一种文献推荐的因子图方法-河海期刊网.PDFVIP

第41卷第3期 河 海 大 学 学 报 ( 自然 科 学 版 ) Vol.41No.3 2013年5月 Journal of Hohai University(Natural Sciences) May2013 DOI:10.3876/ j.issn.1000 1980.2013.03.014 一种文献推荐的因子图方法 许卓明,张摇 岩,林莉莉 (河海大学计算机与信息学院,江苏 南京摇 210098) 摘要:为克服传统的基于内容过滤或协同过滤的文献推荐方法在缺少用户描述信息(如用户历史 兴趣)的情况下无法有效地向用户推荐文献的缺陷,提出一种基于因子图的文献推荐新方法。 依 赖一种结合了引文网络和网络中文献主题概率分布的因子图模型,进行循环最大和(loopy max鄄 sum)近似推理。 基于权威引文网络(Thomson Reuters公司出版的2008年版期刊引证报告)的实验 结果表明:该方法能在缺少用户描述信息的情况下有效地推荐主题文献,尤其适合于领域初学者获 取主题相关的高质量文献。 关键词:文献推荐;因子图;主题概率分布;引文网络;循环最大和算法 中图分类号:TP311摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:1000 1980(2013)03 0271 07 A factor graph approach to literature recommendation XU Zhuoming,ZHANG Yan,LIN Lili (College of Computer and Information Engineering,Hohai University,Nanjing 210098,China) Abstract: Traditional content鄄based filtering or collaborative filtering methods cannot effectively recommend literature to userswithout user profiles,such as the user爷s historical interests. To solve these problems,a novel, factor graph鄄based literature recommendation approach is proposed in this paper. The approach relies on a factor graph model combining a citation network and the literature爷s topic probability distribution and performs a loopy max鄄sum approximate inference on the model. The experimental results based on an authoritative citation network (Thomson Reuters爷2008Journal Citation Reports) indicate that the proposed approach can effectively recommend topic literature inthecaseof missinguserprofiles,anditisespecially suitableforbeginnersinaresearchfieldwho want to access high鄄quality and topic鄄related literature. Key words:literature recommendation;factor graph;topic probability distribution;citation network;loopy max鄄 sum algorithm 文献推荐的目的是在一个文献库中向用户推荐满足用户兴趣的文献,以减少用户(尤其是领域初