[发明专利]一种文献引用网络可视化及文献推荐方法及系统

说明书

本发明请求保护一种文献引用网络可视化及文献推荐方法及系统，涉及文献影响力分析和信息可视化领域，所述方法包括以下步骤：首先，根据文献的作者、年份、引用次数等固有属性、结合文献相似度和通过引用行为定量分析所产生的传递价值，综合以上因素计算文献重要度，并对文献进行排序；其次，对排序后的文献进行聚类，并对聚类的结果进行可视化，构建双层网络模型，将其重要文献以清晰明了的方式展示出来；最终，将可视化中所展示的聚类中心文献推荐给用户。本发明易用性高，本发明可以帮助科研工作者快速地筛选出最具权威的论文。

技术领域

本发明属于文献影响力分析和信息可视化领域，具体是一种文献引用网络可视化及文献推荐方法及系统。

背景技术

近十年来，自从20世纪60年代Garfield创立科学引文索引(SCI)以来，引文分析用于科学期刊、科学工作者以及科研工作等的研究活动日益活跃起来。随着引文统计的数量越来越大，数据的时间跨度也越来越长，传统的手工方式已经远远不能满足高层次分析的需求。计算机和网络技术的不断发展给引文分析提供了条件，计算机引文分析已成为引文分析新的方向。计算机引文分析促进了文献计量分析研究向高级阶段发展。

申请号为201310537842.6的中国专利描述了基于社区的作者及其学术论文推荐系统和推荐方法：该系统先利用作者与论文的引用关系构建由作者层和论文层组成的双层引用网络，然后，根据用户兴趣模型，分析用户需求，向用户推荐作者及其论文。本发明系统既能利用作者间研究内容的相关性，通过主题模型构建作者社区；还能在社区内部计算待推荐的作者和论文的多种属性值，改善现有推荐算法计算量大的缺陷；同时计算作者和论文的多种属性值，使得推荐结果更多样化，更符合用户需求。但是，该专利在学术推荐时，只考虑了引用次数这一因素来对作者和论文的权威度进行分析，因此，需要对论文和作者的评价指标进行改进，提出能够更加准确反映论文和作者特点的属性值计算方法。

申请号为201310230933.5的中国专利公开了一种个性化论文推荐方法及其系统。利用科研领域中研究人员撰写学术论文的行为特性，挖掘异质学术网络数据构建训练数据集，并根据所述训练数据集进行训练得到排序学习模型；然后在线构建用户配置，生成用户感兴趣的候选论文集，根据所述候选论文集并基于所述排序学习模型生成论文推荐结果。基于所述论文推荐结果，按照一定方式生成论文推荐返回给用户；最后，在线接收用户反馈，并根据不同的用户反馈行为相应地更新所述论文推荐结果。本发明有效地避免了推荐系统初期的“冷启动”问题，保证了推荐结果的准确率和召回率。但是该专利并没有考虑到引用行为本身对参考文献产生的传递价值，没有将排序模型的结果没有以可视化的结果展示出来，没有达到让科研工作者一目了然的目的。

针对以上问题，本发明的改进提出了一种基于网页链接度排序的文献重要性评价方法，通过文献本身的固有属性的评价以及对引用行为的定量分析，对文献的重要度进行专业、客观地评价。再此基础上，将改进的网页链接度排序算法与K均值聚类算法相结合，提出一种适合科学文献网络的可视化布局算法，通过可视化结果进行推荐。

发明内容

针对现有技术中，当前的文献网络太单一，不能体现引文网与科研合著网的特性，提出了一种易用性高，快速且准确度高的文献引用网络可视化及文献推荐方法及系统。。本发明的技术方案如下：一种文献引用网络可视化及文献推荐方法，其包括以下步骤：首先，获取文献并存入数据库，利用文本相似度计算算法计算文献相似度；其次，利用改进的网页链接度排序算法计算文献重要度，并对文献进行排序；然后，对排序后的文献利用K均值聚类算法进行聚类，并对聚类的结果进行可视化，构建双层网络模型，将其重要文献展示出来；最后根据聚类结果将聚类中心的文献推荐给用户。

进一步的，所述改进的网页链接度排序算法计算文献重要度具体步骤包括：根据文献的固有属性包括作者、年份及引用次数，结合文献相似度，通过引用行为定量分析所产生的传递价值，计算文献重要度，公式如下：