CN116244306A - 基于知识组织语义关系的学术论文引文推荐方法及*** - Google Patents

基于知识组织语义关系的学术论文引文推荐方法及*** Download PDF

Info

Publication number
CN116244306A
CN116244306A CN202310034604.7A CN202310034604A CN116244306A CN 116244306 A CN116244306 A CN 116244306A CN 202310034604 A CN202310034604 A CN 202310034604A CN 116244306 A CN116244306 A CN 116244306A
Authority
CN
China
Prior art keywords
document
image
searched
picture
semantic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310034604.7A
Other languages
English (en)
Other versions
CN116244306B (zh
Inventor
习海旭
陈谦民
曹洪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202310034604.7A priority Critical patent/CN116244306B/zh
Publication of CN116244306A publication Critical patent/CN116244306A/zh
Application granted granted Critical
Publication of CN116244306B publication Critical patent/CN116244306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于知识组织语义关系的学术论文引文推荐方法及***，该方法包括：预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐；该***包括知识组织模块、语义推理模块及图片搜索模块。本发明可以当用户对相关领域不熟悉的情况下，依然能够通过图片进行搜搜推荐引用论文，提高搜索效率；且计算待搜索图像与各个主要图像相似度，按相似度从高到低的顺序作为推荐引用文献向用户展示。

Description

基于知识组织语义关系的学术论文引文推荐方法及***
技术领域
本发明涉及文献影响力分析和信息可视化领域，具体来说，涉及基于知识组织语义关系的学术论文引文推荐方法及***。
背景技术
知识组织始见于1929年美国图书馆学家布利斯的专著，并在图书馆学、情报学的分类***和叙词表研究基础上发展起来的。知识组织就是对知识元素的本质内容和知识元素之间的关联进行揭示和序化的活动。语义关系指语言单位之间在意义上的关系，主要表现为纵的方向上的聚合关系和横的方向上的组合关系，以及逻辑关系。
在学术论文中一般均会引用相关领域的论文或其它文章，引用的目的不是引用文章本身，而是解释你自己的主题和观点。引用参考文献质量的高低在一定程度上反映了学术论文水平的高低，从总体上体现了学术论文的科掌性、实用性和先进性。
现有的学术论文引文推荐方法，例如中国专利201510957990.2公开了一种文献引用网络可视化及文献推荐方法及***，其对排序后的文献进行聚类，并对聚类的结果进行可视化，构建双层网络模型，将其重要文献以清晰明了的方式展示出来，帮助科研工作者快速地筛选出最具权威的论文。但是上述推荐方法存在以下不足：在文献的推荐时，依然采用常规的通过关键字的文献检索和浏览方式进行检索推荐，然而对于初次进入某个研究领域的人员，由于对该领域的认识还比较模糊，上述方法效率不高。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出基于知识组织语义关系的学术论文引文推荐方法及***，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了基于知识组织语义关系的学术论文引文推荐方法，该方法包括以下步骤：
S1、预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
S2、建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
S3、建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；
S4、将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐。
进一步的，所述预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式包括以下步骤：
对引用文献进行学科领域的划分，并针对不同学科领域构建领域本体；
对领域本体中的概念术语及知识关联进行语义分类，并在语义分类后建立索引，存储至语义空间；
将领域本体作为检索的语义概念层，用户在进行引用文献的推荐搜索时，以本体库中的语词关系为基础进行检索；
其中，所述领域本体包括引用文献、作者及出版社。
进一步的，所述对引用文献进行学科领域的划分包括以下步骤：
将引用文献的学科分为十个主学科；
每个主学科下分为十个细分类；
每个细分类下分为十个细分小类。
进一步的，所述建立基于语义关系的引用文献属性关联体系包括以下步骤：
建立任一文献与其参考文献之间的有序关系，并描述该文献的研究背景、研究依据及相关工作；
建立任一文献与引用它的文献之间的有序关系，并描述该文献研究工作的发展；
建立任一文献与作者及出版社之间的关系。
进一步的，所述通过Jena推理机进行引用文献之间的关系推理包括以下步骤：
在引用文献的检索过程中，利用Jena推理机进行引用文献的查询；
其中，若文献1与文献2同时引用文献3，且文献1与文献2非同一篇文章，则文献1与文献2为同引关系；
若文献1同时引用文献2及文献3，且文献2及文献3非同一篇文章，则文献2及文献3为同被引关系。
进一步的，所述将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐包括以下步骤：
学术论文引文推荐搜索界面设置入图片搜索推荐功能范围，用户将待搜索图像拖入该图片搜索推荐功能范围，则计算待搜索图像与其它文献中的主要图像之间的相似度；
将相似度排名前十的文献作为推荐引用文献。
进一步的，所述计算待搜索图像与其它文献中的主要图像之间的相似度之前包括以下步骤：
对于任一文献，审核人员在对该文献审核之后，挑选出一张该文献的主要图像；
审核人员在主要图像的轮廓外侧画出红色矩形框，并基于Matlab将主要图像的坐标信息及红色矩形框的高宽信息放入txt文件；
提取红色矩形框内的图像，并转换成二值图像。
进一步的，所述计算待搜索图像与其它文献中的主要图像之间的相似度包括以下步骤：
对于待搜索图像或任一主要图像有平面通过d维协方差矩阵描述区域额特征；
设I为待搜索图像或任一主要图像，W和H分别表示图像的高度和宽度，则高度和宽度的特征相邻为(W，H)；
设定图像的特征向量为a＝(a1，a2，……，an)，则该区域的协方差矩阵为：
Figure BDA0004048763490000031
/>
式中，D(ai,aj)为ai和aj组成的行向量的方差；
COV(ai,aj)为ai和aj组成的行向量的协方差；
根据协方差矩阵计算待搜索图像与任一主要图像之间的距离。
进一步的，所述根据协方差矩阵计算待搜索图像与任一主要图像之间的距离包括以下步骤：
计算得到待搜索图像与任一主要图像的协方差矩阵CR1及CR2；
计算得到待搜索图像与任一主要图像中行向量的元素距离矩阵d，其中，d为加权有向图；
以d(1，1)作为加权有向图的起点，以d(i，j)作为加权有向图的终点，并基于Dijkstra算法计算待搜索图像与任一主要图像中每行任意两个节点之间的最短路径，并进行归一化处理；
若归一化处理后的最短路径超过阈值，则该最短距离对应的行数记为零，且若某一主要图像中零值的个数超过一半，则该主要图像与待搜索图像不相似；
根据主要图像中非零值的数目按从高到低的顺序作为推荐引用文献向用户展示。
根据本发明的另一方面，提供了基于知识组织语义关系的学术论文引文推荐***，该***包括知识组织模块、语义推理模块及图片搜索模块；
其中，所述知识组织模块，用于预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
所述语义推理模块，用于建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
所述图片搜索模块，用于建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐。
本发明的有益效果为：
(1)本发明的基于知识组织语义关系的学术论文引文推荐方法及***，通过预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式，从而建立了基于本体的知识组织模式，利用学科领域的概念及概念之间的层次关系，实现完全的领域本体导航；通过建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理，从而推理处引用文献中本体的隐含信息。
(2)通过将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐，且在图像搜索的过程中将图像特征转化为矩阵，从而求取待搜索图像与各个主要图像的相似性，相关特征的个数越多，相似度越高，同时按相似度从高到低的顺序作为推荐引用文献向用户展示，从而当用户对相关领域不熟悉的情况下，依然能够通过图片进行搜搜推荐引用论文，提高搜索效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于知识组织语义关系的学术论文引文推荐方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了基于知识组织语义关系的学术论文引文推荐方法及***。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了基于知识组织语义关系的学术论文引文推荐方法，该方法包括以下步骤：
S1、预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
在一个实施例中，所述预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式包括以下步骤：
对引用文献进行学科领域的划分，并针对不同学科领域构建领域本体；
对领域本体中的概念术语及知识关联进行语义分类，并在语义分类后建立索引，存储至语义空间；
将领域本体作为检索的语义概念层，用户在进行引用文献的推荐搜索时，以本体库中的语词关系为基础进行检索；
其中，所述领域本体包括引用文献、作者及出版社。
在一个实施例中，所述对引用文献进行学科领域的划分包括以下步骤：
将引用文献的学科分为十个主学科；
每个主学科下分为十个细分类；
每个细分类下分为十个细分小类。
S2、建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
在一个实施例中，所述建立基于语义关系的引用文献属性关联体系包括以下步骤：
建立任一文献与其参考文献之间的有序关系，并描述该文献的研究背景、研究依据及相关工作；
建立任一文献与引用它的文献之间的有序关系，并描述该文献研究工作的发展；
建立任一文献与作者及出版社之间的关系。
在一个实施例中，所述通过Jena推理机进行引用文献之间的关系推理包括以下步骤：
在引用文献的检索过程中，利用Jena推理机进行引用文献的查询；
其中，若文献1与文献2同时引用文献3，且文献1与文献2非同一篇文章，则文献1与文献2为同引关系；
若文献1同时引用文献2及文献3，且文献2及文献3非同一篇文章，则文献2及文献3为同被引关系。
其中，Jena推理机是来自于惠普实验室语义网研究项目的开放资源，是用于创建语义网应用***的Java框架结构。它为RDF、RDFS、OWL提供一个程序开发环境，包括用于检索过程的基于规则推理机子***，用于对Ontology进行处理和操作的Ontology子***，用于信息检索的RDQL查询语言。
Jena推理机子***的目的就是把推理机制和推理机
引入到Jena中。通过公理和规则与推理机关联起来，推
理机就可以推理出本体中隐含的语义信息。
S3、建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；
S4、将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐；
在一个实施例中，所述将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐包括以下步骤：
学术论文引文推荐搜索界面设置入图片搜索推荐功能范围，用户将待搜索图像拖入该图片搜索推荐功能范围，则计算待搜索图像与其它文献中的主要图像之间的相似度；
将相似度排名前十的文献作为推荐引用文献。
在一个实施例中，所述计算待搜索图像与其它文献中的主要图像之间的相似度之前包括以下步骤：
对于任一文献，审核人员在对该文献审核之后，挑选出一张该文献的主要图像；
审核人员在主要图像的轮廓外侧画出红色矩形框，并基于Matlab将主要图像的坐标信息及红色矩形框的高宽信息放入txt文件；
提取红色矩形框内的图像，并转换成二值图像。
在一个实施例中，所述计算待搜索图像与其它文献中的主要图像之间的相似度包括以下步骤：
对于待搜索图像或任一主要图像有平面通过d维协方差矩阵描述区域额特征；
设I为待搜索图像或任一主要图像，W和H分别表示图像的高度和宽度，则高度和宽度的特征相邻为(W，H)；
设定图像的特征向量为a＝(a1，a2，……，an)，则该区域的协方差矩阵为：
Figure BDA0004048763490000081
式中，D(ai,aj)为ai和aj组成的行向量的方差；
COV(ai,aj)为ai和aj组成的行向量的协方差；
根据协方差矩阵计算待搜索图像与任一主要图像之间的距离。
在一个实施例中，所述根据协方差矩阵计算待搜索图像与任一主要图像之间的距离包括以下步骤：
计算得到待搜索图像与任一主要图像的协方差矩阵CR1及CR2；
计算得到待搜索图像与任一主要图像中行向量的元素距离矩阵d，其中，d为加权有向图；
其中，元素距离矩阵d的定义为：
Figure BDA0004048763490000082
式中，I和Q分别为待搜索图像与任一主要图像中的行向量；
以d(1，1)作为加权有向图的起点，以d(i，j)作为加权有向图的终点，并基于Dijkstra算法计算待搜索图像与任一主要图像中每行任意两个节点之间的最短路径，并进行归一化处理；Dijkstra算法是由荷兰计算机科学家狄克斯特拉于1959年提出的，因此又叫狄克斯特拉算法，是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。
若归一化处理后的最短路径超过阈值，则该最短距离对应的行数记为零，且若某一主要图像中零值的个数超过一半，则该主要图像与待搜索图像不相似；
根据主要图像中非零值的数目按从高到低的顺序作为推荐引用文献向用户展示。
根据本发明的另一个实施例，提供了基于知识组织语义关系的学术论文引文推荐***，该***包括知识组织模块、语义推理模块及图片搜索模块；
其中，所述知识组织模块，用于预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
所述语义推理模块，用于建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
所述图片搜索模块，用于建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐。
综上所述，借助于本发明的上述技术方案，本发明的基于知识组织语义关系的学术论文引文推荐方法及***，通过预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式，从而建立了基于本体的知识组织模式，利用学科领域的概念及概念之间的层次关系，实现完全的领域本体导航；通过建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理，从而推理处引用文献中本体的隐含信息。通过将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐，且在图像搜索的过程中将图像特征转化为矩阵，从而求取待搜索图像与各个主要图像的相似性，相关特征的个数越多，相似度越高，同时按相似度从高到低的顺序作为推荐引用文献向用户展示，从而当用户对相关领域不熟悉的情况下，依然能够通过图片进行搜搜推荐引用论文，提高搜索效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于知识组织语义关系的学术论文引文推荐方法，其特征在于，该方法包括以下步骤：
S1、预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
S2、建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
S3、建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；
S4、将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐。
2.根据权利要求1所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式包括以下步骤：
对引用文献进行学科领域的划分，并针对不同学科领域构建领域本体；
对领域本体中的概念术语及知识关联进行语义分类，并在语义分类后建立索引，存储至语义空间；
将领域本体作为检索的语义概念层，用户在进行引用文献的推荐搜索时，以本体库中的语词关系为基础进行检索；
其中，所述领域本体包括引用文献、作者及出版社。
3.根据权利要求2所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述对引用文献进行学科领域的划分包括以下步骤：
将引用文献的学科分为十个主学科；
每个主学科下分为十个细分类；
每个细分类下分为十个细分小类。
4.根据权利要求3所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述建立基于语义关系的引用文献属性关联体系包括以下步骤：
建立任一文献与其参考文献之间的有序关系，并描述该文献的研究背景、研究依据及相关工作；
建立任一文献与引用它的文献之间的有序关系，并描述该文献研究工作的发展；
建立任一文献与作者及出版社之间的关系。
5.根据权利要求4所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述通过Jena推理机进行引用文献之间的关系推理包括以下步骤：
在引用文献的检索过程中，利用Jena推理机进行引用文献的查询；
其中，若文献1与文献2同时引用文献3，且文献1与文献2非同一篇文章，则文献1与文献2为同引关系；
若文献1同时引用文献2及文献3，且文献2及文献3非同一篇文章，则文献2及文献3为同被引关系。
6.根据权利要求1所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐包括以下步骤：
学术论文引文推荐搜索界面设置入图片搜索推荐功能范围，用户将待搜索图像拖入该图片搜索推荐功能范围，则计算待搜索图像与其它文献中的主要图像之间的相似度；
将相似度排名前十的文献作为推荐引用文献。
7.根据权利要求6所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述计算待搜索图像与其它文献中的主要图像之间的相似度之前包括以下步骤：
对于任一文献，审核人员在对该文献审核之后，挑选出一张该文献的主要图像；
审核人员在主要图像的轮廓外侧画出红色矩形框，并基于Matlab将主要图像的坐标信息及红色矩形框的高宽信息放入txt文件；
提取红色矩形框内的图像，并转换成二值图像。
8.根据权利要求7所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述计算待搜索图像与其它文献中的主要图像之间的相似度包括以下步骤：
对于待搜索图像或任一主要图像有平面通过d维协方差矩阵描述区域额特征；
设I为待搜索图像或任一主要图像，W和H分别表示图像的高度和宽度，则高度和宽度的特征相邻为(W，H)；
设定图像的特征向量为a＝(a1，a2，……，an)，则该区域的协方差矩阵为：
Figure FDA0004048763480000031
式中，D(ai,aj)为ai和aj组成的行向量的方差；
COV(ai,aj)为ai和aj组成的行向量的协方差；
根据协方差矩阵计算待搜索图像与任一主要图像之间的距离。
9.根据权利要求8所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，所述根据协方差矩阵计算待搜索图像与任一主要图像之间的距离包括以下步骤：
计算得到待搜索图像与任一主要图像的协方差矩阵CR1及CR2；
计算得到待搜索图像与任一主要图像中行向量的元素距离矩阵d，其中，d为加权有向图；
以d(1，1)作为加权有向图的起点，以d(i，j)作为加权有向图的终点，并基于Dijkstra算法计算待搜索图像与任一主要图像中每行任意两个节点之间的最短路径，并进行归一化处理；
若归一化处理后的最短路径超过阈值，则该最短距离对应的行数记为零，且若某一主要图像中零值的个数超过一半，则该主要图像与待搜索图像不相似；
根据主要图像中非零值的数目按从高到低的顺序作为推荐引用文献向用户展示。
10.基于知识组织语义关系的学术论文引文推荐***，用于实现权利要求1-9任一项所述的基于知识组织语义关系的学术论文引文推荐方法，其特征在于，该***包括知识组织模块、语义推理模块及图片搜索模块；
其中，所述知识组织模块，用于预先构建引用文献知识库和本体库，并建立基于本体的知识组织模式；
所述语义推理模块，用于建立基于语义关系的引用文献属性关联体系，并通过Jena推理机进行引用文献之间的关系推理；
所述图片搜索模块，用于建立学术论文引文推荐搜索界面，并设置图片搜索推荐功能；将需要搜索的图片拖入图片搜索推荐功能范围，则依据该图片进行学术论文的引文推荐。
CN202310034604.7A 2023-01-10 2023-01-10 基于知识组织语义关系的学术论文引文推荐方法及*** Active CN116244306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310034604.7A CN116244306B (zh) 2023-01-10 2023-01-10 基于知识组织语义关系的学术论文引文推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310034604.7A CN116244306B (zh) 2023-01-10 2023-01-10 基于知识组织语义关系的学术论文引文推荐方法及***

Publications (2)

Publication Number Publication Date
CN116244306A true CN116244306A (zh) 2023-06-09
CN116244306B CN116244306B (zh) 2023-11-03

Family

ID=86625400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310034604.7A Active CN116244306B (zh) 2023-01-10 2023-01-10 基于知识组织语义关系的学术论文引文推荐方法及***

Country Status (1)

Country Link
CN (1) CN116244306B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270384A1 (en) * 2007-04-28 2008-10-30 Raymond Lee Shu Tak System and method for intelligent ontology based knowledge search engine
CN102609512A (zh) * 2012-02-07 2012-07-25 北京中机科海科技发展有限公司 异构信息知识挖掘与可视化分析***及方法
CN102663010A (zh) * 2012-03-20 2012-09-12 复旦大学 基于标注语义的个性化图像浏览与推荐方法及***
CN102930030A (zh) * 2012-11-08 2013-02-13 苏州两江科技有限公司 基于本体的智能语义文献检索推理***
CN104933029A (zh) * 2015-06-23 2015-09-23 天津大学 一种基于概率主题模型的文本图像联合语义分析方法
KR20200097029A (ko) * 2019-02-07 2020-08-18 건국대학교 글로컬산학협력단 의미망 지식베이스 기반 정보검색 장치 및 방법
CN113326428A (zh) * 2021-05-17 2021-08-31 同方知网(北京)技术有限公司 一种基于单篇学术论文的核心文献推荐方法
CN114461890A (zh) * 2021-12-15 2022-05-10 中山大学 分层多模态的知识产权搜索引擎方法与***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270384A1 (en) * 2007-04-28 2008-10-30 Raymond Lee Shu Tak System and method for intelligent ontology based knowledge search engine
CN102609512A (zh) * 2012-02-07 2012-07-25 北京中机科海科技发展有限公司 异构信息知识挖掘与可视化分析***及方法
CN102663010A (zh) * 2012-03-20 2012-09-12 复旦大学 基于标注语义的个性化图像浏览与推荐方法及***
CN102930030A (zh) * 2012-11-08 2013-02-13 苏州两江科技有限公司 基于本体的智能语义文献检索推理***
CN104933029A (zh) * 2015-06-23 2015-09-23 天津大学 一种基于概率主题模型的文本图像联合语义分析方法
KR20200097029A (ko) * 2019-02-07 2020-08-18 건국대학교 글로컬산학협력단 의미망 지식베이스 기반 정보검색 장치 및 방법
CN113326428A (zh) * 2021-05-17 2021-08-31 同方知网(北京)技术有限公司 一种基于单篇学术论文的核心文献推荐方法
CN114461890A (zh) * 2021-12-15 2022-05-10 中山大学 分层多模态的知识产权搜索引擎方法与***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘健;毕强;刘庆旭;王福;: "数字文献资源内容服务推荐研究――基于本体规则推理和语义相似度计算", 现代图书情报技术, no. 09 *
张昱;张均胜;姚长青;: "科技文献语义关联网络及其应用探析", 中国科技资源导刊, no. 01 *

Also Published As

Publication number Publication date
CN116244306B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
US11222055B2 (en) System, computer-implemented method and computer program product for information retrieval
Li et al. Learning social tag relevance by neighbor voting
US8571850B2 (en) Dual cross-media relevance model for image annotation
US9171081B2 (en) Entity augmentation service from latent relational data
US20160203130A1 (en) Method and system for identifying and evaluating semantic patterns in written language
CN107066589B (zh) 一种基于综合知识的实体语义和词频的排序方法及装置
Uddin et al. Semantic similarity measures for enhancing information retrieval in folksonomies
Gao et al. Effectively classifying short texts by structured sparse representation with dictionary filtering
CN111539197A (zh) 文本匹配方法和装置以及计算机***和可读存储介质
Mohammadi et al. Context-specific recommendation system for predicting similar pubmed articles
Cao et al. Rankcompete: Simultaneous ranking and clustering of information networks
Budikova et al. ConceptRank for search-based image annotation
Li et al. Infographics retrieval: A new methodology
Farhan et al. Word-embedding-based query expansion: Incorporating Deep Averaging Networks in Arabic document retrieval
CN116244306B (zh) 基于知识组织语义关系的学术论文引文推荐方法及***
Su et al. Parallel big image data retrieval by conceptualised clustering and un-conceptualised clustering
Zhang et al. Image retrieval of wool fabric. Part III: based on aggregated convolutional descriptors and approximate nearest neighbors search
Hong et al. Semantic tag recommendation based on associated words exploiting the interwiki links of Wikipedia
Inuwa-Dutse et al. A deep semantic search method for random tweets
Xi et al. Popularity sensitive and domain-aware summarization for web tables
Meng et al. A personalized and approximated spatial keyword query approach
Heflin et al. Exploring datasets via cell-centric indexing
Xia et al. Automatic abstract tag detection for social image tag refinement and enrichment
Sharma et al. Uncovering research trends and topics of communities in machine learning
Chen et al. Concept extraction and clustering for search result organization and virtual community construction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant