5个研究背景和意义示例,教你写计算机引文网络论文

今天分享的是关于引文网络的5篇计算机毕业论文范文, 如果你的论文涉及到引文网络等主题,本文能够帮助到你 基于多属性特征的论文推荐系统设计与实现 这是一篇关于图嵌入,引文网络

今天分享的是关于引文网络的5篇计算机毕业论文范文, 如果你的论文涉及到引文网络等主题,本文能够帮助到你

基于多属性特征的论文推荐系统设计与实现

这是一篇关于图嵌入,引文网络,推荐算法,推荐系统的论文, 主要内容为根据某篇目标论文寻找相似论文,是科研人员的常见需求,学术论文推荐系统能够帮助科研人员从快速增加的海量学术大数据中过滤提取有效信息。推荐算法是推荐系统的主要研究对象之一,不同的推荐算法适用于不同的数据。学术论文包含多属性特征,既可以使用基于文本特征的推荐算法,也可以根据引文、共引等信息构建同构网络、根据文章、作者、机构等信息构建异构网络,对网络使用基于图特征的推荐算法。现有的论文推荐方法存在许多问题。经典的基于同构网络的论文推荐方法损失了多种顶点类和边类构成的复杂论文网络的结构信息,而大多数基于图的推荐算法都忽略了论文文本信息。且无论同构或异构的图嵌入方法,在新增节点后均需要重新训练。还有一些加入了文本的特征的基于图嵌入的论文推荐方法,它们融合的文本或结构特征较简单,没有考虑摘要信息的文本相似度和论文作者及所属机构带来的结构关系。针对以上问题,本文提出了在同构网络的基础上融入异构网络表征学习、文本表征学习方法的论文多属性特征推荐算法:该推荐算法首先利用引文网络,基于引文的结构将论文转化为向量。再利用含有文章、作者、机构信息的异构网络,将论文基于作者和机构的论文信息转化为向量。然后通过摘要和标题的文本信息得到文本特征向量。接着对于每篇论文,使用基于引文结构特征、异构网络特征和文本特征的相似论文重构引文网络,最后根据加入多属性特征的重构引文网络进行保留结构性和同质性特征的图嵌入,得到每篇论文的多属性嵌入向量,最终推荐列表由向量相似度计算得到。在ar Xiv子数据集上的实验结果表明,本算法在精确率、准确率、召回率、F1四个指标上部分优于对比算法。结合上述推荐算法,本文设计实现了论文推荐原型系统,包含基本的查询、搜索功能,支持用户自定义的基于多属性特征的论文推荐方法,对新增论文,避免图表征学习重训练,直接进行推荐。本系统使用Python进行后端开发,Qt和flask框架进行前端开发,My SQL作为数据库实现系统。

基于引用网络的主题发展分析系统

这是一篇关于引文网络,关系分析,多维分析,数据可视化的论文, 主要内容为学术文献是科学研究人员明确科研方向或思路、传递学术价值信息、了解研究主题动态及发展规律的重要知识载体。伴随着学术大数据时代的到来,数字化信息资源爆炸式增长,入门学者检索信息时,很难获取、辨别与自己研究主题相关的文献资源,无法对自己的研究主题的现状及发展趋势有初步认识。因此本文设计完成了基于引用网络的主题发展分析系统,以可视化方式帮助入门学者获取主题内关键文献,完成体系化阅读需求,并基于时序引文网络完成主题发展分析。本系统包括五个功能模块,数据管理模块主要完成数据采集、数据清洗、数据格式转换、数据分布式存储及查询效率优化;文献关系分析模块有文献管理、根据引用关系构建主题初识引用网络、基于图卷积网络的社区聚类的功能;主题计量分析模块主要根据聚类的主题分类情况进行向前探查被引用关系将网络进行补齐,然后对完整的引文网络进行文献排名和网络分析;主题多维分析模块通过对文献数据进行指标定义并构建数据立方体,完成了文献数据的多维层级分析、多维整体分析;主题发展分析模块主要完成引文网络的时序划分,研究主题的热度、前沿性指标的数据建模分析。根据上述功能需求,采用JAVA语言、HDFS存储技术、Kylin分析引擎、SSM框架构建了基于引用网络的主题发展分析系统,并使用Echarts技术将分析结果可视化。本文选取学术文献数据验证了系统分析结果的可靠性,能够帮助入门学者在海量文献数据中挖掘可参考的文献资源,主题多维分析和主题发展分析一定程度上能够反映出研究主题的现状及发展脉络。

基于引用网络的主题发展分析系统

这是一篇关于引文网络,关系分析,多维分析,数据可视化的论文, 主要内容为学术文献是科学研究人员明确科研方向或思路、传递学术价值信息、了解研究主题动态及发展规律的重要知识载体。伴随着学术大数据时代的到来,数字化信息资源爆炸式增长,入门学者检索信息时,很难获取、辨别与自己研究主题相关的文献资源,无法对自己的研究主题的现状及发展趋势有初步认识。因此本文设计完成了基于引用网络的主题发展分析系统,以可视化方式帮助入门学者获取主题内关键文献,完成体系化阅读需求,并基于时序引文网络完成主题发展分析。本系统包括五个功能模块,数据管理模块主要完成数据采集、数据清洗、数据格式转换、数据分布式存储及查询效率优化;文献关系分析模块有文献管理、根据引用关系构建主题初识引用网络、基于图卷积网络的社区聚类的功能;主题计量分析模块主要根据聚类的主题分类情况进行向前探查被引用关系将网络进行补齐,然后对完整的引文网络进行文献排名和网络分析;主题多维分析模块通过对文献数据进行指标定义并构建数据立方体,完成了文献数据的多维层级分析、多维整体分析;主题发展分析模块主要完成引文网络的时序划分,研究主题的热度、前沿性指标的数据建模分析。根据上述功能需求,采用JAVA语言、HDFS存储技术、Kylin分析引擎、SSM框架构建了基于引用网络的主题发展分析系统,并使用Echarts技术将分析结果可视化。本文选取学术文献数据验证了系统分析结果的可靠性,能够帮助入门学者在海量文献数据中挖掘可参考的文献资源,主题多维分析和主题发展分析一定程度上能够反映出研究主题的现状及发展脉络。

基于引文网络的文献在线推荐系统研究和实现

这是一篇关于文献推荐,数据挖掘,引文网络,核心文献的论文, 主要内容为近几年来学术文献的飞速增长,仅2015年一年发表的论文数量就高达百万篇,海量的文献给研究者带来了诸多可以参考的资源,但是如何从海量的文献以较短的时间检索到该领域的核心论文成为亟待解决的问题。在线文献推荐系统旨在对于给定文献或者检索特定关键词的时候,系统能够以自动化实时的方式推荐合适的引文给用户,从而提高研究者撰写论文效率。针对上述问题,本文设计了一种新的文献在线推荐系统,实现文献的在线实时推荐,该系统提供多种格式的种子文献输入接口,根据用户的输入,以百度学术为入口,通过计算机6大主流数据库构建完整的文献引用网络,通过MCL算法进行引文网络的聚类并且通过PageRank算法对引文的被引次数排名,以此来确定引文的主干方向和文章的权威性,挖掘出由种子文献构造的第一层核心文献,然后,以第一层的核心文献作为二次种子文献进行二次数据挖掘,找出由第一层核心文献构造的二层参考文献引用网络和引用第一层核心文献构造的最新文献引用网络,构成完整的一个引文网络。综合以上结果,系统最终以可视化的方式进行文献推荐结果的展示,方便学术研究。该系统主要包含五个模块,分别是参考文献列表提取模块,主要是实现参考文献的标题、作者、出版日期等元素的分离;引用网络的数据获取模块,主要实现参考文献引用网络的构建;参考文献引用网络的数据挖掘模块,主要实现的是在已有的引用网络上通过数据挖掘的方法找出该领域的核心文献;最后两个模块是文献在线推荐系统的可视化模块,和用户个人模块。最后从文献在线推荐的效果上来看,该系统能够在海量的文献中找出该领域的核心文献,并且相对于传统的学术推荐,该系统还能挖掘出最新经典文献以及基于个性化推荐,该系统相对于传统的引文推荐系统具有更加明显的优势。

基于多属性特征的论文推荐系统设计与实现

这是一篇关于图嵌入,引文网络,推荐算法,推荐系统的论文, 主要内容为根据某篇目标论文寻找相似论文,是科研人员的常见需求,学术论文推荐系统能够帮助科研人员从快速增加的海量学术大数据中过滤提取有效信息。推荐算法是推荐系统的主要研究对象之一,不同的推荐算法适用于不同的数据。学术论文包含多属性特征,既可以使用基于文本特征的推荐算法,也可以根据引文、共引等信息构建同构网络、根据文章、作者、机构等信息构建异构网络,对网络使用基于图特征的推荐算法。现有的论文推荐方法存在许多问题。经典的基于同构网络的论文推荐方法损失了多种顶点类和边类构成的复杂论文网络的结构信息,而大多数基于图的推荐算法都忽略了论文文本信息。且无论同构或异构的图嵌入方法,在新增节点后均需要重新训练。还有一些加入了文本的特征的基于图嵌入的论文推荐方法,它们融合的文本或结构特征较简单,没有考虑摘要信息的文本相似度和论文作者及所属机构带来的结构关系。针对以上问题,本文提出了在同构网络的基础上融入异构网络表征学习、文本表征学习方法的论文多属性特征推荐算法:该推荐算法首先利用引文网络,基于引文的结构将论文转化为向量。再利用含有文章、作者、机构信息的异构网络,将论文基于作者和机构的论文信息转化为向量。然后通过摘要和标题的文本信息得到文本特征向量。接着对于每篇论文,使用基于引文结构特征、异构网络特征和文本特征的相似论文重构引文网络,最后根据加入多属性特征的重构引文网络进行保留结构性和同质性特征的图嵌入,得到每篇论文的多属性嵌入向量,最终推荐列表由向量相似度计算得到。在ar Xiv子数据集上的实验结果表明,本算法在精确率、准确率、召回率、F1四个指标上部分优于对比算法。结合上述推荐算法,本文设计实现了论文推荐原型系统,包含基本的查询、搜索功能,支持用户自定义的基于多属性特征的论文推荐方法,对新增论文,避免图表征学习重训练,直接进行推荐。本系统使用Python进行后端开发,Qt和flask框架进行前端开发,My SQL作为数据库实现系统。

本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码项目助手 ,原文地址:https://m.bishedaima.com/lunwen/53236.html

相关推荐

发表回复

登录后才能评论