CN116484002A - 一种论文分类方法、装置、存储介质及电子设备 - Google Patents

一种论文分类方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116484002A
CN116484002A CN202310536784.9A CN202310536784A CN116484002A CN 116484002 A CN116484002 A CN 116484002A CN 202310536784 A CN202310536784 A CN 202310536784A CN 116484002 A CN116484002 A CN 116484002A
Authority
CN
China
Prior art keywords
node
paper
sample
characteristic
adjustment
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.)
Pending
Application number
CN202310536784.9A
Other languages
English (en)
Inventor
陈红阳
徐超
亓庆国
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310536784.9A priority Critical patent/CN116484002A/zh
Publication of CN116484002A publication Critical patent/CN116484002A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书公开了一种论文分类方法、装置、存储介质及电子设备，本说明书实施例通过论文类别预测模型，针对包含有论文的关联信息的拓扑图中的每个节点，基于该节点的节点特征、邻居节点的节点特征以及该节点与邻居节点之间的注意力权重，对该节点的初始节点特征进行预设次数的特征调整，得到节点的最终节点特征，并基于论文节点的最终节点特征，预测出论文的类别。其中，关联信息包括：论文、引用论文、论文的作者、作者的机构等。在此方法中，综合考虑论文与引用论文之间的关系、论文与作者之间的关系、作者与机构之间的关系，以确定出论文节点的最终节点特征，可以提高论文节点的特征表达的准确性，从而提高论文分类的准确性。

Description

一种论文分类方法、装置、存储介质及电子设备
技术领域
本说明书涉及图神经网络技术领域，尤其涉及一种论文分类方法、装置、存储介质及电子设备。
背景技术
随着科技的发展，每年的论文数量成指数级增长，论文的主题类别大多由作者手动确定。而对论文主题进行分类的机器学习模型不仅可以减轻人工标注主题类别的巨大负担，还可以用于对大量未标注主题类别的论文进行分类，从而更好地搜索和组织学术论文。
现有技术中，可以基于论文的文本内容，匹配文本内容中的关键词，以对论文的主题类别进行分类，但是，由于论文的文本内容比较复杂，可能涉及多个主题的关键词，这导致采用现有的论文分类方法会出现分类出错的问题，降低了论文分类的准确性。
因此，本说明书提供一种基于图神经网络模型的论文分类方法，以提高论文分类的准确性。
发明内容
本说明书实施例提供一种论文分类方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种论文分类方法，包括：
获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构；
基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征；
将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征；
通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
可选地，基于所述关联信息，构建拓扑图，具体包括：
以所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构为节点，以所述论文与所述引用论文之间的引用关系、所述作者与所述机构之间的归属关系、所述论文与所述作者之间的著作关系为边，构建拓扑图；
基于所述论文的论文文本，确定出所述拓扑图中所述论文节点的初始节点特征；基于所述引用论文的论文文本，确定出所述拓扑图中所述引用论文节点的初始节点特征；基于所述作者写的所有论文的论文文本，确定出所述拓扑图中所述作者节点的初始节点特征；基于所述机构下的所有作者写的所有论文的论文文本，确定出所述拓扑图中所述机构节点的初始节点特征。
可选地，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，具体包括：
根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，确定出针对该节点的聚合特征；确定预设参数与该次特征调整下该节点的节点特征之间的乘积，得到平滑特征；
将所述聚合特征与所述平滑特征进行相加，得到该节点的调整后特征。
可选地，基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，具体包括：
将该节点的调整后特征与该次特征调整下所述邻居节点的节点特征进行处理，得到关系特征；其中，处理包括：拼接处理、点乘处理、相加处理中的一种；
根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，具体包括：
将所述关系特征输入到所述论文类别预测模型中的多层感知器，以通过所述多层感知器，对所述关系特征进行处理，得到调整参数；其中，所述多层感知器至少包括：注意力层、池化层、Dropout层、正则化层和归一化层；
基于所述调整参数，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征，具体包括：
将针对该节点的每次特征调整下所得到的该节点的调整后特征以及该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
可选地，预先训练所述论文类别预测模型，具体包括：
获取待分类的样本论文的样本关联信息，所述样本关联信息包括：所述样本论文、所述样本论文的样本引用论文、所述样本论文的作者、所述样本论文的作者所属的机构；
基于所述样本关联信息，构建针对所述样本论文的拓扑图，作为样本拓扑图，其中，所述样本拓扑图中每个样本节点对应有初始节点特征；
将所述样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对所述样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点；针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止；根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征；基于所述样本拓扑图中所述样本论文对应的样本节点的最终节点特征，预测出所述样本论文的类别；
以所述样本论文的类别与所述样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。
本说明书提供的一种论文分类装置，包括：
获取模块，用于获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构；
构建模块，用于基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征；
特征表达模块，用于将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征；
论文分类模块，用于通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
可选地，所述构建模块，具体用于以所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构为节点，以所述论文与所述引用论文之间的引用关系、所述作者与所述机构之间的归属关系、所述论文与所述作者之间的著作关系为边，构建拓扑图；基于所述论文的论文文本，确定出所述拓扑图中所述论文节点的初始节点特征；基于所述引用论文的论文文本，确定出所述拓扑图中所述引用论文节点的初始节点特征；基于所述作者写的所有论文的论文文本，确定出所述拓扑图中所述作者节点的初始节点特征；基于所述机构下的所有作者写的所有论文的论文文本，确定出所述拓扑图中所述机构节点的初始节点特征。
可选地，所述特征表达模块，具体用于将该节点的调整后特征与该次特征调整下所述邻居节点的节点特征进行处理，得到关系特征；其中，处理包括：拼接处理、点乘处理、相加处理中的一种；根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，所述特征表达模块，具体用于将所述关系特征输入到所述论文类别预测模型中的多层感知器，以通过所述多层感知器，对所述关系特征进行处理，得到调整参数；其中，所述多层感知器至少包括：注意力层、池化层、Dropout层、正则化层和归一化层；基于所述调整参数，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，所述特征表达模块，具体用于将针对该节点的每次特征调整下所得到的该节点的调整后特征以及该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
可选地，还包括：训练模块；
所述训练模块，具体用于获取待分类的样本论文的样本关联信息，所述样本关联信息包括：所述样本论文、所述样本论文的样本引用论文、所述样本论文的作者、所述样本论文的作者所属的机构；基于所述样本关联信息，构建针对所述样本论文的拓扑图，作为样本拓扑图，其中，所述样本拓扑图中每个样本节点对应有初始节点特征；将所述样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对所述样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点；针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止；根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征；基于所述样本拓扑图中所述样本论文对应的样本节点的最终节点特征，预测出所述样本论文的类别；以所述样本论文的类别与所述样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的论文分类方法。
本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的论文分类方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例中将包含有论文的关联信息的拓扑图输入到预先训练的论文类别预测模型中，以通过论文类别预测模型，针对拓扑图中的每个节点，基于该节点的节点特征、邻居节点的节点特征以及该节点与邻居节点之间的注意力权重，对该节点的初始节点特征进行预设次数的特征调整，得到节点的最终节点特征，并基于论文节点的最终节点特征，预测出论文的类别。其中，关联信息包括：论文、引用论文、论文的作者、作者的机构等。在此方法中，综合考虑论文与引用论文之间的关系、论文与作者之间的关系、作者与机构之间的关系，以确定出论文节点的最终节点特征，可以提高论文节点的特征表达的准确性，再基于论文节点的最终节点特征进行分类，可以提高论文分类的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的论文分类方法的流程示意图；
图2为本说明书实施例提供的论文类别预测模型的模型结构示意图；
图3为本说明书实施例提供的特征调整的示意图；
图4为本说明书实施例提供的论文分类装置结构示意图；
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
本说明书提供的论文分类方法旨在通过图神经网络模型，聚合与论文相关的关联特征，得到针对论文的最终特征，基于针对论文的最终特征进行论文分类。在聚合与论文相关的关联特征时，可以采用不同的注意力权重，对与论文相关的关联特征进行多次聚合，得到针对论文的最终特征。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的论文分类方法的流程示意图，该论文分类方法可以适用于部署有论文类别预测模型的服务器或终端设备，包括：
S100：获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构。
S102：基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征。
在本说明书实施例中，主要是通过论文类别预测模型，对论文进行特征表示，并基于论文的特征表示，对论文的主题类别进行分类。其中，论文类别预测模型可以是图神经网络模型，主题类别可以是指论文涉及的科目类别，比如：数学、地理、物理、化学等主题类别。这里的主题类别就是指论文的类别。
在使用论文类别预测模型之前，需要先构建针对论文的拓扑图。
具体的，可以先获取待分类的论文的关联信息。其中，论文的关联信息是指与论文的类别相关的信息。关联信息可以包括：论文、论文的引用论文、论文的作者以及论文的作者所属的机构。论文的论文文本可以识别出论文的类别。引用论文的论文文本可以间接识别出论文的类别。论文的作者的学术领域一般是固定的，可以通过作者的学术领域间接识别出论文的类别。作者所属的机构可以是指作者所从事的公司或研究院，也可以是作者所就读的专业学院。作者所属的机构的学术领域可以间接识别出论文的类别。
在获取待分类的论文的关联信息之后，可以基于待分类的论文的关联信息，构建拓扑图。其中，拓扑图包含有论文对应的节点、引用论文对应的节点、作者对应的节点、机构对应的节点。并且拓扑图中每个节点对应有初始节点特征。另外，将论文对应的节点作为论文节点，将引用论文对应的节点作为引用论文节点，将作者对应的节点作为作者节点，将机构对应的节点作为机构节点。
在构建拓扑图时，以论文、论文的引用论文、论文的作者、论文的作者所属的机构为节点，以论文与引用论文之间的引用关系、作者与机构之间的归属关系、论文与作者之间的著作关系为边，构建拓扑图。
在构建的拓扑图中，可以基于论文的论文文本，确定出拓扑图中论文节点的初始节点特征。具体的，对论文的论文文本进行特征提取，得到针对论文的文本特征，作为拓扑图中论文节点的初始节点特征。
可以基于引用论文的论文文本，确定出拓扑图中引用论文节点的初始节点特征。具体的，对引用论文的论文文本进行特征提取，得到针对引用论文的文本特征，作为拓扑图中引用论文节点的初始节点特征。
可以基于作者写的所有论文的论文文本，确定出拓扑图中作者节点的初始节点特征。具体的，可以先确定出论文的作者所写的所有论文。针对所有论文中的每个论文，对该论文的论文文本进行特征提取，得到该论文的文本特征。将所有论文的文本特征进行加权求和，得到综合特征，作为作者节点的初始节点特征。
可以基于机构下的所有作者写的所有论文的论文文本，确定出拓扑图中机构节点的初始节点特征。具体的，可以先确定出机构下的所有作者。将所有作者中的每个作者对应的综合特征进行加权求和，得到融合特征，作为拓扑图中机构节点的初始节点特征。其中，确定每个作者的综合特征的方法可以包括：针对一个作者的每个论文，对该论文的论文文本进行特征提取，得到该论文的文本特征。将这个作者的所有论文的文本特征进行加权求和，得到该作者对应的综合特征。
S104：将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征。
S106：通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
在本说明书实施例中，在构建包含论文节点的拓扑图之后，可以将拓扑图输入到预先训练的论文类别预测模型中，以通过论文类别预测模型，对论文节点的初始节点特征进行调整，以得到论文节点的最终节点特征，并通过论文节点的最终节点特征，预测出论文的类别。其中，论文类别预测模型可以是指图神经网络模型。
本说明书实施例提供一种论文类别预测模型的模型结构示意图，如图2所示。在图2中，论文类别预测模型可以包括图特征处理层、多层感知器和分类层。图特征处理层用于对拓扑图中所有节点的节点特征进行预设次数的特征处理，图特征处理层可以有多个，每个图特征处理层中的拓扑图都可以通过多层感知器确定出拓扑图中任意连接的两个节点之间的注意力权重，图2以一个图特征处理层为例。多层感知器用于基于拓扑图中所有节点的节点特征，确定出任意连接的两个节点之间的注意力权重。分类层用于基于拓扑图中的论文节点的最终节点特征，对论文进行论文类别分类。
接下来，对拓扑图中所有节点的节点特征进行处理的方法进行说明。
虽然在对论文进行论文分类时只采用论文节点的节点特征，但是，拓扑图中每个节点是相互影响的，所以，在对论文节点的最终节点特征进行表达时，需要考虑到拓扑图中所有节点的节点特征以及任意连接的两个节点之间的关系特征。
因此，在将拓扑图输入到预先训练的论文类别预测模型中之后，通过论文类别预测模型，针对拓扑图中的每个节点，先确定出与该节点通过边进行连接的邻居节点，作为该节点的邻居节点。其中，该节点的邻居节点可能是一个，也可能是多个。在确定出该节点的邻居节点之后，可以对该节点的节点特征进行不断调整或更新。
通过论文类别预测模型，针对该节点的每次特征调整，根据该次特征调整下邻居节点的节点特征以及该次特征调整下该节点与邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征。之后，基于该节点的调整后特征以及该次特征调整下邻居节点的节点特征，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与邻居节点之间的注意力权重。继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止。最后，在经过预设次数的特征调整之后，得到每次特征调整下所得到的该节点的调整后特征，并根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征。
在遍历完拓扑图中所有节点之后，可以得到拓扑图中所有节点的最终节点特征。
在得到一个节点的最终节点特征的过程中，对该节点的节点特征进行多次调整，并将多次调整后的调整后特征进行融合，可以更加充分提取出邻居节点的节点特征中的关键特征，以提高该节点的特征表达的准确性。
其中，根据该次特征调整下邻居节点的节点特征以及该次特征调整下该节点与邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征的方法可以包括：
根据该次特征调整下邻居节点的节点特征以及该次特征调整下该节点与邻居节点之间的注意力权重，确定出针对该节点的聚合特征。同时，确定预设参数与该次特征调整下该节点的节点特征之间的乘积，得到平滑特征。最后，将聚合特征与平滑特征进行相加，得到该节点的调整后特征。如图3所示。
其中，计算调整后特征的公式为：h′j为拓扑图中第j个节点的调整后特征。hj表示拓扑图中第j个节点的初始节点特征，hi表示拓扑图中第j个节点的第i个邻居节点的节点特征。N表示拓扑图中第j个节点有N个邻居节点。αij表示拓扑图中第j个节点与第i个邻居节点之间的注意力权重。/>表示为聚合特征，(1+∈)hj表示为平滑特征，(1+∈)为预设参数，起到平滑作用，降低特征聚合带来的特征突变。∈为常数。
在图3中，以论文节点为例，计算论文节点在一次特征调整下所得到的调整后特征。假设论文节点的初始节点特征为h1，论文节点有3个邻居节点，3个邻居节点分别为邻居节点1、邻居节点2和邻居节点3，邻居节点1的节点特征分别为h2，邻居节点2的节点特征分别为h3和邻居节点3的节点特征分别为h4。论文节点的调整后特征为：
在第一次对该节点的节点特征进行调整时，该节点的节点特征为初始节点特征。可以先根据该节点的初始节点特征以及该节点的邻居节点的节点特征，确定出该节点与该节点的邻居节点之间的注意力权重，作为初始注意力权重。需要说明的是，邻居节点的节点特征可能是邻居节点的初始节点特征，也可能是邻居节点的最终节点特征。
在根据该节点的初始节点特征以及该节点的邻居节点的节点特征，确定出该节点与该节点的邻居节点之间的注意力权重时，可以将该节点的初始节点特征与邻居节点的节点特征进行处理，得到初始关系特征。然后，基于初始关系特征，确定出该节点与邻居节点之间的初始注意力权重。其中，处理包括：拼接处理、点乘处理、相加处理中的一种。
在基于初始关系特征，确定出该节点与邻居节点之间的初始注意力权重时，可以将初始关系特征输入到论文类别预测模型中的多层感知器，以通过多层感知器输出该节点与邻居节点之间的初始注意力权重。其中，多层感知器至少包括注意力层、池化层、Dropout层、正则化层和归一化层等。
与第一次调整该节点的节点特征类似的，在对该节点经过一次特征调整之后，可以根据该节点的调整后特征，重新确定出该节点与邻居节点之间的注意力权重。
也就是，在基于该节点的调整后特征以及该次特征调整下邻居节点的节点特征，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重时，可以将该节点的调整后特征与该次特征调整下邻居节点的节点特征进行处理，得到关系特征。其中，处理包括：拼接处理、点乘处理、相加处理中的一种。然后，根据关系特征，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
在根据关系特征，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重时，可以将关系特征输入到论文类别预测模型中的多层感知器，以通过多层感知器，对关系特征进行处理，得到调整参数，并基于调整参数，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重。其中，调整参数可以是指用于调整该次特征调整下该节点与邻居节点之间的注意力权重的参数。
在基于调整参数，对该次特征调整下该节点与邻居节点之间的注意力权重进行调整，得到调整后注意力权重时，可以将调整参数和该次特征调整下该节点与邻居节点之间的注意力权重进行异或处理，得到调整后注意力权重。
其中，计算调整后注意力权重的公式为： αij表示拓扑图中第j个节点与该节点的第i个邻居节点之间的注意力权重。MLP()表示多层感知器的处理过程。concat(hi,hj′)表示拼接拓扑图中第j个节点的调整后特征与该节点的第i个邻居节点的节点特征所得到的关系特征。
在对一个节点的节点特征进行预设次数的特征调整之后，可以确定出该节点在每次特征调整时所得到的调整后特征。然后，将该节点在每次特征调整时所得到的调整后特征和该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
例如：针对一个节点进行二次特征调整，预设次数为2。在第一次特征调整时，先确定出该节点的初始节点特征、该节点的邻居节点的节点特征、该节点与邻居节点之间的初始注意力权重。然后，将邻居节点的节点特征通过注意力权重聚合到该节点上，并结合该节点的初始节点特征，得到该节点的调整后特征，作为第一调整后特征。根据该节点的第一调整后特征与邻居节点的节点特征，对初始注意力权重进行调整，得到该节点与邻居节点之间的调整后注意力权重。在第二次特征调整时，邻居节点的节点特征不变，将该节点的特征后特征作为第二次特征调整下该节点的节点特征，将调整后注意力权重作为第二次特征调整下该节点与邻居节点之间的注意力权重。也就是，将邻居节点的节点特征通过调整后注意力权重聚合到该节点上，并结合该节点的第一调整后特征，得到对该节点的第一调整后特征进行调整后所得到的第二调整后特征。最后，将第一调整后特征、第二调整后特征以及初始节点特征进行加权求和，得到该节点的最终节点特征。
在确定出拓扑图中每个节点的最终节点特征之后，也就是确定出论文节点的最终节点特征之后，可以通过论文类别预测模型，基于论文节点的最终节点特征，预测出论文的类别。
具体的，将论文节点的最终节点特征输入到分类层，以通过分类层预测出论文的类别。
另外，在使用论文类别预测模型之前，需要先对论文类别预测模型进行训练。
具体的，先获取待分类的样本论文的样本关联信息。其中，样本关联信息包括：样本论文、样本论文的样本引用论文、样本论文的样本作者、样本论文的作者所属的样本机构。然后，基于样本关联信息，构建针对样本论文的拓扑图，作为样本拓扑图。其中，样本拓扑图包含有样本论文节点、样本引用论文节点、样本作者节点、样本机构节点等样本节点，样本拓扑图中每个样本节点对应有初始节点特征。
其中，以样本论文、样本引用论文、样本作者、样本机构为节点，以样本论文与样本引用论文之间的引用关系、样本作者与样本机构之间的归属关系、样本论文与样本作者之间的著作关系为边，构建拓扑图。基于样本论文的论文文本，确定出样本拓扑图中样本论文节点的初始节点特征。基于样本引用论文的论文文本，确定出样本拓扑图中样本引用论文节点的初始节点特征。基于样本作者写的所有论文的论文文本，确定出样本拓扑图中样本作者节点的初始节点特征。基于样本机构下的所有作者写的所有论文的论文文本，确定出样本拓扑图中样本机构节点的初始节点特征。
将样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点。针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止。根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征，并基于样本拓扑图中样本论文对应的样本节点的最终节点特征，预测出样本论文的类别。
以样本论文的类别与样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。即，对待训练的论文类别预测模型的模型参数进行调整。
其中，根据样本论文的类别与样本论文的真实类别之间的差异，确定出交叉熵损失。以交叉熵损失最小为优化目标，对待训练的论文类别预测模型进行训练。
另外，在获取针对样本论文的样本拓扑图时，无需构建样本拓扑图，可以从已有的完整拓扑图中分割出包含有样本论文的样本关联信息的子拓扑图，作为样本拓扑图。
具体的，先确定出目标拓扑图，然后，从目标拓扑图分割出包含待分类的样本论文的子拓扑图，作为样本拓扑图。其中，目标拓扑图是以各论文、各引用论文、各作者、各机构为节点，以各论文与各引用论文之间的引用关系、各作者与各机构之间的归属关系、各论文与各作者之间的著作关系为边所构建的拓扑图。
其中，对目标拓扑图进行分割的方法可以包括：实体分割、关系分割、邻居采样和黑盒算法分割。分割的总体目标可以包括：保持子拓扑图中节点分布的平衡、保证子拓扑图能放入计算机存储、度数高的实体节点应当均匀分配到不同子图中等。这些目标无法同时在一种分割算法中全部满足，需要按实际问题或者实验效果对比选择对应的目标和算法。
实体分割是逐个考虑实体节点应放入哪个子图中的方法，常见的算法有随机分区，METIS、LDG等。以随机分区为例，设定分区数量，平均且随机地分配实体节点到各个分区(即，子拓扑图)中。
关系分割是尽量把度数高的节点放在不同的子拓扑图中，保持子拓扑图的均衡的方法。
邻居采样是从单个实体节点出发，把一度邻居、二度邻居等都加入子拓扑图的方法。
黑盒算法分割是训练一个黑盒算法模型，例如，神经网络模型，用于优化分割方式。
需要说明的是，本申请中所有获取信号、信息或图像数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
通过上述图1所示的方法可见，本说明书将包含有论文的关联信息的拓扑图输入到预先训练的论文类别预测模型中，以通过论文类别预测模型，针对拓扑图中的每个节点，基于该节点的节点特征、邻居节点的节点特征以及该节点与邻居节点之间的注意力权重，对该节点的初始节点特征进行预设次数的特征调整，得到节点的最终节点特征，并基于论文节点的最终节点特征，预测出论文的类别。其中，关联信息包括：论文、引用论文、论文的作者、作者的机构等。在此方法中，在综合考虑论文与引用论文之间的关系、论文与作者之间的关系、作者与机构之间的关系的情况下，多次融合其他节点的节点特征，以对论文节点的节点特征进行调整来确定出论文节点的最终节点特征，可以提高论文节点的特征表达的准确性，再基于论文节点的最终节点特征进行分类，可以提高论文分类的准确性。
以上为本说明书实施例提供的论文分类方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
图4为本说明书实施例提供的一种论文分类装置的结构示意图，所述装置包括：
获取模块401，用于获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构；
构建模块402，用于基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征；
特征表达模块403，用于将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征；
论文分类模块404，用于通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
所述装置还包括，训练模块405；
训练模块405，用于获取待分类的样本论文的样本关联信息，所述样本关联信息包括：所述样本论文、所述样本论文的样本引用论文、所述样本论文的作者、所述样本论文的作者所属的机构；基于所述样本关联信息，构建针对所述样本论文的拓扑图，作为样本拓扑图，其中，所述样本拓扑图中每个样本节点对应有初始节点特征；将所述样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对所述样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点；针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止；根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征；基于所述样本拓扑图中所述样本论文对应的样本节点的最终节点特征，预测出所述样本论文的类别；以所述样本论文的类别与所述样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。
可选地，所述构建模块402具体用于，以所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构为节点，以所述论文与所述引用论文之间的引用关系、所述作者与所述机构之间的归属关系、所述论文与所述作者之间的著作关系为边，构建拓扑图；基于所述论文的论文文本，确定出所述拓扑图中所述论文节点的初始节点特征；基于所述引用论文的论文文本，确定出所述拓扑图中所述引用论文节点的初始节点特征；基于所述作者写的所有论文的论文文本，确定出所述拓扑图中所述作者节点的初始节点特征；基于所述机构下的所有作者写的所有论文的论文文本，确定出所述拓扑图中所述机构节点的初始节点特征。
可选地，所述特征表达模块403具体用于，将该节点的调整后特征与该次特征调整下所述邻居节点的节点特征进行处理，得到关系特征；其中，处理包括：拼接处理、点乘处理、相加处理中的一种；根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，所述特征表达模块403具体用于，将所述关系特征输入到所述论文类别预测模型中的多层感知器，以通过所述多层感知器，对所述关系特征进行处理，得到调整参数；其中，所述多层感知器至少包括：注意力层、池化层、Dropout层、正则化层和归一化层；基于所述调整参数，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
可选地，所述特征表达模块403具体用于，将针对该节点的每次特征调整下所得到的该节点的调整后特征以及该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的论文分类方法。
基于图1所示的论文分类方法，本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的论文分类方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (15)

1.一种论文分类方法，其特征在于，包括：
获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构；
基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征；
将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征；
通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
2.如权利要求1所述的方法，其特征在于，基于所述关联信息，构建拓扑图，具体包括：
以所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构为节点，以所述论文与所述引用论文之间的引用关系、所述作者与所述机构之间的归属关系、所述论文与所述作者之间的著作关系为边，构建拓扑图；
基于所述论文的论文文本，确定出所述拓扑图中所述论文节点的初始节点特征；基于所述引用论文的论文文本，确定出所述拓扑图中所述引用论文节点的初始节点特征；基于所述作者写的所有论文的论文文本，确定出所述拓扑图中所述作者节点的初始节点特征；基于所述机构下的所有作者写的所有论文的论文文本，确定出所述拓扑图中所述机构节点的初始节点特征。
3.如权利要求1所述的方法，其特征在于，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，具体包括：
根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，确定出针对该节点的聚合特征；确定预设参数与该次特征调整下该节点的节点特征之间的乘积，得到平滑特征；
将所述聚合特征与所述平滑特征进行相加，得到该节点的调整后特征。
4.如权利要求1所述的方法，其特征在于，基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，具体包括：
将该节点的调整后特征与该次特征调整下所述邻居节点的节点特征进行处理，得到关系特征；其中，处理包括：拼接处理、点乘处理、相加处理中的一种；
根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
5.如权利要求4所述的方法，其特征在于，根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，具体包括：
将所述关系特征输入到所述论文类别预测模型中的多层感知器，以通过所述多层感知器，对所述关系特征进行处理，得到调整参数；其中，所述多层感知器至少包括：注意力层、池化层、Dropout层、正则化层和归一化层；
基于所述调整参数，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
6.如权利要求1所述的方法，其特征在于，根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征，具体包括：
将针对该节点的每次特征调整下所得到的该节点的调整后特征以及该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
7.如权利要求1所述的方法，其特征在于，预先训练所述论文类别预测模型，具体包括：
获取待分类的样本论文的样本关联信息，所述样本关联信息包括：所述样本论文、所述样本论文的样本引用论文、所述样本论文的作者、所述样本论文的作者所属的机构；
基于所述样本关联信息，构建针对所述样本论文的拓扑图，作为样本拓扑图，其中，所述样本拓扑图中每个样本节点对应有初始节点特征；
将所述样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对所述样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点；针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止；根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征；基于所述样本拓扑图中所述样本论文对应的样本节点的最终节点特征，预测出所述样本论文的类别；
以所述样本论文的类别与所述样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。
8.一种论文分类装置，其特征在于，包括：
获取模块，用于获取待分类的论文的关联信息，其中，所述关联信息包括：所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构；
构建模块，用于基于所述关联信息，构建拓扑图，其中，所述拓扑图包含有论文节点、引用论文节点、作者节点、机构节点，所述拓扑图中每个节点对应有初始节点特征；
特征表达模块，用于将所述拓扑图输入到预先训练的论文类别预测模型中，以通过所述论文类别预测模型，针对所述拓扑图中的每个节点，确定与该节点通过边进行连接的邻居节点；针对该节点的每次特征调整，根据该次特征调整下所述邻居节点的节点特征以及该次特征调整下该节点与所述邻居节点之间的注意力权重，对该次特征调整下该节点的节点特征进行调整，得到该节点的调整后特征，作为下一次特征调整下该节点的节点特征，并基于该节点的调整后特征以及该次特征调整下所述邻居节点的节点特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该节点与所述邻居节点之间的注意力权重，继续针对该节点的下一次特征调整，继续对该节点的节点特征进行调整，直到特征调整的次数达到预设次数为止；根据针对该节点的每次特征调整下所得到的该节点的调整后特征，对该节点的初始节点特征进行调整，得到该节点的最终节点特征；
论文分类模块，用于通过所述论文类别预测模型，基于所述拓扑图中所述论文节点的最终节点特征，预测出所述论文的类别。
9.如权利要求8所述的装置，其特征在于，所述构建模块，具体用于以所述论文、所述论文的引用论文、所述论文的作者、所述论文的作者所属的机构为节点，以所述论文与所述引用论文之间的引用关系、所述作者与所述机构之间的归属关系、所述论文与所述作者之间的著作关系为边，构建拓扑图；基于所述论文的论文文本，确定出所述拓扑图中所述论文节点的初始节点特征；基于所述引用论文的论文文本，确定出所述拓扑图中所述引用论文节点的初始节点特征；基于所述作者写的所有论文的论文文本，确定出所述拓扑图中所述作者节点的初始节点特征；基于所述机构下的所有作者写的所有论文的论文文本，确定出所述拓扑图中所述机构节点的初始节点特征。
10.如权利要求8所述的装置，其特征在于，所述特征表达模块，具体用于将该节点的调整后特征与该次特征调整下所述邻居节点的节点特征进行处理，得到关系特征；其中，处理包括：拼接处理、点乘处理、相加处理中的一种；根据所述关系特征，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
11.如权利要求10所述的装置，其特征在于，所述特征表达模块，具体用于将所述关系特征输入到所述论文类别预测模型中的多层感知器，以通过所述多层感知器，对所述关系特征进行处理，得到调整参数；其中，所述多层感知器至少包括：注意力层、池化层、Dropout层、正则化层和归一化层；基于所述调整参数，对该次特征调整下该节点与所述邻居节点之间的注意力权重进行调整，得到调整后注意力权重。
12.如权利要求8所述的装置，其特征在于，所述特征表达模块，具体用于将针对该节点的每次特征调整下所得到的该节点的调整后特征以及该节点的初始节点特征进行加权求和，得到该节点的最终节点特征。
13.如权利要求8所述的装置，其特征在于，还包括：训练模块；
所述训练模块，具体用于获取待分类的样本论文的样本关联信息，所述样本关联信息包括：所述样本论文、所述样本论文的样本引用论文、所述样本论文的作者、所述样本论文的作者所属的机构；基于所述样本关联信息，构建针对所述样本论文的拓扑图，作为样本拓扑图，其中，所述样本拓扑图中每个样本节点对应有初始节点特征；将所述样本拓扑图输入到待训练的论文类别预测模型中，以通过待训练的论文类别预测模型，针对所述样本拓扑图中的每个样本节点，确定与该样本节点通过边进行连接的样本邻居节点；针对该样本节点的每次特征调整，根据该次特征调整下所述样本邻居节点的节点特征以及该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，对该次特征调整下该样本节点的节点特征进行调整，得到该样本节点的调整后特征，作为下一次特征调整下该样本节点的节点特征，并基于该样本节点的调整后特征以及该次特征调整下所述样本邻居节点的节点特征，对该次特征调整下该样本节点与所述样本邻居节点之间的注意力权重进行调整，得到调整后注意力权重，作为下一次特征调整下该样本节点与所述样本邻居节点之间的注意力权重，继续针对该样本节点的下一次特征调整，继续对该样本节点的节点特征进行调整，直到特征调整的次数到达预设次数为止；根据针对该样本节点的每次特征调整下所得到的该样本节点的调整后特征，对该样本节点的初始节点特征进行调整，得到该样本节点的最终节点特征；基于所述样本拓扑图中所述样本论文对应的样本节点的最终节点特征，预测出所述样本论文的类别；以所述样本论文的类别与所述样本论文的真实类别之间的差异最小化为优化目标，对待训练的论文类别预测模型进行训练。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
CN202310536784.9A 2023-05-10 2023-05-10 一种论文分类方法、装置、存储介质及电子设备 Pending CN116484002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310536784.9A CN116484002A (zh) 2023-05-10 2023-05-10 一种论文分类方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310536784.9A CN116484002A (zh) 2023-05-10 2023-05-10 一种论文分类方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN116484002A true CN116484002A (zh) 2023-07-25

Family

ID=87217802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310536784.9A Pending CN116484002A (zh) 2023-05-10 2023-05-10 一种论文分类方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116484002A (zh)

Similar Documents

Publication Publication Date Title
CN112329680B (zh) 基于类激活图的半监督遥感影像目标检测和分割方法
CN112861522B (zh) 基于双重注意力机制的方面级情感分析方法、系统及模型
CN116304720B (zh) 一种代价模型训练的方法、装置、存储介质及电子设备
CN116663618B (zh) 一种算子优化方法、装置、存储介质及电子设备
CN116502679B (zh) 一种模型构建方法、装置、存储介质及电子设备
CN111834004A (zh) 一种基于中心化空间学习的未知疾病类别识别方法及装置
CN110516915B (zh) 业务节点训练、评估方法、装置及电子设备
CN115526390A (zh) 用于预测企业风险的方法、装置及存储介质
CN114372566A (zh) 图数据的增广、图神经网络训练方法、装置以及设备
CN116757278B (zh) 一种预测模型的训练方法、装置、存储介质及电子设备
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置
CN116186330B (zh) 一种基于多模态学习的视频去重方法及装置
CN117313141A (zh) 一种异常检测方法、装置、设备及可读存储介质
CN116484002A (zh) 一种论文分类方法、装置、存储介质及电子设备
CN116152933A (zh) 一种异常检测模型的训练方法、装置、设备及存储介质
CN114912513A (zh) 一种模型训练的方法、识别信息的方法及装置
Liu et al. Api-prefer: An api package recommender system based on composition feature learning
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN114611517B (zh) 基于深度学习的命名实体识别方法、装置、设备和介质
CN115862675B (zh) 一种情感识别方法、装置、设备及存储介质
CN116882767B (zh) 一种基于不完善异构关系网络图的风险预测方法及装置
CN117933707A (zh) 一种风控模型解释方法、装置、存储介质及电子设备
CN117744155A (zh) 一种执行风控业务的方法、装置及存储介质
CN117494052A (zh) 一种基于时空静态信息自动化生成的预测方法及装置

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