本發(fā)明涉及文獻研究關(guān)聯(lián)度計算，特別涉及一種基于多維特征融合的文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法。

背景技術(shù)：

1、文獻研究領(lǐng)域關(guān)聯(lián)度量化方法主要分為基于單一關(guān)系建模和多維特征增強的方法。傳統(tǒng)的基于單一關(guān)系建模的方法主要側(cè)重于合著關(guān)系或引用關(guān)系等單一類型關(guān)聯(lián)，這類方法難以全面捕捉文獻間的多維交叉關(guān)聯(lián)，特別是在高度交叉融合的研究背景下，無法滿足多層次分析需求，限制了其在文獻檢索、跨學(xué)科研究領(lǐng)域的應(yīng)用。

2、現(xiàn)有的基于多維特征增強的方法，多依賴于基于知識圖譜的基本節(jié)點屬性及其連接關(guān)系，但特征表征深度不足，難以揭示節(jié)點間的特征差異，從而導(dǎo)致關(guān)聯(lián)度計算精度低，且缺乏實證數(shù)據(jù)研究支持，結(jié)果可解釋性也不足。近年來，圖神經(jīng)網(wǎng)絡(luò)（gnn）逐漸被應(yīng)用于圖數(shù)據(jù)分析中，具有增強特征表達能力的優(yōu)勢。

3、然而，現(xiàn)有g(shù)nn方法大多采用單一圖結(jié)構(gòu)，更多關(guān)注文獻的直接領(lǐng)域特征提取應(yīng)用于文獻領(lǐng)域分類任務(wù)，未能深入挖掘文獻間的復(fù)雜關(guān)聯(lián)特征作用于更細化的文獻研究領(lǐng)域關(guān)聯(lián)度計算任務(wù)上。此外，現(xiàn)有技術(shù)在跨學(xué)科科研能力評估上尚未實現(xiàn)學(xué)者特征的有效區(qū)分，導(dǎo)致在文獻檢索和多學(xué)科領(lǐng)域研究中，難以準(zhǔn)確反映不同學(xué)者在交叉研究中的貢獻和影響力。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的問題是：提供一種基于多維特征融合的文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法，用于從大量文獻中快速鎖定最相關(guān)資料，減少操作時間，加速科研進程，使得文獻研究更好地滿足實際科研需求，同時進行學(xué)者特征的有效區(qū)分。

2、本發(fā)明采用如下技術(shù)方案：一種基于多維特征融合的文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法，包括如下步驟：

3、步驟1、從文獻數(shù)據(jù)庫獲取目標(biāo)文獻數(shù)據(jù)，抽取文獻元數(shù)據(jù)并進行預(yù)處理，生成初始化文獻向量和文獻研究領(lǐng)域關(guān)聯(lián)程度標(biāo)簽，并進行目標(biāo)文獻數(shù)據(jù)集平衡；

4、步驟2、基于文獻元數(shù)據(jù)構(gòu)建多個無向圖和鄰接矩陣，表示文獻之間的多維關(guān)聯(lián)關(guān)系；

5、步驟3、構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)模型，對文獻節(jié)點進行多維特征融合，選擇最優(yōu)聚合策略增強文獻節(jié)點的關(guān)聯(lián)表示能力，得到增強后的文獻節(jié)點特征；

6、步驟4、基于增強后的文獻節(jié)點特征，計算文獻間的領(lǐng)域相關(guān)性，并通過迭代訓(xùn)練模型，動態(tài)更新文獻節(jié)點特征向量，評估文獻研究領(lǐng)域關(guān)聯(lián)程度量化的有效性；

7、步驟5、結(jié)合最小維球模型，對學(xué)者的跨領(lǐng)域科研能力進行量化比較，進行學(xué)者特征的有效區(qū)分。

8、優(yōu)選地，步驟1方法如下：

9、步驟1.1、從文獻數(shù)據(jù)庫獲取目標(biāo)文獻數(shù)據(jù)，抽取關(guān)鍵元數(shù)據(jù)，包括：文獻的標(biāo)題、摘要、關(guān)鍵詞、作者、出版信息；

10、步驟1.2、進行文獻元數(shù)據(jù)預(yù)處理，得到初始化文獻向量：

11、剔除缺失關(guān)鍵元數(shù)據(jù)的文獻；應(yīng)用停用詞表，通過正則表達式去除文獻標(biāo)題和摘要中預(yù)設(shè)的常見停用詞；使用jieba分詞工具對文獻標(biāo)題和摘要進行中文分詞，利用doc2vec模型對分詞后的文本進行訓(xùn)練，模型參數(shù)size為文獻向量維度，生成每篇文獻的語義特征向量；

12、步驟1.3、進行文獻元數(shù)據(jù)的預(yù)處理，從文獻元數(shù)據(jù)中提取領(lǐng)域分類號字段，統(tǒng)一處理為固定長度字符串，用于表示領(lǐng)域大類和子研究領(lǐng)域，對處理后的領(lǐng)域分類號進行前綴匹配，生成文獻研究領(lǐng)域關(guān)聯(lián)程度標(biāo)簽；

13、步驟1.4、在平衡采樣過程中進行分層抽樣，對于每個前綴類別，若樣本數(shù)量小于或等于設(shè)定的樣本數(shù)，則全部保留；若樣本數(shù)量大于設(shè)定樣本數(shù)，則設(shè)定隨機數(shù)種子從中隨機抽取指定數(shù)量的樣本，以形成平衡后的數(shù)據(jù)集；對于所述平衡后的數(shù)據(jù)集，按前綴類別進行分組，劃分測試集和訓(xùn)練集，使每個前綴類別在訓(xùn)練集和測試集中比例一致。

14、優(yōu)選地，步驟2方法如下：

15、步驟2.1、構(gòu)建若干種不同的無向圖，每種無向圖結(jié)構(gòu)表示為，用于捕捉文獻間的多維關(guān)聯(lián)關(guān)系，節(jié)點代表攜帶文獻元數(shù)據(jù)的文獻，邊代表文獻間的關(guān)聯(lián)，邊的權(quán)重反映文獻類型關(guān)聯(lián)的強度；

16、步驟2.2、對每種無向圖結(jié)構(gòu)生成相應(yīng)的鄰接矩陣，初始化的零矩陣，其中，表示文獻i和文獻j在圖結(jié)構(gòu)維度下的關(guān)聯(lián)強度，表示文獻的篇數(shù)，遍歷每對文獻，填充鄰接矩陣中對應(yīng)的元素。

17、優(yōu)選地，步驟3方法如下：

18、步驟3.1、將步驟1中生成的語義特征向量和步驟2中不同無向圖的鄰接矩陣信息，共同構(gòu)成每個文獻節(jié)點的初始特征向量，作為圖卷積神經(jīng)網(wǎng)絡(luò)模型的輸入；

19、步驟3.2、在圖卷積神經(jīng)網(wǎng)絡(luò)的層中對鄰居節(jié)點進行聚合操作更新節(jié)點；

20、步驟3.3、選擇最優(yōu)聚合策略增強文獻節(jié)點的關(guān)聯(lián)表示能力，所述聚合策略包括求和策略、平均策略、最值池化策略，得到增強后的文獻節(jié)點特征。

21、優(yōu)選地，步驟4方法如下：

22、步驟4.1、計算文獻間的領(lǐng)域相關(guān)性，從增強后的文獻節(jié)點集合中計算歐式距離作為文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法的預(yù)測值，計算每對文獻向量之間的歐式距離，用于表示文獻間的實際關(guān)聯(lián)程度；

23、步驟4.2、將預(yù)測值與預(yù)設(shè)的標(biāo)簽進行對比，引入帶誤差容限的準(zhǔn)確率作為評估指標(biāo)，通過設(shè)定誤差閾值，進行不同精度下的文獻研究領(lǐng)域關(guān)聯(lián)程度評估；

24、步驟4.3，重復(fù)步驟4.1和步驟4.2，直至模型收斂，通過不斷迭代訓(xùn)練和更新文獻節(jié)點特征向量，提高文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法的準(zhǔn)確性和有效性。

25、優(yōu)選地，步驟5結(jié)合最小維球模型，對學(xué)者的跨領(lǐng)域科研能力進行量化比較，方法如下：

26、步驟5.1、將所有文獻的特征向量整合成一個集合，每個特征向量表示一篇文獻的特征，為文獻的特征向量數(shù)量，為文獻向量的維度，使用特征向量均值作為最小維球的球心；

27、步驟5.2、計算所有特征向量到特征向量均值的最大歐式距離作為半徑，代表其覆蓋整個特征向量集合的最小維球；

28、步驟5.3、對于每位學(xué)者抽取所有發(fā)表的文獻，重復(fù)步驟5.1，生成每位學(xué)者的最小維球模型，比較不同學(xué)者的最小維球體積，最小維球體積越大，對應(yīng)學(xué)者的科研領(lǐng)域越廣泛，跨領(lǐng)域科研能力越強。

29、本發(fā)明技術(shù)方案還提供了：一種電子設(shè)備，包括：

30、一個或多個處理器；

31、存儲裝置，其上存儲有一個或多個程序；

32、當(dāng)所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)上述任一所述的基于多維特征融合的文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法。

33、本發(fā)明技術(shù)方案還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時，實現(xiàn)上述任一項基于多維特征融合的文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法中的步驟。

34、本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

35、1、本發(fā)明文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法，通過構(gòu)建多個關(guān)聯(lián)維度的無向圖，結(jié)合圖神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并且通過實驗比較分析得到最優(yōu)的多維特征聚合方案，從多個維度出發(fā)以及根據(jù)特征范圍的影響發(fā)掘出如何對關(guān)聯(lián)特征提取進行有益訓(xùn)練，提升了文獻研究領(lǐng)域關(guān)聯(lián)度量化的精度。

36、2、本發(fā)明文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法，通過多維特征融合，結(jié)合多個文本關(guān)聯(lián)圖訓(xùn)練，提升了文本間不同研究領(lǐng)域關(guān)聯(lián)模式的適應(yīng)力，平衡其多個關(guān)聯(lián)維度共同作用的影響，具有一定的穩(wěn)定性，在精細化的關(guān)聯(lián)度計算上的顯著優(yōu)勢。

37、3、本發(fā)明文獻研究領(lǐng)域關(guān)聯(lián)程度量化方法，通過結(jié)合最小n維球模型更科學(xué)地量化學(xué)者在多學(xué)科交叉研究中的貢獻與影響力，通過構(gòu)建多維特征空間捕捉學(xué)者在不同學(xué)科領(lǐng)域的綜合表現(xiàn)，從而對于如何對跨領(lǐng)域?qū)W者之間比較其跨領(lǐng)域科研能力問題提供一種解決方案，更加具有全面性和可解釋性。