基于多源论文信息和异构图卷积网络的论文推荐OA

在浩如烟海的数字学术资源中,如何精准定位与自身研究高度相关的文献,已成为科研工作者面临的一大难题。面向查询的论文推荐(Query-oriented Paper Recommendation, QPR)被视为提升检索效率的有效途径,而图神经网络(GNN)则在其中展现出独特优势。然而,现有基于图的QPR方法仍面临两大瓶颈。一是表征精度不足导致异质语义聚合过于粗糙,难以捕捉细粒度的学术关联。二是权重冗余使得结构相似的边被重复赋权,进一步削弱了模型的判别力与可扩展性。为此,该文提出一种融合异构图注意力卷积(Heterogeneous Graph Attention Convolution, HGAC)的QPR框架。该框架以“论文-摘要-作者”三层异构图为核心,系统整合论文文本中的多源语义信息:一方面,借助作者-主题模型扩充作者节点表征;另一方面,利用文档-主题模型强化论文节点特征。随后,在异构图上执行图注意力卷积,实现跨类型节点的高阶信息融合,自适应权重计算,并通过动态重采样策略优化正负样本分布。实验表明,多源论文信息融合显著提升推荐性能:在AAN与DBLP基准数据集上,该方法的平均精度均值(mAP)分别较现有最佳模型提升11.79%与9.85%,而MRR分别较现有最佳模型提升7.3%和5.3%。