[发明专利]一种适用于文献网络的论文领域分类方法

权利要求书

1.一种适用于文献网络的论文领域分类方法，其特征在于，包括如下步骤：

步骤S1、给定一个文献网络G＝(V,E)，根据网络模式找出文献网络G的元结构S，其中，V是节点集合，E是节点间关系集合；

步骤S2、对于文献网络G中的所有论文节点，基于元结构S，指定一个节点作为源对象o_s，一个节点作为目标对象o_t，从源节点o_s出发，沿着元结构S的各个层级，根据网络文献G中存在的链接扩展生成元结构S限制下的各个层级layer的子图g，并计算o_s与o_t在第layer层的子图g中的相关度；当扩展到元结构最后一层d_s的时候，即可得到元结构实例及实例的两端节点o_s、o_t之间的相关度θ(o_s,o_t)；在所述步骤S2中，计算o_s与o_t的相关度，包括如下具体步骤：

步骤S21、将网络G中元结构S限制下的子图g初始化为源节点o_s，相关度w初始为1，层数layer初始为1；

步骤S22、在layer+1层中求出每一个存在的相应类型的节点，且能与上层节点组成符合元结构S链接关系的实例；

步骤S23、计算步骤S22得到的实例的笛卡尔积σ；

步骤S24、计算得到源节点o_s与layer+1层节点的相关度w′，更新相关度w＝w′；具体计算公式为：

w′＝w/|σ|^α

其中，|σ|表示该层实例的个数，α是一个偏差因子，0≤α≤1；

步骤S25、对步骤S23得到的σ中的每一个元素，将其与layer层的子图g链接，得到layer+1层的新子图g；

步骤S26、layer＝layer+1，重复所述步骤S22至所述步骤S25，直至若layer＝d_s，则返回相关度；其中，d_s表示元结构最后一层；

步骤S3：定义论文节点v_i和v_j之间的联合概率，具体公式为：

其中，em_i是节点v_i的低维向量表示；

步骤S4：定义论文节点v_i和v_j之间的经验联合概率分布，具体公式为：

其中，θ(v_i,v_j)是节点v_i和v_j之间基于元结构的相关程度；

步骤S5、定义一个目标函数，将目标函数表示为步骤S3、步骤S4得到的两个概率分布的距离，并使目标函数最小化，得到节点的低维向量表示；

步骤S6、计算所有论文节点之间的低维向量表示的余弦相似度，得到论文节点间的相似程度矩阵；

步骤S7、利用相似程度矩阵对所有论文类型节点进行K-means聚类，得到论文的分类结果；其中，K值定为文献网络中论文所属学科领域的数目；

在所述步骤S5中，最小化目标函数的建立，具体包括以下步骤：

步骤S51、将目标函数定义为两个概率分布的距离，距离度量方式为KL散度，采用负采样来减少节点对的计算，对于每一对相关程度θ(v_i,v_j)≠0的节点对，目标函数具体为：

其中，表示文献网络G中已知边的建模，表示负样本边的建模，K为采样次数，P_n(v)为噪声分布，将其设置为P_n(v)∝d_v^3/4，其中，d_v是节点v的出度；

步骤S52、使用异步随机梯度下降算法来优化目标函数；具体步骤为：在每一轮的优化过程中，采样得到几对θ(v_i,v_j)≠0的节点v_i和v_j，定义节点v_i的梯度，用节点v_i的梯度来更新采样过的节点的低维向量；节点v_i的梯度的具体计算公式为：