基于元结构技术的全局引文推荐方法、推荐系统
专利汇可以提供基于元结构技术的全局引文推荐方法、推荐系统专利检索，专利查询，专利分析的服务。并且本 发明 公开基于元结构技术的全局引文推荐方法，对原始数据集进行文章提取、词频统计、关键短语筛选数据清洗操作，得到文章并使用文章、文章的作者、出版商和术语信息构建文章库；通过文章库中文章以及文章的作者、出版商和术语，建立异构信息网络；使用三度影响 力 原则选取三度以内的元结构，并依据所选的元结构和基于元结构的相似度计算技术得到文章库中文章的相似度；提出方法为每个元结构加权来融合文章间基于不同元结构获得的不同的相似度；使用优化 算法 优化以求得使推荐效果最优的权重；为每篇文章根据最优权重下的相似度和年份生成推荐列表。本发明通过元结构将语义信息融入到文章的相似性计算中，增强了引文推荐的可解释性。，下面是基于元结构技术的全局引文推荐方法、推荐系统专利的具体信息内容。
1.一种基于元结构技术的全局引文推荐方法，其特征在于，包括以下步骤：
S1、收集文章，构建原始数据集，原始数据集包括候选文章集与目标文章集；对原始数据集中的文章进行文章提取，得到文章的作者、出版商和术语，并使用文章、文章的作者、出版商和术语四种属性构建文章库；
S2、通过文章库中文章的作者、文章、术语和出版商四种属性建立异构信息网络；
S3、列举所有在异构信息网络中度数在三以内的元结构，并依据所选的元结构和基于元结构的相似度得到文章库中候选文章与目标文章的相似度；
S4、对S3中的每个元结构进行加权，用以融合文章间基于不同元结构获得的不同的相似度；根据候选文章与目标文章之间的相似度，为所有目标文章根据相似度排名生成推荐列表；
S5、使用优化算法优化推荐列表。
2.根据权利要求1所述的基于元结构技术的全局引文推荐方法，其特征在于，所述步骤S1中的术语的提取包括以下步骤：
S11、提取原始数据集中所有的文章信息，并去除信息不全的文章，将题目和摘要作为文章的文本信息；
S12、根据词频和逆文本频率指数相乘得到每个词的TF-IDF，文章中的某个词α的词频计算公式如下：
词a的逆文本频率计算公式如下：
根据词频和逆文本频率计算词a的TF-IDF值，公式如下：
TF-IDF＝TF(a)×IDF(a)
取TF-IDF值排名靠近的词作为文章的关键词；
将每篇文章的文本输入TextBlob工具，得到每篇文章的关键短语；
S13、将步骤S11获得的关键词与步骤S12获得的关键短语进行合并、去重，将去重后的关键词、关键短语作为文章的术语。
3.根据权利要求1所述的基于元结构技术的全局引文推荐方法，其特征在于，所述S2中通过以下步骤建立异构信息网络；
S21、根据每篇文章和该文章包含的术语构建异构信息网络的文章、术语边；
S22、根据每篇文章和该文章的作者构建异构信息网络的文章、作者边；
S23、根据每篇文章和该文章的出版商构建异构信息网络的文章、出版商边；
S24、根据每篇候选文章和该候选文章的引文构建异构信息网络的文章、文章边。
4.根据权利要求1所述的基于元结构技术的全局引文推荐方法，其特征在于，所述S3包括以下步骤：
S31、列举所有在异构信息网络中文章、文章的作者、出版商和术语中度数在三以内的从文章节点出发到文章节点结束的M个元结构，表示为S＝{S1，S2，...，SM}；
S32、使用基于元结构的BSCSE算法处理文章间基于S31中所有元结构的相似度，得到目标文章tpu与候选文章cpi在元结构下的相似度；
原始数据集中K篇目标文章TP＝{tp1，tp2，...，tpK}和N篇候选文章CP＝{cp1，cp2，...，cpN}之间基于所选的M个元结构下的相似度：
其中，tpu表示第u篇目标文章， 表示第u篇目标文章在网络中对应的节点，u∈[1，K]；
Sj表示第j个元结构； 其中，d(Sj)表示元结构Sj的维度；j∈[1，
M]；
cpi表示第i篇候选文章， 表示第i篇候选文章在网络中对应的节点，i∈[1，N]；
表示从目标文章节点 的邻居节点中选出类型为 的节
点，其中，vl表示目标文章节点 的邻居节点中，类型为 的节点中的第l个，表示网络中目标文章节点 的所有邻居节点， 表示目
标文章节点 的邻居节点个数， |V|表示网络中所有节点的个数；r
(vl)∈{文章，作者，出版商，术语}；
表示元结构Sj的第二项；
表示网络中从节点vl开始到候选文章节点 为止，所有满足元结构
的路径实例的个数；其中， 表示Sj去除第一项 的剩余部分的元结构， 表示元结构Sj的第一项；
表示网络中从点vl开始，所有满足元结构 的路径实例的个数，其
中， 表示Sj去除第一项 的剩余部分的元结构， 表示元结构Sj的第一项；
表示网络中从目标文章节点 开始，满足元结构 的路径实例的
个数的β次幂，其中， 表示第u篇目标文章在网络中对应的节点； 表示由元结构Sj的第一项 和第二项 组成的元结构；β是一个权重系数，取值在[0，1]之间。
5.根据权利要求4所述的基于元结构技术的全局引文推荐方法，其特征在于，所述S4包括：
S41、为S31步骤中所选的M个元结构赋予权重，权重依次为W＝{w1，w2，...，wM}；其中，wM表示第M个元结构的权重；
S42、采用相似度模型以衡量目标文章tpu∈TP与候选文章cpi∈CP之间的相似性，相似度模型如下：
6.根据权利要求5所述的基于元结构技术的全局引文推荐方法，其特征在于，所述S5采用粒子群优化算法，包括以下步骤：
S51、将待求解的权重W＝{w1，w2，...，wM}作为粒子群优化算法中待求解的问题，不同权重的排列组合构成解空间中不同的解，在粒子群优化算法第h次迭代中，解xh为并且，每个解xh作为粒子群优化算法中粒子的位置；
S52、在粒子群优化算法的下一次迭代中，解 优化的过程
中，将推荐的召回率作为目标函数，并且每个粒子记录自己所走过的位置中的最优位置pbest，优化过程中也会记录空间中所有粒子走过的位置中的最优位置gbest，设置终止的损失函数值γ，方法遵循以下步骤：
S521、将解中的权重值 输入S42步骤中的相似度模型中，计算所有
目标文章TP与所有候选文章CP之间的相似度，SIM(tpu，cpi)，其中tpu∈TP，cpi∈CP；
S522、根据候选文章与目标文章之间的相似度，为所有目标文章根据相似度排名生成推荐列表，推荐列表长度为25；若某一篇目标文章的推荐列表长度不足25，则以其推荐列表长度为准；
S523、根据推荐结果与目标文章实际的参考文献作对比，计算召回率，公式如下：
其中，K为目标文章的总数， 为目标文章tpu的推荐列表中的所有文章集合， 为目标文章tpu的实际的参考文献集合；
S524、若没有达到设定的迭代次数或Recall@25＜γ，继续下一步S525，否则跳出循环，确定当前的解 为最优解；
S525、计算每个粒子的速度
vh＝vh+c1×rand×(pbest-xh)+c2×rand×(gbest-xh)
其中，vh表示粒子在第h次迭代时的速度，c1，c2为学习因子，rand表示随机数，rand∈(0，1)；
使用粒子的速度来更新第·h+1次迭代时，粒子的位置xh+1＝xh+vh，其中，S53、将步骤S524中的最优权重 输入步骤S42中的相似度模型SIM
(tpu，cpi)中，其中tpu∈TP，cpi∈CP；得到所有目标文章TP和所有候选文章CP之间的相似度；
S54、根据用户的推荐篇数的需求，为每篇目标文章返回相似性排名靠前的候选文章作为全局引文推荐算法的输出。
7.一种基于元结构技术的全局引文推荐系统，其特征在于，
包括：
文章库模块，用以构建文章、文章的作者、出版商和术语四种属性；
异构信息网络模块，用以构建文章、文章的作者、出版商和术语四种属性之间的网络关系；
元结构模块，用以列举所述属性在异构信息网络中度数在三以内的元结构；
BSCSE算法模块，所选的元结构和基于元结构的相似度通过所述BSCSE算法模块得到文章库中候选文章与目标文章的相似度；
相似度模型，用以融合文章间基于不同元结构获得的不同的相似度；
优化算法模块，用以优化相似度模型。
8.根据权利要求7中所述的基于元结构技术的全局引文推荐系统，其特征在于，包括以下步骤建立所述异构信息网络；
S21、根据每篇文章和该文章包含的术语构建异构信息网络的文章、术语边；
S22、根据每篇文章和该文章的作者构建异构信息网络的文章、作者边；
S23、根据每篇文章和该文章的出版商构建异构信息网络的文章、出版商边；
S24、根据每篇文章和该文章的引文构建异构信息网络的文章、文章边。
9.根据权利要求7中所述的基于元结构技术的全局引文推荐系统，其特征在于，所述S3列举所述属性在异构信息网络中度数在三以内的元结构，包括以下步骤：
S31、列举所有在异构信息网络中文章、文章的作者、出版商和术语中度数在三以内的从文章节点出发到文章节点结束的M个元结构，表示为S＝{S1，S2，...，SM}；
S32、使用基于元结构的BSCSE算法处理文章间基于S31中所有元结构的相似度，得到目标文章tpu与候选文章cpi在元结构下的相似度；
原始数据集中K篇目标文章TP＝{tp1，tp2，...，tpK}和N篇候选文章CP＝{cp1，cp2，...，cpN}之间基于所选的M个元结构下的相似度：
其中，tpu表示第u篇目标文章， 表示第u篇目标文章在网络中对应的节点，u∈[1，K]；
Sj表示第j个元结构； 其中，d(Sj)表示元结构Sj的维度；j∈[1，
M]；
cpi表示第i篇候选文章， 表示第i篇候选文章在网络中对应的节点，i∈[1，N]；
表示从目标文章节点 的邻居节点中选出类型为 的节
点，其中，vl表示目标文章节点 的邻居节点中，类型为 的节点中的第l个，表示网络中目标文章节点 的所有邻居节点， 表示目
标文章节点 的邻居节点个数， |V|表示网络中所有节点的个数；r
(vl)∈{文章，作者，出版商，术语}；
表示元结构Sj的第二项；
表示网络中从节点vl开始到候选文章节点 为止，所有满足元结构
的路径实例的个数；其中， 表示Sj去除第一项 的剩余部分的元结构， 表示元结构Sj的第一项；
表示网络中从点vl开始，所有满足元结构 的路径实例的个数，其
中， 表示Sj去除第一项 的剩余部分的元结构， 表示元结构Sj的第一项；
表示网络中从目标文章节点 开始，满足元结构 的路径实例的
个数的β次幂，其中， 表示第u篇目标文章在网络中对应的节点； 表示由元结构Sj的第一项 和第二项 组成的元结构；β是一个权重系数，取值在[0，1]之间。
10.根据权利要求7中所述的基于元结构技术的全局引文推荐系统，其特征在于，所选的元结构和基于元结构的相似度通过所述元结构的BSCSE算法模块得到文章库中候选文章与目标文章的相似度，包括以下步骤：
S41、为S31步骤中所选的M个元结构赋予权重，权重依次为W＝{w1，w2，...，wM}；其中，wM表示第M个元结构的权重；
S42、采用相似度模型以衡量目标文章tpu∈TP与候选文章cpi∈CP之间的相似性，相似度模型如下：
基于元结构技术的全局引文推荐方法、推荐系统
技术领域
初学者对当前领域的认知，同时一定程度上降低错、漏引出现的概率。
和摘要的关键词构成。然后，基于文献内容的知识图谱扩展查询检索词语，知识图谱由文献的研究对象词语和研究行为词语结点，以及表示同义、近义、上下位、部分整体、并列等各种语义关系的边构成。最后，构建数据集中文献的倒排索引，选取候选引文，计算候选引文和查询的相似度，采用梯度渐进回归树来进行引文推荐。
的跳字模型结合负采样的方法将引文上下文与被引文章标题中出现的词嵌入到低维语义
空间得到词向量，构建一个带有注意力机制的双向门控循环单元的编码器和门控循环单元
的解码器框架，将平行语料中的引文上下文通过词向量模型转换为词向量后作为模型的输
入，被引文章标题作为输出来训练模型；将编码器-解码器框架输出的种子标题与待被引文章列表中的所有文章标题逐条进行余弦相似度计算；依据文章年份，选取符合要求的文章
作为推荐列表。
引文上下文和文章主题的相关性来推荐引文。基于图结构的方法相对于基于主题的方法增
加了更多的限定条件，例如将论文合作者信息加入到引文推荐中，构建多层图结构用以分
析特征间的联系。然而每张图只能呈现出两个特征间的关系(邻接矩阵的行和列)，这些分
析方法并不能从全局的角度综合的考量文章与多种特征之间的关系。两种方法相比，基于
主题适用于整理较为干净的文本，对文章的内容信息要求较高。而基于图结构的方法使用
的文章特征较多，虽然精确度较高，但适用场景却十分有限。
发明内容
推荐列表；
表示网络中目标文章节点 的所有邻居节点， 表示目
标文章节点 的邻居节点个数， |V|表示网络中所有节点的个数；r
(vl)∈{文章，作者，出版商，术语}；
表示元结构Sj的第一项；
结构Sj的第一项 和第二项 组成的元结构；β是一个权重系数，取值在[0，1]之间。
置pbest，优化过程中也会记录空间中所有粒子走过的位置中的最优位置gbest，设置终止的损失函数值γ，方法遵循以下步骤：
表示网络中目标文章节点 的所有邻居节点， 表示目
标文章节点 的邻居节点个数， |V|表示网络中所有节点的个数；r
(vl)∈{文章，作者，出版商，术语}；
表示元结构Sj的第一项；
构Sj的第一项 和第二项 组成的元结构；β是一个权重系数，取值在[0，1]之间。
具体实施方式
短语作为文章的术语。
构建中，不加入目标文章与其引文的连边；
表示网络中目标文章节点 的所有邻居节点， 表示
目标文章节点 的邻居节点个数， |V|表示网络中所有节点的个数；r
(vl)表示网络中节点vl的类型，本发明节点的类型为四种，文章、作者，出版商和术语，r(vl)∈{文章，作者，出版商，术语}； 表示元结构Sj的第二项；
表示元结构Sj的第一项。
构Sj的第一项 和第二项 组成的元结构；β是一个权重系数，取值在[0，1]之间。
置pbest，优化过程中也会记录空间中所有粒子走过的位置中的最优位置gbest，设置终止的损失函数值γ，方法遵循以下步骤：
法”和“多层次相互查询算法”的对比如表4所示，在推荐篇数25，50，75时在召回率和归一化折损累计增益两个指标下均对原方法有所提升。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 以密钥基础建设系统实现的电子签验章方法 | 2020-05-15 | 697 |
| 信息记录设备和信息记录方法 | 2020-05-20 | 32 |
| 人体内生长激素变异的检测方法、该变异及其应用 | 2020-05-13 | 1045 |
| 文章推荐方法及其装置 | 2020-05-19 | 82 |
| 一种给文章标注标签的方法和装置 | 2020-05-20 | 517 |
| 一种印章防伪方法 | 2020-05-17 | 489 |
| 一种分布式电子签章方法和系统 | 2020-05-15 | 560 |
| 一种便于携带的财务章存放装置 | 2020-05-13 | 735 |
| 理线器以及电子设备 | 2020-05-13 | 554 |
| 多印章库及用印机 | 2020-05-11 | 252 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
