摘要
对于学术研究者来说，为论文寻找到合适的发表场所非常重要，然而由于学术研究的演化与发展，海量的学术大数据造成严重的信息过载，学者们往往很难为自己的研究成果寻找到合适的发表场所，导致学术成果无法及时发表，影响科研进展。推荐系统作为一种解决信息过载的有效方法，已经被广泛应用于学术研究中，能够帮助学者们快速、准确地获取有效信息同时过滤无效信息。现有学术推荐工作主要聚焦于合作者推荐与论文推荐，学术场所推荐作为一个新兴的研究领域，近年来也受到越来越多学者的关注。然而，当前学术场所推荐方法仍然存在如下两个问题： 1.没有充分挖掘和利用丰富的异质学术辅助信息。现有学术场所推荐方法往往单独考虑论文的文本内容或学术网络结构信息如论文引用关系，不能充分挖掘学术大数据中的异质辅助信息，无法全面有效地利用论文、作者及学术场所等学术实体的特征，从而导致推荐的准确度不高。 2.忽略了异质学术大数据中的时序信息。由于学科的交叉融合、新兴研究领域的出现，导致学术场所发行范围发生变化、学者们兴趣热点也发生迁移，时序信息作为推荐场景的一个重要因素，能够提升推荐结果的准确性。然而，现有学术场所推荐研究没有充分利用时序信息，使得推荐具有滞后性。 因此，针对上述问题，本文提出了一种基于动态异质图表示学习的学术场所推荐模型DHAVeR。首先，利用预训练语言模型得到论文嵌入表示作为节点的初始特征；然后，构建异质学术图，并使用注意力机制分别聚合节点级和语义级的邻居特征；最后，对时序信息建模，聚合不同时间戳下的节点表示，得到论文最终的嵌入表示从而进行学术场所推荐。该模型充分考虑了异质学术辅助信息与时序信息，通过实验表明所提出的方法能够进一步提升推荐结果的准确度。本文的主要研究内容包括以下两点： 1.提出了一种基于元路径注意力聚合的异质学术图建模方法。使用异质图神经网络对学术异质信息进行建模，综合利用论文的文本信息和学术网络的结构信息，使用注意力机制获取不同元路径包含的不同语义信息，从而得到蕴含深层语义信息的论文节点表示。丰富了学术场所推荐任务中对于论文、作者与学术场所的建模，充分挖掘了学术辅助信息，使得学术场所推荐结果更加准确。 2.提出了一种考虑时序信息的动态异质图表示学习方法。使用动态异质图神经网络对时序信息进行建模，得到每个时间戳下对应的异质图，使用注意力机制聚合不同时间戳下的节点特征，得到论文节点的最终嵌入表示，从而向论文推荐包含时序信息的发表场所。关注在时间上与目标论文最相关的论文，从而提升学术场所推荐的准确性。
NETL