1.一种基于社区的作者及其学术论文的推荐系统，其特征在于，该系统先利用作者与论文的引用关系和社区信息构建由作者层和论文层组成的双层引用网络，然后，根据用户的历史行为记录和用户阅读过的论文集构建用户兴趣模型，最后根据得到的双层引用网络和用户兴趣模型，分析用户需求，向用户推荐作者及其论文；该系统设有：论文抓取模块、预处理模块、双层引用网络构建模块、用户兴趣模型构建模块、个性化学术推荐模块和数据库；其中：
论文抓取模块，负责采用网络爬虫抓取相关学科领域中每篇论文中包括标题、摘要、链接地址、作者标识ID、参考文献和发表时间的信息，将每篇论文使用该论文的链接地址用作唯一标识加以区分后，将抓取的论文全部信息都存储于数据库；
预处理模块，负责从数据库中读取每篇论文的摘要，并由其分词、词性标注、词性过滤与停用词剔除四个单元依序分别对论文摘要进行处理后，得到论文摘要的分词序列；其中分词单元依据空格、标点符号对论文摘要进行分词，词性标注单元对分词后的论文摘要标注词性，词性过滤单元依据标注的词性提取名词，停用词剔除单元过滤和删除其中对该论文摘要没有实际意义的停用词，以节省存储空间和提高搜索效率；
双层引用网络构建模块，负责从数据库读取论文的作者ID、参考文献和发表时间的信息，从预处理模块读取论文摘要的分词序列，并由其四个组成构件：基础网络构建单元、作者社区时间主题模型ACTTM模型训练单元、社区信息构建单元和节点属性值计算单元分别处理后，得到由作者层、论文层和两者之间的连接边组成的双层引用网络；其中ACTTM模型是在作者-主题AT模型、时间主题TOT模型与社区主题模型CTM相互结合基础上提出的一个新主题模型；
用户兴趣模型构建模块，负责读取数据库中的用户操作记录和论文的作者集合和发表时间信息，以及从预处理模块得到的论文摘要的分词序列，由其两个组成部件：用户兴趣社区集合构建单元和用户属性值计算单元分别进行相应处理后，生成用户兴趣模型；
个性化学术推荐模块，负责读取用户兴趣模型构建模块构建的用户兴趣模型，得到每个用户的兴趣社区集合、用户权威值和用户多样值，再读取双层引用网络构建模块得到的社区作者列表、作者和论文间的著作关系、作者的属性值和论文的属性值，并经由其两个组成部件：作者推荐列表生成单元和论文推荐列表生成单元的处理，生成作者推荐列表和论文推荐列表；
数据库，用于存储论文抓取模块抓取的所有论文的全部信息，包括：作为论文ID的链接地址、题目、摘要、发表时间和作者ID，所有用户对存储的该论文执行操作的全部行为记录，以及向用户最终推荐的作者推荐列表和论文推荐列表；每项操作的行为记录OR=(user_id,paper_id,event_id,time)，其中，user_id为用户标识、paper_id为论文标识、event_id为操作内容，time为操作时间。
2.根据权利要求1所述的推荐系统，其特征在于：所述双层引用网络的数学表达式为：
G={G1,G2,E}，其中：
由下标1表示的第一层子网络为作者层G1={V1,E1}，其设有两个集合：作者集合V1={a1,a2,...,ai,...,aI}和边集合E1={(i,q,numiq)}；V1中的元素ai为作者，自然数下标i为作者序号，共有I名作者；每位作者由下述五个参数描述之：
式中，IDi为作者标识ID；作者权威值向量 中自然数下标j为社区
序号，常数C为j的最大值，即该双层引用网络中的社区总数； 和 分别为第i位作者在第j个社区的权威值、第i位作者的多样值和流行值，其中，权威值 表示第i位作者在第j个社区、即设定研究领域内的权威程度，多样值 表示第i位作者研究内容的多样性，流行值 表示第i位作者受读者喜爱的程度，该三个字符中的上标字母a表示该权威值、多样值和流行值是分别利用作者权威值、作者多样值和作者流行值三种计算方法得到的；作者隶属的社区列表 表明：第i位作者共隶属于Si个社区，Si
不大于双层引用网络中的社区总数C，其中，自然数下标ji为第i位作者隶属的社区序号，ji的最大值为Si；边集合E1中的元素(i,q,numiq)表示从ai指向aq的有向边，表示在两个序号分别为自然数i和q的作者之间，作者ai引用了作者aq的论文，权值numiq为引用次数；
由下标2表示的第二层子网络为论文层G2={V2,E2}，其设有两个集合：论文集合V2={p1,p2,...,pd,...,pD}和边集合E2={(d,n)}，pd中的自然数下标d为论文序号，共有D篇论文；每篇论文pd由四个参数描述之，即 IDd为第d篇论文标识ID；
和 分别为第d篇论文的权威值、多样值和流行值，其中，论文的权威值 表示第d篇论文的权威程度，多样值 表示第d篇论文研究内容的多样性，论文的流行值 表示第d篇论文受读者的喜爱程度，该三个字符中的上标字母p表示该权威值、多样值和流行值是分别采用论文权威值、多样值和流行值计算方法得到的；边集合E2中的元素(d,n)表明两位序号分别为不同自然数d,n的两篇论文之间存在从pd指向pn的有向边(d,n)，表示论文pd引用了论文pn，该边的权值为1；
作者层和论文层之间的连接边E={(ai,pd)}表示作者ai发表了论文pd,则在ai和pd之间存在有向边(i,d)。
3.根据权利要求1所述的推荐系统，其特征在于：所述ACTTM模型训练单元生成ACCTM模型的过程包括如下步骤：
（1）设置论文层中的某篇论文pd以及其位于作者层中的作者集合sd；
（2）选取作者集合sd中某个作者x，先计算获得该作者x的作者-社区特征向量χ，该作者-社区特征向量χ是以参数为给定正数λ的狄利克雷分布函数，再从参数为χ的多项分布函数中随机采样得到一个社区l；
（3）计算获得社区l的社区-主题特征向量Θ，该社区-主题特征向量Θ是参数为给定正数α的狄利克雷分布函数，再从参数为Θ的多项分布函数中随机采样得到一个序号为t的主题，自然数序号t的最大值为T；
（4）计算获得主题t的主题-单词特征向量Φ，该主题-单词特征向量Φ是参数为给定正数β的狄利克雷分布函数，再从参数为Φ的多项分布函数中随机采样得到一个单词h，且h归属于第d篇论文摘要中的单词集合Hd；
（5）计算获得主题t的主题-时间特征向量ψ，该主题-时间特征向量ψ为二项分布函数，再从参数为ψ的Beta分布函数中随机采样得到一个时间戳、即论文发表时间z。
4.根据权利要求1所述的推荐系统，其特征在于：所述双层引用网络构建模块中的四个组成单元的功能如下：
基础网络构建单元，负责读取存储于数据库的论文的参考文献和作者信息，提取论文间和作者间的引用关系，以及论文和作者间的著作关系，用于构建双层引用网络的基础网络，即由不具有属性值的作者节点集合V1和论文节点集合V2，以及表示两类节点之间关系的各种边E1、E2和E所构成，以供ACTTM模型训练单元、社区信息构建单元和节点属性计算单元在基础网络上添加社区信息和属性值信息，构建得到双层引用网络；
ACTTM模型训练单元，负责读取预处理模块的论文摘要的分词序列、存储于数据库的论文作者集合和论文发表时间信息，分别进行ACTTM模型训练和潜在狄利克雷分布LDA（Latent Dirichlet Allocation）主题模型训练，通过Gibbs采样按照ACTTM的生成模型进行ACCTM模型训练，按照LDA的生成模型进行LDA模型训练，最终生成：每位作者对应每个社区的作者-社区特征向量、即表示每位作者归属于每个社区的分布权值矩阵(wi1,wi2,...,wij,…,wiC)，每篇论文对应每个主题的论文-主题特征向量、即每篇论文隶属于每个主题的分布权值矩阵(vd1,vd2,…,vdt,...,vdT)，每个社区对应每个主题的社区-主题特征向量、即每个社区归属于每个主题的分布权值矩阵，每个主题对应每个时间戳的主题-时间特征向量、即每个主题归属于每个时间戳的分布权值矩阵；以及每个主题对应每个单词的主题-单词特征向量，即每个主题归属于每个单词的分布权值矩阵；式中，自然数t为主题序号；
社区信息构建单元，负责从ACCTM模型训练单元读取作者-社区特征向量，并将作者在每个社区的分布权值wij与设定阈值进行比较，将大于设定阈值的社区作为作者的隶属社区，以获得双层引用网络中该作者隶属的社区列表 其中，自然数
下标ji为社区序号，下标的下标Si为作者隶属的社区总数；完成所有作者的隶属社区列表的生成后，就得到每个社区所归属的作者列表；
节点属性值计算单元，负责从ACTTM模型训练单元得到作者-社区特征向量、论文-主题特征向量和从基础网络构建单元获得基础网络后，逐个计算每个节点的属性值：包括论文节点的权威值 多样值 和流行值 以及作者节点的权威值 多样值 和流行值
5.根据权利要求1所述的推荐系统，其特征在于：所述用户兴趣模型构建模块的两个组成单元的功能如下：
用户兴趣社区集合构建单元，负责根据从数据库读取用户操作记录和论文的发表时间及其作者信息、以及从预处理模块得到的论文摘要的分词序列，通过ACTTM模型预测，得到用户对应每个社区的用户-社区特征向量，即每位用户喜好每个社区的分布权值矩阵和该用户在每个社区的分布权值；再将该用户在每个社区的分布权值与设定阈值进行比较，将大于阈值的社区作为用户的兴趣社区，从而得到用户的兴趣社区集合；
用户属性值计算单元，负责从用户兴趣社区集合构建单元获取用户-社区特征向量后，分别计算每个用户的权威值 和多样值 以便与其兴趣社区集合中的兴趣社区一起组成该用户的兴趣模型，其数学表达式为 其中，自然数m为用
户序号，IDm为第m位用户的ID，用户在C个社区的权威值向量 表
示该用户在社区、即某个研究领域内的权威性程度：若用户阅读某个领域的大量论文，则该用户在该领域的权威值较大；权威值向量 中的元素 为第m位用户在第j个社区的权威值；用户的多样值 表示第m位用户阅读的文献多样性程度，即用户涉猎的研究领域多样性，上述字符中的上标u表示该权威值和多样值是分别采用用户权威值和用户多样值的计算方法得到的；用户的兴趣社区集合 为该用户隶属的社区列表，下
标的下标Nm表示该列表中的社区总个数。
6.根据权利要求1所述的推荐系统，其特征在于：所述个性化学术推荐模块中的两个组成单元的功能如下：
作者推荐列表生成单元，用于从用户兴趣模型构建模块读取每个用户的兴趣社区集合、用户权威值和用户多样值，再从双层引用网络构建模块读取社区作者列表、作者的属性值，通过计算生成作者推荐列表；
论文推荐列表生成单元，用于分别从作者推荐列表生成单元和双层引用网络构建模块读取生成的作者推荐列表、作者和论文间的著作关系和论文的属性值，通过计算生成论文推荐列表；再以用户ID为唯一标识将作者推荐列表和论文推荐列表存入数据库中。
7.一种基于社区的作者及其学术论文的推荐系统的推荐方法，其特征在于：所述方法包括下列操作步骤：
（1）抓取论文：论文抓取模块利用网络爬虫在网络上抓取论文信息，包括该论文的标题、摘要、链接地址、作者ID、参考文献和发表时间，再使用该论文的链接地址作为该论文的唯一标识ID区分后，将抓取的该论文全部信息存储于数据库；
（2）预处理模块对论文摘要进行预处理：使用斯坦福词性标注器Stanford POS Tagger（Stanford Log-Linear Part-Of-Speech Tagger）对论文摘要分别进行分词和标注词性的预处理操作，并保存词性标记为单数形式名词或物质名词NN（Noun，singular or mass）、复数形式名词NNS（Noun，plural）、单数形式专有名词NP（Proper noun，singular）、复数形式名词NPS（Proper noun，plural）的各种名词词语，再过滤并删除没有实际意义的停用词后，还要删除剩余词语数少于5的论文摘要；
（3）双层引用网络构建模块读取预处理模块中的论文摘要的分词序列和存储于数据库的包括论文作者ID、发表时间与参考文献的论文信息，利用ACTTM模型训练生成作者-社区特征向量，利用LDA主题模型训练生成论文-主题特征向量，再计算作者和论文的各种属性值，成功构建双层引用网络；
（4）用户兴趣模型构建模块分别读取存储于数据库的用户历史操作记录以及包括论文作者ID、发表时间与参考文献的论文信息、还从预处理模块读取论文摘要的分词序列，利用ACTTM模型预测得到用户-社区特征向量，通过计算得到用户的兴趣社区集合，并根据用户-社区特征向量计算用户各种属性值，最终成功构建用户兴趣模型；该步骤（4）和上述步骤（3）为同时并行实施的；
（5）个性化学术推荐模块读取步骤（3）的双层引用网络和步骤（4）的用户兴趣模型，生成用户的作者推荐列表和论文推荐列表；再以该用户ID为唯一标识，将该作者推荐列表和论文推荐列表存入数据库。
8.根据权利要求7所述的方法，其特征在于：所述步骤（3）中，双层引用网络构建模块执行下述各项操作内容：
（31）从数据库读取论文的参考文献和作者信息，根据该论文参考文献提取作者间与论文间的引用关系，再结合作者和论文间的著作关系构建基础网络；
（32）从预处理模块读取论文摘要的分词序列、从数据库读取论文的作者集合及其发表时间，按照设定的社区个数和主题个数，使用ACTTM主题模型对论文摘要的分词序列进行主题模型训练，得到作者-社区特征向量(wi1,wi2,...,wij,...,wiC)，再使用LDA主题模型对论文摘要的分词序列进行主题模型训练，得到论文-主题特征向量(vd1,vd2,...,vdt,...,vdT)，且 和 式中，wij是第i位作者在第j个社区的分布权值，vdk是第d篇论文在第t个主题的分布权值，自然数下标j和t分别是社区序号和主题序号，两者最大值分别为C和T；
（33）根据作者-社区特征向量，将大于设定阈值的社区作为该作者的隶属社区，从而得到作者的隶属社区列表和每个社区内的作者列表；
（34）根据论文间引用关系、论文的主题特征向量和用户历史操作记录，分别执行下述操作，计算得到论文的权威值、多样值和流行值；
计算论文权威值 先从基础网络构建单元读取基础网络，根据公式
计算第d篇论文在网络拓扑中的点度入度中心度，所述点度入度中心度是复杂网络分析技术领域中，表示网络中指向该节点的边的数量，在双层引用网络表示该论文被引用的情况；其中，自然数d为论文序号，其最大值为D； 为论文节点pd的点度入度中心度，degree(d)为指向论文节点pd的边的总数，再根据公式 计算该论文的权威值；
计算论文多样值 从ACTTM模型训练单元读取论文-主题特征向量，先利用公式计算第d篇论文的研究内容覆盖的主题总数，即第d篇论文的
论文-主题特征向量中分布权值大于设定阈值 的权值总数；再计算第d篇论文对应的论文-主题特征向量中各个分布权值的方差 和
最后根据公式 计算该论文的多样值，式中， 为各个分布权值的平均值，δ,ε分别为协调 和 的权重系数；
计算论文流行值 从数据库读取用户的历史操作行为记录，通过下述公式计算论文的流行值： 其中sum{}计算符合条件的操作记录条数，od
为用户对第d篇论文的操作记录；
（35）根据作者间的引用关系、作者-社区特征向量和步骤（34）得到的论文的权威值、多样值和流行值，分别执行下述操作计算作者的权威值、多样值和流行值，最终得到双层引用网络；
计算作者权威值 分别从基础网络构建单元和ACTTM模型训练单元读取基础网络和作者-社区特征向量后，先从作者-社区特征向量中提取第i个作者在第j个社区下的分布权值wij，再根据公式 计算第i位作者在网络中表示该作者论文被引用情况的点度入度中心度，其中，下标q为第q位作者， 为作者节点ai的点度入度中心度，numqi为作者节点aq指向作者节点ai的边的权重，degree(i)为指向作者节点ai的边的集合；最后根据公式 计算第i位作者在第j个社区的权威值；顺序执行上述步骤计算 即对社区序号j从1到C都执行上述操作步骤，最终得到第i位作者的权威值计算作者多样值 从ACTTM模型训练单元读取作者-社区特征向量，先得到第i位作者隶属社区列表中社区总个数 再计算第i位作者对应的作者-社
区特征向量中各个分布权值的方差 各个分布权值的平均值
最后根据公式 计算得到第i位作者的多样值，其
中，δ,ε为协调 和 的权重系数；
计算作者流行值 从数据库读取用户历史行为操作记录，根据公式 计算
作者的流行值，其中，PSi为第i位作者所著的论文集合，d为第i位作者著作的一篇论文，为步骤（3）得到的第d篇论文的流行值。
9.根据权利要求7所述的方法，其特征在于：所述步骤（4）中，用户兴趣模型构建模块执行的操作包括下列内容：
（41）从数据库中读取用户的历史操作记录，将其操作过的论文作为该用户的论文集，再对该论文集中的论文摘要序列、论文作者集合和论文发表时间进行ACTTM模型的预测，得到用户-社区特征向量(ym1,ym2,...,ymj,…,ymC)，且 式中，ymj是第m位用户在第j个社区的分布权值，自然数下标j是社区序号，其最大值为C；
（42）将分布权值大于设定阈值的社区作为该用户的兴趣社区，得到该用户的兴趣社区列表；
（43）根据用户的用户-社区特征向量，执行下述操作计算该用户的权威值和多样值，以便最终得到用户的兴趣社区模型；
计算用户权威值 利用ymj和通过公式 分别计算每个
用户在每个社区的权威值，最终得到该用户的权威值
计算用户多样值 先计算每个用户的兴趣社区列表中的社区个数 再计算每个用户对应的用户-社区特征向量中各个分布权值的方差 各个分布权
值的平均值 最后通过公式 计算得到每个用户的
多样值；其中，上标u代表用户，δ,ε分别为协调 和 的权重系数。
10.根据权利要求7所述的方法，其特征在于：所述步骤（5）中，个性化学术推荐模块执行的操作包括下列内容：
（51）执行下列操作内容，生成初始作者推荐列表：
（511）读取步骤（4）生成的用户兴趣模型，得到用户的兴趣社区列表
用户的权威值和多样值；再对兴趣社区列表中的每个社区 分
别按照步骤（512）～（515）顺序执行相应处理，以便完成全部用户的每个兴趣社区处理后，执行步骤（516）；
（512）从双层引用网络构建模块中读取第jm个社区的作者列表；
（513）通过用户的权威值分别计算第m位用户对第jm个社区中作者和论文的三个属性值的权重系数 和 ： 其中， 为第m位
用户在第jm个社区上的权威值， 为第m位用户的多样值；
（514）通过公式 计算第m位用户对社区 内作者的偏好
值，i为社区 内的第i位作者， 和 为步骤（513）得到的权重参数； 为第i位作者在社区 上的权威值， 和 分别为第i位作者的多样值和流行值；
（515）按照 的数值大小对社区内作者进行降序排列，根据目标用户的权威值取名作者，存入初始作者推荐列表，其中topN为设定数值；
（516）完成全部兴趣社区的计算后，删除初始作者推荐列表中重复的作者，形成最终的作者推荐列表；
（52）读取步骤（51）中的作者推荐列表，执行下述步骤操作，生成论文推荐列表：
（521）读取步骤（516）生成的作者推荐列表，对作者推荐列表中的每位作者依次进行步骤（522）～（524）的操作，完成计算后，再执行步骤（525）；
（522）从双层引用网络构建模块中读取第i位作者所著的论文ID、论文的权威值、多样值和流行值；
（523）根据第m位用户对第jm个社区的作者和论文的三个属性值的权重系数和公式 依次计算用户对作者所著论文的偏好
值；其中， 和 分别为第d篇论文的权威值、多样值和流行值；
（524）按照 的数值大小对作者所著论文进行降序排列，再根据目标用户的权威值选取 篇文章，存入初始论文推荐列表；
（525）完成全部推荐作者的论文的计算操作后，删除初始论文推荐列表中重复的论文，形成最终的论文推荐列表；
（53）以用户ID为唯一标标识将作者推荐列表和论文推荐列表存于数据库。