè)性化重排序算法實(shí)施推薦［12］；Ali Z等從6個(gè)角度對基于深度學(xué)習(xí)的引文推薦模型進(jìn)行綜述［13］；劉洋利用文獻(xiàn)間的語義關(guān)聯(lián)度和作者間的關(guān)系構(gòu)造網(wǎng)絡(luò)模型實(shí)施推薦［14］；Wang J等將作者信息和引文關(guān)系整合到用分布式矢量表示的引文上下文和論文中，提出了基于端到端記憶網(wǎng)絡(luò)的上下文感知引文推薦模型［15］。

綜上，為了實(shí)現(xiàn)更精準(zhǔn)快捷的推薦，研究者從用戶和文獻(xiàn)兩個(gè)角度對引文推薦問題進(jìn)行了深入的研究，但是這些已有成果的推薦效果仍然差強(qiáng)人意。在這些研究中，學(xué)者們均未討論文獻(xiàn)的活躍度特征在引文推薦中的作用。實(shí)際上，文獻(xiàn)的活躍度體現(xiàn)了文獻(xiàn)在科學(xué)社區(qū)的可見度，活躍度較高的文獻(xiàn)將具有更高的被研究者關(guān)注的機(jī)會，而這種機(jī)會將在一定程度上促使文獻(xiàn)被研究者引用，成為研究者文獻(xiàn)中的參考文獻(xiàn)。

在評價(jià)引文推薦效果時(shí)，往往將被推薦文獻(xiàn)是否真正成為目標(biāo)文獻(xiàn)參考文獻(xiàn)中的一員來作為評價(jià)的依據(jù)。這實(shí)際上已經(jīng)將引文的推薦問題轉(zhuǎn)化成了文獻(xiàn)是否被引用的二元分類問題。為此，本文將引文推薦問題轉(zhuǎn)換為文獻(xiàn)是否被引的二元分類問題，提取表征文獻(xiàn)活躍度的特征，結(jié)合研究者的個(gè)性化引用偏好和常用的文獻(xiàn)計(jì)量學(xué)特征，構(gòu)建二元分類問題的特征庫。利用機(jī)器學(xué)習(xí)方法從特征庫中提取有利于文獻(xiàn)被引用的關(guān)鍵特征，并基于這些特征實(shí)現(xiàn)引文推薦。

1 相關(guān)研究

2010年，He Q等利用引文上下文的差異性將引文推薦任務(wù)細(xì)分為局部引文推薦和全局引文推薦［5］。局部引文推薦，是指為目標(biāo)文獻(xiàn)的局部上下文推薦合適的引文列表；而全局引文推薦，是根據(jù)目標(biāo)文獻(xiàn)的標(biāo)題內(nèi)容和摘要內(nèi)容為其從整體上推薦引文列表。本文主要對全局引文推薦問題進(jìn)行研究，僅對全局引文推薦相關(guān)的工作進(jìn)行分析。由于推薦技術(shù)主要用于實(shí)現(xiàn)用戶興趣與待推薦對象之間的匹配，因此推薦算法是推薦問題的核心，引文推薦問題也不例外。在全局引文推薦領(lǐng)域，研究者主要用到的推薦算法主要包括協(xié)同過濾推薦和基于圖的引文推薦。

協(xié)同過濾推薦根據(jù)作者的引用偏好和文獻(xiàn)間的相關(guān)性來預(yù)測作者與文獻(xiàn)間的引用關(guān)系。McNee等將作者視為用戶，文獻(xiàn)視為商品，利用文獻(xiàn)之間的引用關(guān)系建立評分矩陣，從而將引文推薦問題轉(zhuǎn)化為普通的商品推薦問題［16］；Pohl等把用戶下載文獻(xiàn)的行為作為用戶的活動記錄，并將訪問量較高的文獻(xiàn)推薦給用戶［6］；Tang等綜合引用關(guān)系和文獻(xiàn)文本內(nèi)容間的相關(guān)性來實(shí)施推薦［17］；Choochaiwattana提出一種基于標(biāo)簽的引文推薦機(jī)制，通過用戶創(chuàng)建的標(biāo)簽來為用戶推薦引文［18］；倪衛(wèi)杰構(gòu)建用戶興趣模型和文獻(xiàn)興趣模型，為特定用戶推薦引文［19］。Wang等根據(jù)用戶的歷史行為構(gòu)建用戶偏好模型來實(shí)施推薦［20］；Gipp等在引文推薦中使用了基于內(nèi)容的協(xié)同過濾方法［21］；陳將引文推薦問題視為分類問題，使用文獻(xiàn)的內(nèi)容信息預(yù)測文獻(xiàn)可能的參考文獻(xiàn)列表［22］。Pan等用標(biāo)簽對用戶進(jìn)行個(gè)人配置，計(jì)算文獻(xiàn)標(biāo)簽向量與個(gè)人配置向量間的相似度來實(shí)施文獻(xiàn)推薦［23］；Khadka等結(jié)合引文位置和引文上下文特征，使用主題建模來實(shí)現(xiàn)引文推薦［24］；Zhang等引入結(jié)構(gòu)上下文的概念來提升引文推薦的效果［25］。

由于異種類型對象和其之間的關(guān)系可以簡單的用一個(gè)圖來表示，所以基于圖的方法可以很容易地被應(yīng)用到包含多種類型數(shù)據(jù)的數(shù)據(jù)集上來實(shí)施推薦。Gori等構(gòu)建文獻(xiàn)間的同構(gòu)網(wǎng)絡(luò)，使用PageRank算法計(jì)算權(quán)重來實(shí)施推薦［26］；Meng等構(gòu)建四層多元圖，利用重啟隨機(jī)游走的方法計(jì)算目標(biāo)文獻(xiàn)與候選文獻(xiàn)間的相似性來實(shí)施推薦［27］；Jardine等在引文網(wǎng)絡(luò)圖中加入主題分布信息，來改進(jìn)PageRank算法的轉(zhuǎn)移概率以實(shí)施推薦［28］；Cai等構(gòu)造三層圖模型，包括作者層、文獻(xiàn)層和出版商層，在此基礎(chǔ)上進(jìn)行推薦［29］；Pan等提出了一種包含多元信息異構(gòu)圖的引文推薦方法［30］；Gupta等綜合文獻(xiàn)內(nèi)容和文獻(xiàn)的結(jié)構(gòu)關(guān)系來表示文獻(xiàn)，在網(wǎng)絡(luò)圖中計(jì)算文獻(xiàn)間的相似度進(jìn)行推薦［31］；李飛構(gòu)建基于作者和引文的異構(gòu)圖，利用Deepwalk算法進(jìn)行推薦［32］；陳潔等將多粒度屬性網(wǎng)絡(luò)表示學(xué)習(xí)應(yīng)用于引文推薦工作中來解決在異質(zhì)網(wǎng)絡(luò)中的引文推薦問題［33］。

雖然這些工作實(shí)施推薦的角度不同，但其核心問題仍然離不開如何對用戶興趣和目標(biāo)文獻(xiàn)建模，以及如何度量目標(biāo)文獻(xiàn)和待推薦文獻(xiàn)的相似性。盡管這些工作已盡可能廣泛地提出了解決以上核心問題的思路，但引文推薦的精度仍不太理想，且有些推薦算法過于復(fù)雜，并不能很好地進(jìn)行推廣應(yīng)用。本文致力于在這些已有工作的基礎(chǔ)上，發(fā)掘盡可能簡潔的特征來實(shí)施推薦，取得較為可觀的推薦效果。

在當(dāng)前的推薦工作中，還鮮有研究者考察待推薦文獻(xiàn)的活躍程度相關(guān)的指標(biāo)。如果一篇文獻(xiàn)在近年來獲得了較高的被引頻次，說明該文獻(xiàn)在科學(xué)社區(qū)具有較高的認(rèn)可度，同時(shí)也具有較高的可見度。這種較高的可見度能帶給文獻(xiàn)更高的被研究者關(guān)注的機(jī)會，從而提升其被研究者引用的可能性?；谶@種考慮，本文將文獻(xiàn)的活躍度指標(biāo)引入推薦過程，并探討這種加入是否能顯著提升引文推薦的效果。

2 問題定義

本文構(gòu)建的考察文獻(xiàn)活躍度的引文推薦系統(tǒng)的輸入和輸出信息如下:

（1）輸入

①目標(biāo)文獻(xiàn):需要被推薦引文的文獻(xiàn)集合P；

②待推薦文獻(xiàn):待推薦文獻(xiàn)集合R，由目標(biāo)文獻(xiàn)P的參考文獻(xiàn)列表中實(shí)際出現(xiàn)的參考文獻(xiàn)集合B，和未被目標(biāo)文獻(xiàn)P引用的文獻(xiàn)集合N構(gòu)成。其中，未被目標(biāo)文獻(xiàn)引用的文獻(xiàn)集合N中的文獻(xiàn)來自于與B中文獻(xiàn)在同一期刊、同一年份發(fā)表的其他文獻(xiàn)。

（2）特征集合X。由用戶的個(gè)性化引用偏好特征、常用的文獻(xiàn)計(jì)量學(xué)特征和文獻(xiàn)的活躍度特征構(gòu)成。

（3）輸出。根據(jù)篩選出的特征，取3個(gè)分類器推薦結(jié)果的并集，為每篇目標(biāo)文獻(xiàn)生成一個(gè)按照被推薦概率排好序的推薦文獻(xiàn)列表L。

3 考察文獻(xiàn)活躍度特性的引文推薦

本文將引文推薦問題看成待推薦文獻(xiàn)R是否被目標(biāo)文獻(xiàn)P引用的二分類問題。為此，需要首先構(gòu)造用于分類的特征庫X。 在已有的推薦工作中，研究者利用不同算法證實(shí)了用戶的興趣和文獻(xiàn)對間的相似性在引文推薦中的重要作用。本文也將這些特征考慮進(jìn)來，同時(shí)構(gòu)造表征文獻(xiàn)活躍程度的指標(biāo)，共同生成分類問題的特征庫X。 在此特征庫基礎(chǔ)上，運(yùn)用Relief-F、RFE和LR3種特征選擇方法，對特征庫X中的各特征x進(jìn)行重要性排序；利用樸素貝葉斯、SVM和Bagging3種分類器驗(yàn)證特征組合的分類性能，提取對文獻(xiàn)是否被引用具有重要影響的特征。依據(jù)這些關(guān)鍵特征，生成針對目標(biāo)文獻(xiàn)的待推薦文獻(xiàn)列表。本文提出的考察文獻(xiàn)活躍度特性的引文推薦算法的示意圖如圖1所示。

圖1 基于文獻(xiàn)活躍度特征的引文推薦實(shí)驗(yàn)流程示意圖Fig.1 Schematic diagram of citation recommendation experiment based on paper activity characteristics

3.1 構(gòu)建引用分類問題的特征庫

3.1.1 用戶的個(gè)性化引用偏好特征

用戶的個(gè)性化引用偏好特征主要用來反映用戶在撰寫科研成果時(shí)的引用習(xí)慣。本文主要從用戶是否偏向于引用其之前發(fā)表的文獻(xiàn)，是否偏向于引用其之前引用過的文獻(xiàn)，是否偏向于引用合作者的文獻(xiàn)，以及是否偏向于引用之前引用過的作者所寫的文獻(xiàn)，4個(gè)角度來表征用戶的個(gè)性化引用偏好，見表1。

表1 用戶的個(gè)性化引用偏好特征Tab.1 Personalized reference preference characteristics of users

為獲取這些特征，需要為每篇目標(biāo)文獻(xiàn)采集如下信息:

（1）目標(biāo)文獻(xiàn)的所有作者發(fā)表的文獻(xiàn)構(gòu)成的集合；

（2）目標(biāo)文獻(xiàn)的所有作者曾經(jīng)引用過的文獻(xiàn)構(gòu)成的集合；

（3）所有曾經(jīng)同目標(biāo)文獻(xiàn)的作者合作過的其他作者構(gòu)成的集合；

（4）目標(biāo)文獻(xiàn)的所有作者曾經(jīng)引用過的其他作者構(gòu)成的集合。

3.1.2 常用的文獻(xiàn)計(jì)量學(xué)特征

在引文推薦工作中常被研究者用到的文獻(xiàn)計(jì)量學(xué)特征見表2，符號p代指目標(biāo)文獻(xiàn)，符號r代指待推薦文獻(xiàn)。這些特征涵蓋了待推薦文獻(xiàn)的作者、所在期刊、基金資助情況，以及待推薦文獻(xiàn)與目標(biāo)文獻(xiàn)間的相似度等指標(biāo)。

表2 常用的文獻(xiàn)計(jì)量特征Tab.2 Commonly used bibliometric characteristics

其中，特征x6作者關(guān)鍵字是對文獻(xiàn)作者的國籍、所屬單位和研究領(lǐng)域等的概括性介紹。本文采用Jaccard系數(shù)計(jì)算目標(biāo)文獻(xiàn)p和待推薦文獻(xiàn)r在作者關(guān)鍵字上的相似度。x6的值越大，說明目標(biāo)文獻(xiàn)p和待推薦文獻(xiàn)r的作者越相似。對于目標(biāo)文獻(xiàn)p和待推薦文獻(xiàn)r的作者關(guān)鍵字集合，Jaccard系數(shù)為p與r交集的大小與p與r并集的大小的比值，定義如式（1）:

利用余弦相似度計(jì)算特征x8，x9，x10的值。利用Python中的jieba算法分別對目標(biāo)文獻(xiàn)p和待推薦文獻(xiàn)r的標(biāo)題、主題和摘要進(jìn)行分詞，去掉停用詞，主題是Scopus數(shù)據(jù)庫中對文獻(xiàn)研究內(nèi)容的高度概括。之后結(jié)合剩下的詞的詞頻構(gòu)建標(biāo)題、主題和摘要的向量，最后利用余弦相似度計(jì)算目標(biāo)文獻(xiàn)p和待推薦文獻(xiàn)r在3個(gè)方面的相似度。余弦相似度的計(jì)算公式（2）如下:

收集處理完上述特征后，利用線性函數(shù)歸一化方法將上述特征歸一化到［0.01，0.99］范圍內(nèi)，消除不同特征的取值范圍對分類的影響。

3.1.3 文獻(xiàn)的活躍度特征

本文用待推薦文獻(xiàn)在近兩年內(nèi)的引用情況來度量文獻(xiàn)的活躍程度。在本實(shí)驗(yàn)中，選取的目標(biāo)文獻(xiàn)均發(fā)表在2018年，則對待推薦文獻(xiàn)而言，表征其活躍程度的引用指標(biāo)均來自于其在2016和2017年的引用情況。

本文采集了待推薦文獻(xiàn)在近2年內(nèi)的總被引頻次、近2年內(nèi)的引證國家數(shù)量、近2年內(nèi)的引證期刊數(shù)量、近2年內(nèi)的引證機(jī)構(gòu)數(shù)量和近2年內(nèi)的引證學(xué)科數(shù)量，來構(gòu)造文獻(xiàn)的活躍度特征。這些指標(biāo)反映了在近2年內(nèi)待推薦文獻(xiàn)在科學(xué)社區(qū)內(nèi)的影響可見度。對一篇待推薦文獻(xiàn)r而言，如果在近2年內(nèi)得到了來自更多的國家、機(jī)構(gòu)、期刊和學(xué)科的引用，則意味著該文獻(xiàn)受到了更多學(xué)術(shù)同行的認(rèn)可，在科學(xué)社區(qū)內(nèi)產(chǎn)生了較為廣泛的影響。而這種影響將推動其繼續(xù)被學(xué)者關(guān)注，并持續(xù)轉(zhuǎn)化為學(xué)者研究成果的參考文獻(xiàn)。

為結(jié)合以上5個(gè)引用指標(biāo)生成綜合的文獻(xiàn)活躍度特征，本文利用熵權(quán)法為每個(gè)特征賦權(quán)重，求得5個(gè)特征值的加權(quán)和以代表本文的文獻(xiàn)活躍度特征。根據(jù)待推薦文獻(xiàn)在近2年內(nèi)的總被引頻次、以及其被不同國家、期刊、機(jī)構(gòu)和學(xué)科的引證數(shù)量的值構(gòu)成這5項(xiàng)子特征的數(shù)據(jù)矩陣A，式（3），其中Xij為第i個(gè)文獻(xiàn)的第j個(gè)特征的數(shù)值。

計(jì)算xij占特征xj的比重，式（4）:

計(jì)算第j個(gè)特征的熵值，式（5）:

根據(jù)ej計(jì)算第j個(gè)特征的熵冗余度，式（6）:

根據(jù)gj求特征的權(quán)數(shù)，式（7）:

將求得的每個(gè)特征的權(quán)重和其值求加權(quán)和，得出本文的文獻(xiàn)活躍度特征x19，式（8）:

3.2 特征選擇過程

為提取對引文推薦具有重要價(jià)值的特征，本文采用Relief-F、Recursive Feature Eimination（RFE）和Logistic Regression（LR）3種特征選擇方法對特征進(jìn)行重要性排序，并結(jié)合不同特征組合的分類精度得到影響推薦效果的核心特征子集。

3.2.1 Relief-F

Relief-F算法通過計(jì)算不同特征，區(qū)分不同類型樣本的能力來為特征賦予權(quán)重。其隨機(jī)從待推薦數(shù)據(jù)集R中選取一個(gè)樣本ri，從ri同類的樣本集C中找到k臨近的臨近樣本{hj}，從與ri不同類的樣本集S中找到k臨近的隨機(jī)樣本{mj}，計(jì)算特征x區(qū)分臨近樣本{hj}和隨機(jī)樣本{mj}的能力。如果樣本ri和臨近樣本{hj}在特征x上的距離小于樣本ri和隨機(jī)樣本{mj}上的距離，則說明該特征對區(qū)分同類和不同類的數(shù)據(jù)是有益的，則增加該特征的權(quán)重W。根據(jù)W對特征進(jìn)行排序，獲得根據(jù)重要程度排序的特征。

求權(quán)重W的具體算法見公式（9）:

其中，p（C）為類別C在所有類別中所占比例，p（S）為類別S在所有類別中所占比例。diff定義見公式（10），其表示樣本r1和r2在特征x上的差:Diff（x，ri，rj）＝

3.2.2 RFE

遞歸特征消除法是通過遞歸的方式，不斷剔除作用最小的特征，減少特征集的規(guī)模來選擇需要的特征，RFE的底層模型很大程度會影響其穩(wěn)定性。本模型底層采用SVM，SVM作為一種基于統(tǒng)計(jì)理論的分類方法，將低維線性不可分割的數(shù)據(jù)在核函數(shù)的作用下映射到較高維度而實(shí)現(xiàn)線性分割。每個(gè)特征對應(yīng)特定維度，維度的權(quán)重由分類器的精度確定，而權(quán)重即可視作該特征的重要性。

REF首先給每個(gè)特征賦一初始權(quán)重w0，然后采用預(yù)測模型在這些原始的數(shù)據(jù)上進(jìn)行訓(xùn)練，訓(xùn)練后獲取特征的最終權(quán)重值w1，取這些權(quán)重值的絕對值，把絕對值最小的特征剔除掉。按照以上步驟，不斷循環(huán)遞歸，直至剩余的特征數(shù)量達(dá)到所需的數(shù)量。將剩余特征按照w1排序即得到特征選擇的最終結(jié)果。

3.2.3 LR

LR是統(tǒng)計(jì)學(xué)中一種經(jīng)典的分類算法，對回歸或分類問題建立代價(jià)函數(shù)并迭代優(yōu)化，求解出最優(yōu)參數(shù)，該參數(shù)即特征的權(quán)值。具體步驟如下:

將線性回歸函數(shù)帶入Sigmoid函數(shù)，得到的h函數(shù)，若hθ（x）＞0.5，則Y∈A；若hθ（x）＜0.5，則Y∈B。

線性回歸函數(shù)，式（11）:Sigmoid函數(shù)，式（12）:

h函數(shù)，式（13）:

然后構(gòu)造代價(jià)函數(shù)C（θ），C（θ）能夠描述模型預(yù)測值h（θ）和真實(shí)值y之間的差異。若有多個(gè)樣本，則取所有代價(jià)函數(shù)的均值，計(jì)作J（θ）。 該均值J（θ）可用于評價(jià)該模型的好壞。J（θ）越小，則當(dāng)前模型的參數(shù)與訓(xùn)練樣本越相符。于是基于最大似然估計(jì)可得J（θ），式（14）:

基礎(chǔ)梯度下降法求J（θ）最小值，更新參數(shù)，得到最符合當(dāng)前數(shù)據(jù)的模型，式（15）:

特征對應(yīng)的系數(shù)θj越大代表對期望的貢獻(xiàn)越大，該系數(shù)也就是特征的權(quán)值。將系數(shù)θj從大到小排序，獲得根據(jù)重要程度排序的特征。

3.3 篩選關(guān)鍵特征

在通過特征選擇方法獲得特征排序結(jié)果的基礎(chǔ)上，本文利用樸素貝葉斯，SVM和基于決策樹的Bagging 3種分類器來檢驗(yàn)不同特征組合的分類效果，得到影響文獻(xiàn)是否被引用的關(guān)鍵特征。

樸素貝葉斯是一種基于概率的分類器算法，其假設(shè)每個(gè)輸入變量是獨(dú)立的，根據(jù)訓(xùn)練集中每個(gè)特征的取值是否被引的先驗(yàn)概率，推算出測試集中特征給定時(shí)被引的后驗(yàn)概率，決定該元組是否被引。本實(shí)驗(yàn)中使用的是高斯樸素貝葉斯模型，假定數(shù)據(jù)符合高斯分布。

SVM是一種二分類算法，可以支持線性和非線性的分類，其把劃分?jǐn)?shù)據(jù)的決策平面統(tǒng)稱為超平面。離這個(gè)超平面最近的點(diǎn)叫支持向量，點(diǎn)到平面的距離叫間隔，通過在特征空間中尋找最佳的分離超平面，從而使訓(xùn)練集中正樣本和負(fù)樣本的間隔最大。利用該最優(yōu)超平面，將文獻(xiàn)集輸入模型后即可得到合適的引文集并推薦給目標(biāo)文獻(xiàn)。本實(shí)驗(yàn)使用線性核函數(shù)的SVM并進(jìn)行概率估計(jì)。

Bagging是一種基于決策樹的分類器，它是一種并行的集成學(xué)習(xí)方法，使用多棵樹進(jìn)行訓(xùn)練和預(yù)測，并結(jié)合訓(xùn)練結(jié)果輸出預(yù)測值。本實(shí)驗(yàn)中使用決策樹分類器，考慮到該分類問題為二分問題，構(gòu)建9棵決策樹進(jìn)行投票，在避免過擬合的情況下盡可能收縮，使最終結(jié)果趨于均值。

4 實(shí)驗(yàn)過程和結(jié)果分析

4.1 數(shù)據(jù)集

本實(shí)驗(yàn)的原始數(shù)據(jù)均來自Scopus數(shù)據(jù)庫。Scopus收錄了來自于全球4 000家出版社的19 000種來源期刊，是全球最大的文摘和引文數(shù)據(jù)庫，為科研人員提供一站式獲取科技文獻(xiàn)的平臺。本文以科學(xué)計(jì)量學(xué)領(lǐng)域下的國際頂級期刊Scientometrics為文獻(xiàn)樣本來源，來獲取目標(biāo)文獻(xiàn)集合。

數(shù)據(jù)的獲取為利用爬蟲算法在Python3.7環(huán)境下，爬取Scopus數(shù)據(jù)庫中期刊Scientometrics中發(fā)表時(shí)間為2018年且被引頻次排名前100的文獻(xiàn)作為目標(biāo)文獻(xiàn)集合P。收集100篇目標(biāo)文獻(xiàn)P的參考文獻(xiàn)共4 250篇，將標(biāo)題、作者、摘要和DOI為空的文獻(xiàn)刪除，剩余的3 555篇文獻(xiàn)作為被引文獻(xiàn)B。按照1:4的比例收取與被引文獻(xiàn)B在同一期刊、同一年份發(fā)表的且未被目標(biāo)文獻(xiàn)P引用的文獻(xiàn)N。被引文獻(xiàn)B和未被引文獻(xiàn)N共同構(gòu)成待推薦的文獻(xiàn)集R。

數(shù)據(jù)的處理分為對目標(biāo)文獻(xiàn)集P的處理，以及對待推薦的文獻(xiàn)集R的處理，處理步驟如下:

（1）目標(biāo)文獻(xiàn)

①從Scopus數(shù)據(jù)庫上直接導(dǎo)出文獻(xiàn)的標(biāo)題、作者、作者ID、摘要、來源出版物、發(fā)表時(shí)間、施引文獻(xiàn)數(shù)量、作者關(guān)鍵字以及在Scopus上的鏈接、文獻(xiàn)的EID號和DOI號；

②在Scopus數(shù)據(jù)庫上手工收集每篇目標(biāo)文獻(xiàn)p的每個(gè)作者之前寫過的所有文獻(xiàn)、每個(gè)作者的之前的合著者、每個(gè)作者引用過的文獻(xiàn)以及每個(gè)作者引用過的作者；

③利用爬蟲爬取每篇目標(biāo)文獻(xiàn)p的主題、學(xué)科和國家。

（2）推薦的文獻(xiàn)

①從Scopus數(shù)據(jù)庫上直接導(dǎo)出文獻(xiàn)的標(biāo)題、作者、作者ID、摘要、來源出版物、發(fā)表時(shí)間、施引文獻(xiàn)數(shù)量、作者關(guān)鍵字、出資詳情以及在Scopus上的鏈接、文獻(xiàn)的EID號和DOI號；

②利用爬蟲爬取待推薦文獻(xiàn)r的常用的科學(xué)計(jì)量學(xué)特征和文獻(xiàn)活躍度特征，利用程序判斷待推薦文獻(xiàn)r和對應(yīng)目標(biāo)文獻(xiàn)p的關(guān)系，獲取作者偏好特征。

4.2 實(shí)驗(yàn)過程

首先，利用Relief-F、RFE、LR 3個(gè)特征選擇算法分別對實(shí)驗(yàn)收集的19個(gè)特征進(jìn)行特征排序；其次，選取每個(gè)方法排名前10的特征完成進(jìn)一步實(shí)驗(yàn)。對于某一種特征組合{xi}，（i＝1，2，…，10），取一篇種子文獻(xiàn)pi，pi作為目標(biāo)文獻(xiàn)，pi的待推薦文獻(xiàn)集RA作為測試集，其余99篇種子文獻(xiàn)的待推薦文獻(xiàn)集RB作為訓(xùn)練集。將訓(xùn)練集RB放入分類器進(jìn)行訓(xùn)練后，輸入測試集RA，通過比較分類器對測試集RA的預(yù)測結(jié)果和目標(biāo)文獻(xiàn)pi實(shí)際引用情況的吻合程度，衡量分類效果。求取3個(gè)分類器分別輸出的F1的均值作為該特征組合{x i}對該篇目標(biāo)文獻(xiàn)pi的分類效果值。對100篇種子文獻(xiàn)都重復(fù)以上步驟后，將獲得的100個(gè)F1值求取均值，來代表該特征組合{x i}對本實(shí)驗(yàn)數(shù)據(jù)集的分類效果值。

按照上述實(shí)驗(yàn)思路，逐個(gè)去掉每個(gè)特征選擇中得分最低的特征，輸入到3個(gè)不同的分類器模型中，得出新的子特征組合對應(yīng)的F1均值。提取F1均值最高時(shí)對應(yīng)的特征子集為最終的約簡子集。將在3種分類器下得到的約簡子集取交集運(yùn)算，即可得最終篩選出的特征。

4.3 評價(jià)指標(biāo)

為評價(jià)本文提出的算法在引文推薦任務(wù)中的有效性，本文采用準(zhǔn)確率P，召回率R和F1值來衡量推薦列表的質(zhì)量。公式中符號的具體說明見表3。

表3 評價(jià)指標(biāo)Tab.3 Evaluation indexes

準(zhǔn)確率是指分類正確的文獻(xiàn)在文獻(xiàn)總數(shù)中的占比，是對推薦系統(tǒng)查準(zhǔn)率的衡量。在本文中，即被正確分類的待推薦文獻(xiàn)與總的待推薦文獻(xiàn)的比值，式（16）:

召回率指的是正確推薦給目標(biāo)文獻(xiàn)p的引文與其實(shí)際引用的比率，是對推薦系統(tǒng)查全率的衡量，式（17）:

由于準(zhǔn)確率與召回率有時(shí)候會出現(xiàn)相矛盾的情況，故引入衡量指標(biāo)F1值對二者進(jìn)行綜合考慮，式（18）:

4.4 推薦結(jié)果及分析

4.4.1 重要特征的選擇

表4列出了3種特征選擇算法下選出的前10個(gè)特征，可以看出由近期引用狀況特征所確定的文獻(xiàn)的活躍度特征，在3種方法中的排名均比較靠前，說明文獻(xiàn)活躍度的特征有助于提升推薦效果；在常用的科學(xué)計(jì)量學(xué)特征中，主題和標(biāo)題的相似度具有更大的優(yōu)勢；作者偏好特征中，大部分的特征排名都靠前，說明作者的興趣對推薦具有較大的影響。

表4 特征選擇的結(jié)果Tab.4 Result of feature selection

為了得到對文獻(xiàn)是否被引具有重要影響的特征，在由每個(gè)特征選擇方法得到的特征排序結(jié)果中，本文依次去掉權(quán)重得分最低的特征，將剩下的特征集合放入分類器中，記錄分類的精度，循環(huán)進(jìn)行，直到分類器的精度下降，取此時(shí)在特征集中剩余的特征為選出的特征約簡子集。在分類器Relief-F、RFE和LR下分類精度的變化趨勢如圖2～4所示，按照此過程選出的特征約簡子集的結(jié)果見表5。

圖2 Relief-F方法下F1值變化趨勢圖Fig.2 Change trend diagram of F1 index under Relief-F method

圖3 RFE方法下F1值化趨勢圖Fig.3 Change trend diagram of F1 index under RFE method

圖4 LR方法下F1值變化趨勢圖Fig.4 Change trend diagram of F1 index under LR method

表5 特征選擇結(jié)果Tab.5 Results of feature selection

不同的特征選擇算法側(cè)重點(diǎn)各異，單個(gè)特征選擇方法選出的特征具有局限性，因此，對3個(gè)特征選擇算法所得到的約簡子集取交集運(yùn)算，以得到在不同的特征選擇算法下都比較重要的特征。這些特征，將是影響文獻(xiàn)是否被引用的最核心的指標(biāo)，得到的結(jié)果見表6。

表6 最終選擇的特征結(jié)果Tab.6 The final selection of feature results

4.4.2 利用分類器實(shí)現(xiàn)推薦

將選出來的7個(gè)特征放入分類器，驗(yàn)證基于這些特征的引文推薦效果。本文將推薦問題轉(zhuǎn)化為二元分類問題，對每篇目標(biāo)文獻(xiàn)p，生成一個(gè)按照被推薦概率排序的推薦文獻(xiàn)列表l，將推薦結(jié)果l與每篇目標(biāo)文獻(xiàn)p的實(shí)際引用進(jìn)行比較，算出相應(yīng)的得分。同時(shí)與僅考慮文本相似度，利用標(biāo)題相似度和主題相似度進(jìn)行推薦的結(jié)果作對比見表7?？梢钥闯?，相對于基線方法，利用本文提取出的7個(gè)核心特征進(jìn)行是否被引用的識別，其準(zhǔn)確率、召回率和F1值分別提升了6%、29%和26%，由此證明了這些特征是影響文獻(xiàn)是否被引，實(shí)際上也是文獻(xiàn)是否應(yīng)該被推薦的關(guān)鍵指標(biāo)。

表7 分類器實(shí)現(xiàn)推薦的結(jié)果Tab.7 Results of classifier implementation recommendations

相對于之前的研究工作而言，本文用較少的非常容易獲取的特征較好地實(shí)現(xiàn)了引文推薦的工作，這對研究者開展實(shí)際的引文推薦研究具有重要的價(jià)值。在這些特征中，本文引入的文獻(xiàn)的活躍度特征在引文推薦過程中起到了非常重要的作用，這實(shí)際上反映了引用過程中的“優(yōu)先鏈接”的思想，說明那些在近期內(nèi)得到較高引用的文章將具有更高的被再次引用的可能性。

5 結(jié)束語

本文將引文推薦問題轉(zhuǎn)換為文獻(xiàn)是否被引的二元分類問題，提取表征文獻(xiàn)活躍度的特征，結(jié)合研究者的個(gè)性化引用偏好和常用的文獻(xiàn)計(jì)量學(xué)特征，構(gòu)建用以二元分類問題的特征庫。利用Relief-F、RFE和LR特征選擇方法從特征庫中提取有利于文獻(xiàn)被引用的關(guān)鍵特征，并基于這些特征利用樸素貝葉斯、SVM和Bagging分類器實(shí)現(xiàn)引文推薦。本文的實(shí)驗(yàn)結(jié)果表明，文獻(xiàn)的近期活躍度特性、作者的個(gè)性化引用偏好和文獻(xiàn)對間的主題相似性是影響文獻(xiàn)是否被推薦的核心因素。本文通過較為精簡的特征實(shí)現(xiàn)了較好的引文推薦工作，這將對研究者開展實(shí)際的引文推薦研究提供有價(jià)值的參考。