李春英，湯庸，陳國(guó)華，湯志康

(1.肇慶學(xué)院計(jì)算機(jī)學(xué)院，廣東 肇慶 526061;2.華南師范大學(xué) 計(jì)算機(jī)學(xué)院，廣東 廣州 510631;3.廣東技術(shù)師范學(xué)院計(jì)算機(jī)學(xué)院，廣東廣州 510665)

學(xué)術(shù)合作研究越來(lái)越受到人們的重視［1］.在學(xué)術(shù)研究領(lǐng)域有相同研究興趣或者工作在不同學(xué)科、領(lǐng)域的科研人員常常組成一個(gè)團(tuán)隊(duì)進(jìn)行合作，顯然這使得更多的問(wèn)題得到了解決.比如一篇電子商務(wù)方面的論文，可能是從事計(jì)算機(jī)研究、經(jīng)濟(jì)學(xué)研究和管理學(xué)研究的學(xué)者共同的智慧結(jié)晶.實(shí)際上，學(xué)者間高水平的合作具備更強(qiáng)的生產(chǎn)力.因此，找到潛在的成功合作者對(duì)于研究者特別是青年研究者來(lái)說(shuō)是倍受歡迎的.然而，團(tuán)隊(duì)合作常常局限于同一學(xué)科、同一科研院所的內(nèi)部.對(duì)于我國(guó)大多數(shù)二三類(lèi)院校的研究者而言，因缺乏學(xué)術(shù)帶頭人導(dǎo)致眾多研究者特別是青年研究者無(wú)法超越現(xiàn)實(shí)的距離而徘徊不前.而國(guó)內(nèi)外大多數(shù)學(xué)術(shù)搜索引擎，如中國(guó)知網(wǎng)、萬(wàn)方數(shù)據(jù)知識(shí)服務(wù)平臺(tái)、維普資迅、Scirus、Google Scholar、CiteSeer、CiteULike、DBLP、C-DBLP等都具備了文獻(xiàn)檢索的功能，但他們都沒(méi)有對(duì)有著相似研究興趣和潛在合作關(guān)系的學(xué)者進(jìn)行有效地挖掘和推薦.

為了有效地挖掘潛在的合作者并進(jìn)行推薦，本文提出了一個(gè)面向?qū)W術(shù)社區(qū)的專(zhuān)家推薦系統(tǒng)模型.在這個(gè)學(xué)術(shù)社區(qū)內(nèi)，用戶(hù)可以按照關(guān)鍵字搜索相關(guān)論文;系統(tǒng)可以根據(jù)用戶(hù)的研究興趣，為用戶(hù)自動(dòng)推薦最新的相關(guān)論文;另外還可以自動(dòng)管理用戶(hù)的學(xué)術(shù)資料，如果用戶(hù)有新論文發(fā)表出來(lái)，當(dāng)用戶(hù)登錄時(shí)，系統(tǒng)將會(huì)提醒用戶(hù)將該論文收藏到自己的主頁(yè)中，這樣就極大地方便了用戶(hù)對(duì)自己資料的管理，同時(shí)可以讓其他用戶(hù)及時(shí)地了解到自己的最新工作進(jìn)展［2］.除常規(guī)功能外，本文著重論述學(xué)術(shù)專(zhuān)家推薦模型的設(shè)計(jì)及實(shí)驗(yàn)測(cè)評(píng).該模型包括3個(gè)部分:1)通過(guò)分析學(xué)者公開(kāi)發(fā)表的論文被引用的次數(shù)、錄用期刊的影響因子以及發(fā)表論文的數(shù)量3個(gè)方面對(duì)學(xué)者的學(xué)術(shù)價(jià)值進(jìn)行量化;2)利用主題模型提取學(xué)者的研究方向;3)對(duì)搜索關(guān)鍵詞進(jìn)行查詢(xún)擴(kuò)展，并計(jì)算其與作者主題詞之間的相關(guān)度，按相關(guān)度排序在推薦系統(tǒng)中給出用戶(hù)需要的學(xué)者專(zhuān)家列表，其中用戶(hù)可按影響力進(jìn)行排序.

1 專(zhuān)家推薦模型的相關(guān)工作

專(zhuān)家推薦模型是一種面向?qū)W術(shù)領(lǐng)域的學(xué)術(shù)推薦搜索引擎.對(duì)于學(xué)術(shù)推薦，近年來(lái)人們開(kāi)展了大量的研究工作并取得了豐碩的研究成果.文獻(xiàn)［3］在CiteULike社區(qū)結(jié)合了傳統(tǒng)的協(xié)同過(guò)濾的優(yōu)點(diǎn)和概率主題模型進(jìn)行建模，為用戶(hù)推薦論文.文獻(xiàn)［4］提出一個(gè)基于合作發(fā)現(xiàn)的搜索引擎，為學(xué)者推薦潛在的學(xué)術(shù)研究合作伙伴.對(duì)于學(xué)術(shù)搜索引擎，文獻(xiàn)［2］已經(jīng)做了非常詳盡的闡述，在此不再贅述.

總之，在目前提供學(xué)術(shù)信息服務(wù)的所有中文搜索引擎中，都沒(méi)有提供推薦用戶(hù)感興趣的領(lǐng)域?qū)＜曳?wù).如果結(jié)合學(xué)術(shù)社區(qū)提供一個(gè)易于使用的專(zhuān)家推薦服務(wù)，一定能使科研工作者特別是青年科研工作者感興趣，并可能給他們未來(lái)的研究工作帶來(lái)極大方便.下面將分別闡述面向?qū)W術(shù)社區(qū)的專(zhuān)家推薦模型的詳細(xì)設(shè)計(jì)和實(shí)驗(yàn)評(píng)估，系統(tǒng)的整體架構(gòu)如圖1所示.

圖1 系統(tǒng)的整體架構(gòu)Fig.1 The system architecture

2 模型的詳細(xì)設(shè)計(jì)

2.1 成果量化

對(duì)于獲得諾貝爾獎(jiǎng)的科學(xué)家而言，他們研究工作的影響和主題相關(guān)性是毋庸置疑的.但對(duì)于大多數(shù)的研究人員而言，該如何量化個(gè)人科研成果累積的影響和相關(guān)性?科研人員公開(kāi)發(fā)表的論文記錄顯然是對(duì)量化有用的信息.各個(gè)科研機(jī)構(gòu)往往是利用科研人員有限的成果資源，進(jìn)行比較和評(píng)價(jià).雖然這種量化可能使人反感，但在高校、科研院所，它是科研人員職務(wù)招聘、晉升職稱(chēng)和補(bǔ)助獎(jiǎng)勵(lì)的有效依據(jù).J.E.Hirsch在文獻(xiàn)［5］中提出利用個(gè)人在過(guò)去 n年時(shí)間內(nèi)發(fā)表的論文數(shù)量p、論文被引用的次數(shù)c和錄用期刊的影響因子去評(píng)估個(gè)人的科研成果，即所謂的 H 參數(shù).J.E.Hirsch的 H 參數(shù)在物理學(xué)科［6-7］和在科學(xué)計(jì)量學(xué)［8］方面得到了驗(yàn)證并獲得了廣泛的認(rèn)同，表明該參數(shù)對(duì)于量化個(gè)人的科研成果是有效的.J.E.Hirsch提出 H 參數(shù)的具體量化公式［5］如式(1)所示.

式(1)中未直接考慮期刊的影響因子對(duì)H參數(shù)的影響.因此對(duì)其加以改進(jìn)，使其能夠更加準(zhǔn)確地量化個(gè)人的科研成果.

2.2 概率主題模型

概率主題模型越來(lái)越多地應(yīng)用于圖像處理和自然語(yǔ)言處理領(lǐng)域.在自然語(yǔ)言處理領(lǐng)域中，主題可以看成是詞項(xiàng)的概率分布.主題模型通過(guò)詞項(xiàng)在文檔級(jí)的共現(xiàn)信息抽取出語(yǔ)義相關(guān)的主題集合，并能夠?qū)⒃~項(xiàng)空間中的文檔變換到主題空間，得到文檔在低維空間中的表達(dá).這為語(yǔ)料庫(kù)挖掘、文檔分類(lèi)和信息檢索工作提供了極大的便利.本文將使用主題模型抽取作者全部文章的主題信息，進(jìn)而形成作者研究方向的主題集合.

使用主題模型對(duì)文檔的生成過(guò)程進(jìn)行模擬，再通過(guò)參數(shù)估計(jì)得到各個(gè)主題.最簡(jiǎn)單的主題模型是LDA(latent Dirichlet allocation)［9］.假定 φt表示主題t中的詞項(xiàng)概率分布;θj表示第j篇文檔的主題概率分布;φt、θj又作為多項(xiàng)式分布的參數(shù)分別用于生成單詞和主題，服從Dirichlet分布;T代表主題數(shù)目;M代表文檔數(shù)目;Nj表示第j篇文檔的長(zhǎng)度;ωjn和Zjn分別表示第j篇文檔中第n個(gè)單詞及其主題;α和β是Dirichlet分布的參數(shù)，通常是固定值且是對(duì)稱(chēng)分布的［10］.

則對(duì)于語(yǔ)料庫(kù)中的每一篇文檔ωj，LDA的生成過(guò)程如下:

1)對(duì)主題采樣 φt～Dir(β)，t∈［1，T］;

2)采樣主題概率分布θj～Dir(α);

3)采樣文檔的單詞數(shù)目N～Poiss(ξ);

4)對(duì)文檔j中的每個(gè)單詞n:

①選擇隱含主題Zjn～Multinomial(θj);

②生成一個(gè)單詞ωjn～Multinomial(φZ(yǔ)jn).

這個(gè)過(guò)程表明了從每一篇文檔中提取主題詞的過(guò)程.對(duì)于給定的語(yǔ)料庫(kù)，根據(jù)給定的最優(yōu)化目標(biāo)函數(shù)，使用Gibbs參數(shù)估計(jì)方法得到對(duì)參數(shù)的估計(jì)值.利用訓(xùn)練好的模型對(duì)新文檔進(jìn)行推斷，發(fā)現(xiàn)T個(gè)主題，進(jìn)而將指定的詞項(xiàng)空間表達(dá)的文檔分解降維，得到所需要的主題集合.

2.3 查詢(xún)擴(kuò)展

查詢(xún)擴(kuò)展是查詢(xún)優(yōu)化的一個(gè)分支研究方向，也是目前改善信息檢索中查全率和查準(zhǔn)率的關(guān)鍵技術(shù)之一.查詢(xún)擴(kuò)展是指為了保證用戶(hù)搜索時(shí)使用的關(guān)鍵詞和作者主題詞相關(guān)，需將用戶(hù)搜索時(shí)使用的關(guān)鍵詞進(jìn)行語(yǔ)義擴(kuò)展，把與原關(guān)鍵詞語(yǔ)義相關(guān)的詞或詞組添加到原查詢(xún)中，得到比原查詢(xún)更長(zhǎng)的新查詢(xún)，以便更完整、更準(zhǔn)確地描述原查詢(xún)所隱含的語(yǔ)義，幫助其提供更多有利于判斷文檔相關(guān)性的信息，提高檢索的查全率和查準(zhǔn)率.

隱性語(yǔ)義索引(latent semantic indexing，LSI)［11］用于發(fā)現(xiàn)文本中詞項(xiàng)－文檔之間的語(yǔ)義關(guān)系.在LSI模型中，詞項(xiàng)－文檔矩陣C用于表示詞項(xiàng)和文檔之間的關(guān)系，C=(Cij)，其中Cij表示第i個(gè)詞項(xiàng)在第j篇文檔中的權(quán)重值，即第i個(gè)詞項(xiàng)在第j篇文檔中出現(xiàn)的次數(shù).

LSI通過(guò)奇異值分解對(duì)高維稀疏的詞項(xiàng)－文檔矩陣構(gòu)造低階最佳近似，以減輕計(jì)算的復(fù)雜度.適用奇異值分解降維的基本思想為:假設(shè)Cm×n是詞項(xiàng)－文檔矩陣;m是詞項(xiàng)空間的維度，n是文檔個(gè)數(shù)，則CCT是m階對(duì)稱(chēng)方陣，其元素(i，j)代表了詞項(xiàng)i和詞項(xiàng)j的共現(xiàn)次數(shù)，反映了任意2個(gè)詞項(xiàng)(i，j)之間的相似度.則

2)存在正交矩陣 Um×r、Vm×r和廣義對(duì)角陣 Σr×r(其 中 Σii= σi)使 得 C=UΣVT，則 CCT=UΣVTVΣUT=UΣ2UT.

2.4 相關(guān)度計(jì)算

當(dāng)用戶(hù)進(jìn)行查詢(xún)請(qǐng)求時(shí)，首先將關(guān)鍵詞經(jīng)過(guò)中文分詞處理，然后對(duì)其分詞結(jié)果進(jìn)行查詢(xún)擴(kuò)展，并將所有結(jié)果作為查詢(xún)關(guān)鍵詞向量U的分量，個(gè)數(shù)作為關(guān)鍵詞向量空間的維數(shù).最后使用Salton的TF-IDF公式計(jì)算向量U中每個(gè)關(guān)鍵詞分量的權(quán)值，詳見(jiàn)式(3).

式中:tik表示關(guān)鍵詞分量Uk在主題向量Tid中出現(xiàn)的次數(shù)，N表示主題詞庫(kù)中主題向量的總數(shù)，nk表示主題詞庫(kù)中含有關(guān)鍵詞Uk的主題向量數(shù).因此，查詢(xún)關(guān)鍵詞被擴(kuò)展為一個(gè)查詢(xún)關(guān)鍵詞向量:向量的維數(shù)就是分詞后的中文詞語(yǔ)個(gè)數(shù)，向量每一維分量的大小就是每個(gè)分量的權(quán)值.對(duì)每一個(gè)主題向量Tid，每個(gè)主題分量的權(quán)值取文檔主題的概率分布值.因此主題向量分量的權(quán)值可用其對(duì)應(yīng)的概率分布值表示即Pid=［Pid1Pid2…Pidn］.此時(shí)，要計(jì)算關(guān)鍵詞和主題向量的相關(guān)度，可以認(rèn)為是向量U和向量Tid之間的相關(guān)度，而計(jì)算向量之間的相關(guān)度，可以使用向量夾角余弦系數(shù)進(jìn)行衡量，如式(4)所示，最后按相關(guān)度大小進(jìn)行排序并將結(jié)果頁(yè)面推薦給用戶(hù).

3 實(shí)驗(yàn)評(píng)估

3.1 成果量化實(shí)驗(yàn)

量化計(jì)算關(guān)鍵在于數(shù)據(jù)庫(kù)的設(shè)計(jì)和查詢(xún)算法.論文和作者是多對(duì)多的關(guān)系，為了分擔(dān)部分計(jì)算壓力、提高查詢(xún)性能，需提前計(jì)算好部分?jǐn)?shù)據(jù)結(jié)果.因此，需將SCHOLAT數(shù)據(jù)集中的數(shù)據(jù)分成3個(gè)部分.

1)論文信息表:論文ID(主鍵)、論文名稱(chēng)、作者、作者單位、發(fā)表刊物、影響因子、出版年份、參考文獻(xiàn)、引用次數(shù).

2)論文作者關(guān)系表:論文ID(外鍵)、作者.

將論文信息表中的作者(合作者)、作者單位進(jìn)行分詞處理并將結(jié)果存入論文作者關(guān)系表、作者信息表.當(dāng)有信息更新時(shí)，系統(tǒng)將論文信息處理后分別存入論文信息表、論文作者關(guān)系表和作者信息表，并更新C值和IF值字段，進(jìn)而更新作者信息表的H值.

從學(xué)者網(wǎng)(SCHOLAT)數(shù)據(jù)集中選取湯庸等100位學(xué)者在2006年1月1日—2010年12月31日5年共2 513篇論文進(jìn)行量化，從中剔除了引用次數(shù)為0的論文373篇，實(shí)際參加測(cè)試的論文數(shù)目為2 140篇，實(shí)驗(yàn)所需期刊影響因子數(shù)據(jù)來(lái)源于中國(guó)科技期刊引證報(bào)告(核心版)和維普資訊網(wǎng).實(shí)驗(yàn)結(jié)果顯示量化模型有效.因SCHOLAT數(shù)據(jù)集目前不包括英文文獻(xiàn)，導(dǎo)致總體量化值偏低，但與期望值相似.按職務(wù)量化求均值后的結(jié)果如表1所示.

表1 學(xué)者成果量化值Table 1 Quantify the achievements of a scholar

3.2 概率主題模型實(shí)驗(yàn)

實(shí)驗(yàn)中，設(shè)定 Gibbs算法的迭代次數(shù)是1 000次，經(jīng)多次實(shí)驗(yàn)，Dirichlet的先驗(yàn)參數(shù)α和β取值為α=20/K，β=0.01，起到了平滑數(shù)據(jù)的作用.采用Perplexity評(píng)估方法(如式(5)所示)確定最佳主題個(gè)數(shù)T=200，如圖2所示.在SCHOLAT數(shù)據(jù)集上將作者全部文章的標(biāo)題和摘要合并后分詞，將分詞后的詞項(xiàng)集合和最佳T值作為L(zhǎng)DA算法的輸入項(xiàng)，得到每個(gè)作者論文的潛在主題集合，將每個(gè)潛在主題下概率最大的詞項(xiàng)提取出來(lái)構(gòu)成每個(gè)作者研究方向向量Tid，并將每個(gè)主題的概率分布值作為其在向量Pid中的權(quán)值.

式中:Nd為文本d的長(zhǎng)度，p(dd)是待測(cè)試模型產(chǎn)生文檔dd的概率.

圖2 主題個(gè)數(shù)與困惑度的變化關(guān)系Fig.2 Relation of number of topics and perplexity

3.3 查詢(xún)擴(kuò)展及相關(guān)度計(jì)算實(shí)驗(yàn)

從論文庫(kù)中抽取成果量化值大于5的計(jì)算機(jī)相關(guān)研究方向的100個(gè)作者的2 513篇論文，將每一個(gè)作者名下的文章標(biāo)題和摘要合并成一篇文檔，則參與測(cè)試的文檔數(shù)目為100，然后對(duì)100篇文檔進(jìn)行分詞，去掉停用詞等沒(méi)有實(shí)際意義的信息后，共175 910個(gè)詞項(xiàng)參與實(shí)驗(yàn)，編寫(xiě)實(shí)驗(yàn)源程序建立詞項(xiàng)－文檔共生矩陣C，使用Lanczos算法計(jì)算SVD，對(duì)所建立的高維稀疏的詞項(xiàng)－文檔矩陣分解降維.實(shí)驗(yàn)取得最佳K值，K=53 853，計(jì)算并輸出Ck，進(jìn)而輸出A=CkCTk，則矩陣A為詞項(xiàng)－詞項(xiàng)的相關(guān)度矩陣，Auv表示詞項(xiàng)u和詞項(xiàng)v的相關(guān)度權(quán)值.查詢(xún)時(shí)將與用戶(hù)關(guān)鍵詞相關(guān)度最大的前200個(gè)詞項(xiàng)作為擴(kuò)展詞項(xiàng)加入到用戶(hù)的查詢(xún)中，其中用戶(hù)的原始查詢(xún)?cè)~項(xiàng)最能直接反映用戶(hù)查詢(xún)意圖，其權(quán)值置為最大.在相關(guān)度計(jì)算方面，以單個(gè)詞項(xiàng)查詢(xún)作為測(cè)試條件，選擇查詢(xún)擴(kuò)展向量與作者主題向量進(jìn)行向量夾角余弦系數(shù)計(jì)算時(shí)，系統(tǒng)的響應(yīng)時(shí)間為132 ms.這顯然比設(shè)計(jì)成與矩陣Ck中的每一列列向量進(jìn)行向量夾角余弦系數(shù)計(jì)算的方案的系統(tǒng)響應(yīng)時(shí)間要少很多.因此，在查全率和查準(zhǔn)率近似的情況下，前者大大降低了計(jì)算的復(fù)雜度，提高了系統(tǒng)的響應(yīng)時(shí)間.

4 結(jié)束語(yǔ)

提出了一個(gè)面向?qū)W術(shù)社區(qū)的專(zhuān)家推薦系統(tǒng)模型，給出了系統(tǒng)的總體架構(gòu)及各個(gè)部分的詳細(xì)設(shè)計(jì)方案，在SCHOLAT數(shù)據(jù)集上做實(shí)驗(yàn)驗(yàn)證了模型的有效性.其中，成果量化模型和概率主題模型部分均為離線運(yùn)算，降低了系統(tǒng)的壓力.不足之處是成果量化模型中選擇參與計(jì)算的成果時(shí)間跨度較小且沒(méi)有考慮合作者的權(quán)重問(wèn)題，主要原因是目前SCHOLAT數(shù)據(jù)集有些數(shù)據(jù)不夠充分，以及無(wú)法批量獲得論文的通信作者信息，下一步應(yīng)用時(shí)將主要解決這些問(wèn)題.

［1］HUANG J，ZHUANG Z，LI J，et al.Collaboration over time:characterizing and modeling network evolution［C］//Proceedings of the International Conference on Web Search and Web Data Mining.Palo Alto，USA，2008:107-116.

［2］陳國(guó)華，湯庸，彭澤武，等.基于學(xué)術(shù)社區(qū)的學(xué)術(shù)搜索引擎設(shè)計(jì)［J］.計(jì)算機(jī)科學(xué)，2011，38(8):171-175.CHEN Guohua，TANG Yong，PENG Zewu，et al.Design of an academic search engine based on the scholar community［J］.Computer Science，2011，38(8):171-175.

［3］WANG Chong，BLEI D M.Collaborative topic modeling for recommending scientific articles［C］//Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York，USA，2011:448-456.

［4］CHEN H H，GOU Liang，ZHANG Xiaolong，et al.Collabseer:a search engine for collaboration discovery［C］//Proceedings of JCDL.Ottawa，Canada，2011:231-240.

［5］HIRSCH J E.An index to quantify an individual’s scientific research output［J］.The National Academy of Sciences of the USA，2005，102(46):16569-16572.

［6］POPOV S B.A parameter to quantify dynamics of a researcher’s scientific activity［EB/OL］.［2011-11-03］.http://arxiv.org/abs/physics/0508113.

［7］BATISTA P D，CAMPITELI M G，KINOUCHI O，et al.A complementary index to quantify an individual’s scientific research output［J］.Scientometrics，2006，68(1):179-189.

［8］BORNMANN L，DANIEL H D.Does the h-index for ranking of scientists really work?［J］.Scientometrics，2005，65(3):391-392.

［9］BLEI D，NG A，JORDAN M.Latent dirichlet allocation［J］.Journal of Machine Learning Research，2003，3:993-1022.

［10］徐戈，王厚峰.自然語(yǔ)言處理中主題模型的發(fā)展［J］.計(jì)算機(jī)學(xué)報(bào)，2011，34(8):1423-1436.

XU Ge，WANG Houfeng.The development of topic models in natural language processing［J］.Chinese Journal of Computers，2011，34(8):1423-1436.

［11］DEERWESTER S，DUMAIS S T，LANDAUER T K，et al.Indexing by latent semantic analysis［J］.Journal of The American Society for Information Science，1990，41(6):391-407.