基于异构网络表示方法的论文影响力预测算法

基于图的随机游走算法在预测论文影响力时，仅利用学术网络的全局结构信息而未考虑局部结构信息，对预测准确率造成影响。针对该问题，提出一种基于异构学术网络表示学习和多变量随机游走的论文影响力预测算法。通过构建异构学术网络表示模型，将网络中的论文、作者和期刊/会议等不同类型的节点表征到同一个低维向量空间中，同时保留网络的局部结构信息，将节点的向量相似度应用于多变量随机游走方法，实现对论文影响力的准确预测。在A Miner网站公开数据集上的实验结果表明，相比于Page Rank、 Futurer ank等算法，该算法的预测准确性较高。