摘要
学术论文推荐系统旨在帮助研究者从海量的在线学术资源数据库中快速准确地找到自己所需的高质量学术论文。经过数十年的发展，尤其是近年来深度学习技术的爆发，学术论文推荐系统已经取得了长足的进步。 尽管如此，现有的学术论文推荐系统依然存在以下两点不足。一是不能有效融合语义信息和高阶交互信息。现有的学术论文推荐方法不仅忽视实体间的高阶交互信息，而且多数情况下只能机械地拼接语义信息和交互信息，缺少一个统一的有机框架综合利用这两种信息。二是缺乏对用户和学术论文等学术实体的深度表示学习研究，实体表示学习对于提升推荐质量具有积极意义，而现有的学术论文推荐系统基本上直接使用其他领域的表示学习方法，这对于学术论文推荐质量的提升帮助不大。 针对以上两点不足，本研究从图神经网络技术出发，通过对学术信息网络的挖掘，完成了以下两项研究工作： 首先将语义集成思想与图神经网络结合，利用引文网络对预训练自然语言模型微调，生成论文的表示向量，融合语义信息。然后利用图神经网络，捕捉用户与论文交互网络中的高阶连接信息，进一步对用户和论文节点的表示向量进行优化，最后用于学术论文的推荐。在这一部分中，本研究将图神经网络引入学术论文推荐任务，在保留了学术论文语义信息的同时，也有效挖掘了用户与论文之间的高阶交互信息。 随后针对基于图神经网络的推荐系统中的实体表示问题，本文做了进一步的深入研究。在这一部分，本研究首先基于主题文档表示方法，生成学术论文表示，然后利用基于图神经网络的自编码器，在引文网络中聚合主题信息和论文间的交互信息，训练表示向量。基于同样范式，利用用户的论文交互列表，生成用户兴趣向量，再在用户网络中聚合用户兴趣信息和用户间的交互信息，解决了用户节点表示学习的问题。实验证明，深度学术实体表示对于推荐系统的提升具有积极意义。
NETL