融合深度学习和链路预测的交叉性研究主题预测研究

摘要：

[研究目的]针对交叉性主题探索相关研究在数据处理规模、信息预测功能方面的不足,引入机器学习技术预测交叉性研究主题,以期为探索学科未来发展规律、优化学科资源布局提供参考建议.[研究方法]在链路预测技术的基础上融合深度学习算法,首先从主题内容入手,在LDA潜在主题模型挖掘获得的文档-主题分布结果中筛选出同一篇文档对应的阈值范围内的主题,并依据属于同一篇文档的主题之间相互关联来构造以主题为节点的无向网络图.然后利用相似性链路预测算法进行主题节点间的相似性度量值.最后,采用LightGBM算法对已链接的主题节点数据进行训练并保存模型后对未链接的主题节点关系进行预测.[研究结论]融合深度学习和链路预测的交叉性研究主题识别模型不仅能够获得产生关联的技术主题内容,同时能够预测主题产生关联的概率大小,提高交叉性研究主题识别的准确度.

关键词：交叉性研究、主题预测、链路预测、隐含狄利克雷分布、LightGBM、深度学习

所属期刊栏目：41

分类号：G255.51(图书馆学、图书馆事业)

资助基金：国家社会科学基金19CTQ030

在线出版日期：2022-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：57-63