典型文献
基于无监督图神经网络的学术文献表示学习研究
文献摘要：
学术文献特征表示,是学术文献搜索、分类组织、个性化推荐等学术大数据服务的关键步骤.研究表明,图神经网络能够有效学习文献的特征表示,然而当前研究主要集中在有监督学习方法上,不仅对数据集的大小和质量的要求较高,且学习到的文献特征表示与具体任务高度耦合.基于此,本文将四种无监督图神经网络方法引入学术文献表示学习,从Cora、CiteSeer和DBLP(database systems and logic programming)数据集的引文网络、共被引网络和文献耦合网络中学习文献的表示向量,并应用于文献分类和论文推荐两大下游任务.研究结果表明,①深度互信息图神经网络适合于文献分类任务,对抗正则化变分图自编码器则在论文推荐任务上性能更佳;②Cora数据集上的结果表明,相较于共被引和文献耦合网络,引文网络更适合于学习通用的文献表示向量.
文献关键词：
无监督学习;图神经网络;表示学习;学术文献
中图分类号：
作者姓名：
丁恒;任卫强;曹高辉
作者机构：
华中师范大学信息管理学院,武汉 430079
文献出处：
引用格式：
[1]丁恒;任卫强;曹高辉-.基于无监督图神经网络的学术文献表示学习研究)[J].情报学报,2022(01):62-72
A类：
CiteSeer
B类：
图神经网络,学术文献,表示学习,学习研究,文献特征,特征表示,文献搜索,分类组织,个性化推荐,学术大数据,大数据服务,关键步骤,有效学习,习文,有监督学习,具体任务,神经网络方法,Cora,DBLP,database,systems,logic,programming,引文网络,共被引,耦合网络,文献分类,论文推荐,互信息,信息图,分类任务,正则化,变分图自编码器,推荐任务,学习通,无监督学习
AB值：
0.39411
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
