混合信息增强的论文推荐方法

doi:10.11772/j.issn.1001-9081.2024050708

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (6): 1879-1887.DOI: 10.11772/j.issn.1001-9081.2024050708

• 数据科学与技术 • 上一篇

混合信息增强的论文推荐方法

郭盼盼, 周刚(), 卢记仓, 李珠峰, 祝涛杰

信息工程大学数据与目标工程学院，郑州 450001

收稿日期:2024-05-28 修回日期:2024-08-01 接受日期:2024-08-08 发布日期:2024-08-26 出版日期:2025-06-10
通讯作者: 周刚
作者简介:郭盼盼（1992—），女，河南周口人，博士研究生，主要研究方向：推荐系统
周刚（1974—），男，江苏常州人，教授，博士，主要研究方向：大数据分析、大数据智能、知识图谱 zhougang_ieu@126.com
卢记仓（1985—），男，河北大名人，副教授，博士，主要研究方向：数据智能、社交媒体挖掘
李珠峰（1983—），男，河南郑州人，讲师，博士，主要研究方向：大数据分析、自然语言处理
祝涛杰（1995—），男，河南周口人，助教，硕士，主要研究方向：知识图谱、数据挖掘。
基金资助:
河南省自然科学基金资助项目(222300420590)

Paper recommendation method with mixed information enhancement

Panpan GUO, Gang ZHOU(), Jicang LU, Zhufeng LI, Taojie ZHU

School of Data and Target Engineering，Information Engineering University，Zhengzhou Henan 450001，China

Received:2024-05-28 Revised:2024-08-01 Accepted:2024-08-08 Online:2024-08-26 Published:2025-06-10
Contact: Gang ZHOU
About author:GUO Panpan， born in 1992， Ph. D. candidate. Her research interests include recommendation system
ZHOU Gang， born in 1974， Ph. D.， professor. His research interests include big data analysis， big data intelligence， knowledge graph.
LU Jicang， born in 1985， Ph. D.， associate professor. His research interests include data intelligence， social media mining.
LI Zhufeng， born in 1983， Ph. D.， lecturer. His research interests include big data analysis， natural language processing.
ZHU Taojie， born in 1995， M. S.， teaching assistant. His research interests include knowledge graph， data mining.
Supported by:
Natural Science Foundation of Henan Province(222300420590)

摘要/Abstract

摘要：

针对传统协同过滤（CF）存在的数据稀疏和冷启动的问题以及在矩阵分解方法生成结果矩阵的过程中由于各种变换产生误差的问题，提出一种混合信息增强的低秩稀疏矩阵分解（LSMF）论文推荐方法。首先，利用预训练的文档级表示学习和引文感知转换器SPECTER（Scientific Paper Embeddings using Citation-informed TransformERs）学习论文的表示，计算并构造文章之间的相似度矩阵，将相似度矩阵与引文矩阵相加得到一个混合信息矩阵；其次，通过矩阵乘法将内容相似信息与引用信息融入到论文-作者矩阵中；最后，利用LSMF模型分解论文-作者矩阵以得到推荐列表。在ACL文集网络（AAN）和DBLP数据集上的实验结果表明，所提方法取得了较好的推荐性能，且所提方法引入内容信息与引用信息的方式同样适用于其他矩阵分解模型。对于非负矩阵分解（NMF）、奇异值分解（SVD）、低秩稀疏矩阵补全（LSMC）和去分解（GoDec），利用混合信息后的模型比未利用混合信息的原模型在2个数据集上的前30个推荐结果的召回率（R@30）分别提升了18.72、7.43、11.53、14.62和20.58、2.11、7.91、5.01个百分点。

Abstract:

To address the problems of data sparsity and cold start in traditional Collaborative Filtering （CF）， as well as errors caused by various transformations in the process of generating result matrices using matrix factorization methods， a Low-rank and Sparse Matrix Factorization （LSMF） paper recommendation method with mixed information enhancement was proposed. Firstly， pre-trained document-level representation learning and citation aware converter — SPECTER （Scientific Paper Embeddings using Citation-informed TransformERs） was used to learn the representation of papers， and then the similarity matrix among papers was calculated and constructed. Secondly， the similarity matrix and citation matrix were added together to form a mixed information matrix， and then the content similarity information and citation information were integrated into the paper-author matrix through matrix multiplication. Finally， the recommendation list was obtained by using LSMF model to decompose the paper-author matrix. Experimental results on ACL Anthology Network （AAN） and DBLP datasets show that the proposed method achieves better recommendation performance， and the way of introducing content information and citation information in the proposed method can be equally applicable to other matrix factorization models. For Non-negative Matrix Factorization （NMF）， Singular Value Decomposition （SVD）， Low-rank and Sparse Matrix Completion （LSMC）， and Go Decomposition （GoDec）， the Recall values of the top 30 recommended results （R@30） of these models with mixed information are increased by 18.72，7.43，11.53，14.62 and 20.58， 2.11， 7.91， 5.01 percentage points， respectively， compared with those of the original models on the two datasets.

Key words: paper recommendation, Collaborative Filtering (CF), data sparsity, cold start, Low-rank and Sparse Matrix Factorization (LSMF)

中图分类号:

TP391.3

郭盼盼, 周刚, 卢记仓, 李珠峰, 祝涛杰. 混合信息增强的论文推荐方法[J]. 计算机应用, 2025, 45(6): 1879-1887.

Panpan GUO, Gang ZHOU, Jicang LU, Zhufeng LI, Taojie ZHU. Paper recommendation method with mixed information enhancement[J]. Journal of Computer Applications, 2025, 45(6): 1879-1887.

图/表 9

参考文献 39

1	YANG C， SHI Q. An interval perturbation method for Singular Value Decomposition （SVD） with Unknown-But-Bounded （UBB） parameters［J］. Journal of Computational and Applied Mathematics， 2024， 436： No.115436.
2	STEWART G W. On the early history of the singular value decomposition ［J］. SIAM Review， 1993， 35（4）： 551-566.
3	SHI W， WANG L， QIN J. User embedding for rating prediction in SVD++-based collaborative filtering ［J］. Symmetry， 2020， 12（1）： No. 121.
4	FAN J， JI R， TIAN Y. Collaborative filtering recommendation algorithm based on improved biasSVD［C］// Proceedings of 6th International Conference on Control， Robotics and Cybernetics. Piscataway： IEEE， 2021： 297-300.
5	TO T L， McCOY J G， OSTRIKER N K， et al. PMF-seq： a highly scalable screening strategy for linking genetics to mitochondrial bioenergetics ［J］. Nature Metabolism， 2024， 6（4）： 687-696.
6	ZHOU T， TAO D. GoDec： randomized low-rank & sparse matrix decomposition in noisy case［C］// Proceedings of the 28th International Conference on Machine Learning. Madison， WI： Omnipress， 2011： 33-40.
7	CANDÈS E J， LI X， MA Y， et al. Robust principal component analysis？［J］. Journal of the ACM， 2011， 58（3）： No.11.
8	McNEE S M， ALBERT I， COSLEY D， et al. On the recommending of citations for research papers［C］// Proceedings of the 2002 ACM Conference on Computer Supported Cooperative Work. New York： ACM， 2002： 116-125.
9	LI Y， WANG R， NAN G， et al. A personalized paper recommendation method considering diverse user preferences［J］. Decision Support Systems， 2021， 146： No.113546.
10	CHEN J， LIU Y， ZHAO S， et al. Citation recommendation based on weighted heterogeneous information network containing semantic linking ［C］// Proceedings of the 2019 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2019： 31-36.
11	张金柱，孙雯雯，仇蒙蒙. 融合异构网络表示学习与注意力机制的引文推荐研究［J］. 数据分析与知识发现， 2024， 8（10）：14-27.
	ZHANG J Z， SUN W W， QIU M M. Citation recommendation using heterogeneous network representation learning and attention mechanism［J］. Data Analysis and Knowledge Discovery， 2024， 8（10）：14-27.
12	樊海玮，鲁芯丝雨，张丽苗，等. 融合知识图谱和图注意力网络的引文推荐算法［J］. 计算机应用， 2023， 43（8）： 2420-2425.
	FAN H W， LU X S Y， ZHANG L M， et al. Citation recommendation algorithm fusing knowledge graph and graph attention network［J］. Journal of Computer Applications， 2023， 43（8）： 2420-2425.
13	祝婷. 融合网络表示学习与文本信息的学术文献推荐方法［J］. 科技情报， 2022， 8（3）： 81-92.
	ZHU T. An academic paper recommendation method by network representation learning and text information［J］. Technology Intelligence Engineering， 2022， 8（3）： 81-92.
14	DU N， GUO J， WU C Q， et al. Recommendation of academic papers based on heterogeneous information networks［C］// Proceedings of the 17th IEEE/ACS International Conference on Computer Systems and Applications. Piscataway： IEEE， 2020： 1-6.
15	ZHAO Z L， HUANG L， WANG C D， et al. Low-rank and sparse matrix completion for recommendation［C］// Proceedings of the 2017 International Conference on Neural Information Processing， LNCS 10638. Cham： Springer， 2017： 3-13.
16	DAI T， GAO T， ZHU L， et al. Low-rank and sparse matrix factorization for scientific paper recommendation in heterogeneous network ［J］. IEEE Access， 2018， 6： 59015-59030.
17	SCHAFER J B， FRANKOWSKI D， HERLOCKER J， et al. Collaborative filtering recommender systems［M］// BRUSILOVSKY P， KOBSA A， NEJDL W. The adaptive web： methods and strategies of web personalization， LNCS 4321. Berlin： Springer， 2007： 291-324.
18	YANG C， WEI B， WU J， et al. CARES： a ranking-oriented CADAL recommender system［C］// Proceedings of the 9th ACM/IEEE-CS Joint Conference on Digital libraries. New York： ACM， 2009： 203-212.
19	CARAGEA C， SILVESCU A， MITRA P， et al. Can’t see the forest for the trees？ a citation recommendation system［C］// Proceedings of the 13th ACM/IEEE-CS Joint Conference on Digital libraries. New York： ACM， 2013： 111-114.
20	HARUNA K， AKMAR ISMAIL M， DAMIASIH D， et al. A collaborative approach for research paper recommender system［J］. PLoS ONE， 2017， 12（10）： No.e0184516.
21	DAI T， ZHU L， CAI X， et al. Explore semantic topics and author communities for citation recommendation in bipartite bibliographic network［J］. Journal of Ambient Intelligence and Humanized Computing， 2018， 9（4）： 957-975.
22	郭贵冰. 推荐系统进展：方法与技术［M］. 北京：科学出版社， 2019：4.
	GUO G B. Recommendation systems progress： methods and techniques ［M］. Beijing： Science Press， 2019： 4.
23	WANG G， HE X， ISHUGA C I. HAR-SI： a novel hybrid article recommendation approach［J］. Knowledge-Based Systems， 2018， 148： 85-99.
24	SUN J， MA J， LIU Z， et al. Leveraging content and connections for scientific article recommendation in social computing contexts［J］. The Computer Journal， 2014， 57（9）： 1331-1342.
25	SUGIYAMA K， KAN M Y. A comprehensive evaluation of scholarly paper recommendation using potential citation papers［J］. International Journal on Digital Libraries， 2015， 16（2）： 91-109.
26	WANG C， BLEI D M. Collaborative topic modeling for recommending scientific articles［C］// Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2011： 448-456.
27	WANG J， ZHU L， DAI T， et al. Low-rank and sparse matrix factorization with prior relations for recommender systems［J］. Applied intelligence， 2021， 51： 3435-3449.
28	HE J， CHEN J， XU H， et al. Small target detection method based on low-rank sparse matrix factorization for side-scan sonar images［J］. Remote Sensing， 2023， 15（8）： No.2054.
29	ZARMEHI N， AMINI A， MARVASTI F. Low rank and sparse decomposition for image and video applications［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2019， 30（7）： 2046-2056.
30	XIE T， LI S， SUN B. Hyperspectral images denoising via nonconvex regularized low-rank and sparse matrix decomposition［J］. IEEE Transactions on Image Processing， 2019， 29： 44-56.
31	CHEN C， CAI J， LIN W， et al. Surveillance video coding via low-rank and sparse decomposition［C］// Proceedings of the 20th ACM international conference on Multimedia. New York： ACM， 2012： 713-716.
32	NING X， KARYPIS G. SLIM： sparse linear methods for top-n recommender systems［C］// Proceedings of the 11th IEEE International Conference on Data Mining. Piscataway： IEEE， 2011： 497-506.
33	ZHOU T， TAO D. Bilateral random projections［C］// Proceedings of the 2012 IEEE International Symposium on Information Theory. Piscataway IEEE， 2012： 1286-1290.
34	BELTAGY I， LO K， COHAN A. SciBERT： a pretrained language model for scientific text ［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 3615-3620.
35	LU Y， YUAN M， LIU J， et al. Research on semantic representation and citation recommendation of scientific papers with multiple semantics fusion［J］. Scientometrics， 2023， 128（2）： 1367-1393.
36	ROWEIS S. EM algorithms for PCA and SPCA ［C］// Proceedings of the 11th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 1997： 626-632.
37	BREDIES K， LORENZ D A. Iterated hard shrinkage for minimization problems with sparsity constraints ［J］. SIAM Journal on Scientific Computing， 2008， 30（2）： 657-683.
38	PENG S， SUGIYAMA K， MINE T. SVD-GCN： a simplified graph convolution paradigm for recommendation ［C］// Proceedings of the 31st ACM International Conference on Information and Knowledge Management. New York： ACM， 2022： 1625-1634.
39	AGHDAM M H， ANALOUI M， KABIRI P. Collaborative filtering using non-negative matrix factorisation［J］. Journal of Information Science， 2017， 43（4）： 567-579

数据集	方法	R@5	R@10	R@15	R@20	R@25	R@30	N@5	N@10	N@15	N@20	N@25	N@30
AAN	NMF	0.007 7	0.017 9	0.028 2	0.030 7	0.043 6	0.053 8	0.027 7	0.056 1	0.077 1	0.081 8	0.103 6	0.119 5
	NMF⁺	0.069 2	0.125 6	0.174 4	0.192 3	0.220 5	0.241 0	0.141 5	0.212 8	0.267 7	0.287 0	0.316 4	0.337 3
	SVD	0.005 1	0.005 1	0.007 7	0.007 7	0.007 7	0.010 3	0.017 0	0.017 0	0.027 7	0.027 7	0.027 7	0.036 2
	SVD⁺	0.023 1	0.046 2	0.053 8	0.059 0	0.059 0	0.084 6	0.067 1	0.107 7	0.119 5	0.127 0	0.127 0	0.162 2
	LSMC	0.000 0	0.002 6	0.002 6	0.002 6	0.002 6	0.002 6	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0
	LSMC⁺	0.028 2	0.059 0	0.079 5	0.094 9	0.105 1	0.117 9	0.077 1	0.127 0	0.155 5	0.175 4	0.188 2	0.203 7
	GoDec	0.048 7	0.092 3	0.125 6	0.146 2	0.151 3	0.156 4	0.111 7	0.172 1	0.212 8	0.236 5	0.242 3	0.248 0
	GoDec⁺	0.053 8	0.141 0	0.179 5	0.230 8	0.264 1	0.302 6	0.119 5	0.230 7	0.273 3	0.326 9	0.360 4	0.397 8
DBLP	NMF	0.002 6	0.002 6	0.005 3	0.005 3	0.007 9	0.010 6	0.000 0	0.000 0	0.017 3	0.017 3	0.028 3	0.037 0
	NMF⁺	0.084 4	0.110 8	0.142 5	0.163 6	0.195 3	0.216 4	0.162 4	0.195 6	0.232 8	0.256 4	0.290 6	0.312 6
	SVD	0.002 6	0.002 6	0.002 6	0.002 6	0.007 9	0.007 9	0.000 0	0.000 0	0.000 0	0.000 0	0.028 3	0.028 3
	SVD⁺	0.002 6	0.007 9	0.015 8	0.023 7	0.023 7	0.029 0	0.000 0	0.028 3	0.051 1	0.068 6	0.068 6	0.078 8
	LSMC	0.007 9	0.007 9	0.007 9	0.010 6	0.010 6	0.010 6	0.028 3	0.028 3	0.028 3	0.037 0	0.037 0	0.037 0
	LSMC⁺	0.036 9	0.058 0	0.073 9	0.076 5	0.081 8	0.089 7	0.092 9	0.126 0	0.148 3	0.151 9	0.158 9	0.169 2
	GoDec	0.113 5	0.182 1	0.203 2	0.221 6	0.237 5	0.240 1	0.198 8	0.276 5	0.298 9	0.318 1	0.334 2	0.336 8
	GoDec⁺	0.131 9	0.184 7	0.216 4	0.248 0	0.274 4	0.290 2	0.220 6	0.279 3	0.312 6	0.344 8	0.370 9	0.386 4

数据集	方法	R@5	R@10	R@15	R@20	R@25	R@30	N@5	N@10	N@15	N@20	N@25	N@30
AAN	NMF	0.007 7	0.017 9	0.028 2	0.030 7	0.043 6	0.053 8	0.027 7	0.056 1	0.077 1	0.081 8	0.103 6	0.119 5
	NMF⁺	0.069 2	0.125 6	0.174 4	0.192 3	0.220 5	0.241 0	0.141 5	0.212 8	0.267 7	0.287 0	0.316 4	0.337 3
	SVD	0.005 1	0.005 1	0.007 7	0.007 7	0.007 7	0.010 3	0.017 0	0.017 0	0.027 7	0.027 7	0.027 7	0.036 2
	SVD⁺	0.023 1	0.046 2	0.053 8	0.059 0	0.059 0	0.084 6	0.067 1	0.107 7	0.119 5	0.127 0	0.127 0	0.162 2
	LSMC	0.000 0	0.002 6	0.002 6	0.002 6	0.002 6	0.002 6	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0
	LSMC⁺	0.028 2	0.059 0	0.079 5	0.094 9	0.105 1	0.117 9	0.077 1	0.127 0	0.155 5	0.175 4	0.188 2	0.203 7
	GoDec	0.048 7	0.092 3	0.125 6	0.146 2	0.151 3	0.156 4	0.111 7	0.172 1	0.212 8	0.236 5	0.242 3	0.248 0
	GoDec⁺	0.053 8	0.141 0	0.179 5	0.230 8	0.264 1	0.302 6	0.119 5	0.230 7	0.273 3	0.326 9	0.360 4	0.397 8
DBLP	NMF	0.002 6	0.002 6	0.005 3	0.005 3	0.007 9	0.010 6	0.000 0	0.000 0	0.017 3	0.017 3	0.028 3	0.037 0
	NMF⁺	0.084 4	0.110 8	0.142 5	0.163 6	0.195 3	0.216 4	0.162 4	0.195 6	0.232 8	0.256 4	0.290 6	0.312 6
	SVD	0.002 6	0.002 6	0.002 6	0.002 6	0.007 9	0.007 9	0.000 0	0.000 0	0.000 0	0.000 0	0.028 3	0.028 3
	SVD⁺	0.002 6	0.007 9	0.015 8	0.023 7	0.023 7	0.029 0	0.000 0	0.028 3	0.051 1	0.068 6	0.068 6	0.078 8
	LSMC	0.007 9	0.007 9	0.007 9	0.010 6	0.010 6	0.010 6	0.028 3	0.028 3	0.028 3	0.037 0	0.037 0	0.037 0
	LSMC⁺	0.036 9	0.058 0	0.073 9	0.076 5	0.081 8	0.089 7	0.092 9	0.126 0	0.148 3	0.151 9	0.158 9	0.169 2
	GoDec	0.113 5	0.182 1	0.203 2	0.221 6	0.237 5	0.240 1	0.198 8	0.276 5	0.298 9	0.318 1	0.334 2	0.336 8
	GoDec⁺	0.131 9	0.184 7	0.216 4	0.248 0	0.274 4	0.290 2	0.220 6	0.279 3	0.312 6	0.344 8	0.370 9	0.386 4

数据集	方法	R@5	R@10	R@15	R@20	R@25	R@30	N@5	N@10	N@15	N@20	N@25	N@30
AAN	GoDec^c+	0.038 5	0.079 5	0.110 3	0.148 7	0.164 1	0.182 1	0.095 2	0.155 4	0.194 5	0.239 4	0.256 5	0.276 0
	GoDec^s+	0.082 1	0.135 9	0.156 4	0.192 3	0.212 8	0.233 3	0.158 8	0.224 8	0.248 0	0.287 0	0.308 5	0.329 5
	GoDec⁺	0.053 8	0.141 0	0.179 5	0.230 8	0.264 1	0.302 6	0.119 5	0.230 7	0.273 3	0.326 9	0.360 4	0.397 8
DBLP	GoDec^c+	0.116 1	0.182 1	0.203 2	0.221 6	0.237 5	0.237 5	0.202 0	0.276 5	0.298 9	0.318 1	0.334 2	0.334 2
	GoDec^s+	0.129 3	0.190 0	0.221 6	0.248 0	0.271 8	0.287 6	0.217 6	0.285 0	0.318 1	0.344 8	0.368 4	0.383 8
	GoDec⁺	0.131 9	0.184 7	0.216 4	0.248 0	0.274 4	0.290 2	0.220 6	0.279 3	0.312 6	0.344 8	0.370 9	0.386 4

数据集	方法	R@5	R@10	R@15	R@20	R@25	R@30	N@5	N@10	N@15	N@20	N@25	N@30
AAN	GoDec^c+	0.038 5	0.079 5	0.110 3	0.148 7	0.164 1	0.182 1	0.095 2	0.155 4	0.194 5	0.239 4	0.256 5	0.276 0
	GoDec^s+	0.082 1	0.135 9	0.156 4	0.192 3	0.212 8	0.233 3	0.158 8	0.224 8	0.248 0	0.287 0	0.308 5	0.329 5
	GoDec⁺	0.053 8	0.141 0	0.179 5	0.230 8	0.264 1	0.302 6	0.119 5	0.230 7	0.273 3	0.326 9	0.360 4	0.397 8
DBLP	GoDec^c+	0.116 1	0.182 1	0.203 2	0.221 6	0.237 5	0.237 5	0.202 0	0.276 5	0.298 9	0.318 1	0.334 2	0.334 2
	GoDec^s+	0.129 3	0.190 0	0.221 6	0.248 0	0.271 8	0.287 6	0.217 6	0.285 0	0.318 1	0.344 8	0.368 4	0.383 8
	GoDec⁺	0.131 9	0.184 7	0.216 4	0.248 0	0.274 4	0.290 2	0.220 6	0.279 3	0.312 6	0.344 8	0.370 9	0.386 4

方法	文章编号	文章标题
GoDec⁺	10068	Multi-Objective Optimization Robust Power Efficient Secure Full-Duplex Wireless Communication Systems
	13593	Secure Green SWIPT Distributed Antenna Networks With Limited Backhaul Capacity
	566	Resource Allocation Outdoor-to-Indoor Multicarrier Transmission Shared UE-Side Distributed Antenna Systems
	902	Multiobjective Resource Allocation Secure Communication Cognitive Radio Networks With Wireless Information Power Transfer
	4161	Optimal Multiuser Scheduling Schemes Simultaneous Wireless Information Power Transfer
	2600	Application smart antenna technology simultaneous wireless information power transfer
	1773	Wireless Information Power Transfer Relay Systems With Multiple Antennas Interference
	13504	Relay Selection Simultaneous Information Transmission Wireless Energy Transfer ： A Tradeoff Perspective
	380	Secure Massive MIMO transmission presence active eavesdropper
	1011	Artificial Noise Assisted Secure Transmission Under Training Feedback
GoDec	11025	Multiantenna Wireless Powered Communication With Cochannel Energy Information Transfer
	4331	Distributed Energy Beamforming Simultaneous Wireless Information Power Transfer Two-Way Relay Channel
	902	Multiobjective Resource Allocation Secure Communication Cognitive Radio Networks With Wireless Information Power Transfer
	8372	Power Control Game Multisource Multirelay Cooperative Communication Systems With Quality-of-Service Constraint
	13521	Full-Duplex Wireless-Powered Communication Network With Energy Causality
	10068	Multi-Objective Optimization Robust Power Efficient Secure Full-Duplex Wireless Communication Systems
	2394	Energy Harvesting Two-Way OFDM Communications Hostile Jamming
	13593	Secure Green SWIPT Distributed Antenna Networks With Limited Backhaul Capacity
	12880	Robust Resource Allocation Enhance Physical Layer Security Systems With Full-Duplex Receivers ： Active Adversary
	566	Resource Allocation Outdoor-to-Indoor Multicarrier Transmission Shared UE-Side Distributed Antenna Systems

混合信息增强的论文推荐方法

Paper recommendation method with mixed information enhancement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 39

相关文章 15

编辑推荐

Metrics

[1]	党伟超, 温鑫瑜, 高改梅, 刘春霞. 基于多视图多尺度对比学习的图协同过滤[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1061-1068.
[2]	盛坤, 王中卿. 基于大语言模型和数据增强的通感隐喻分析[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 794-800.
[3]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[4]	周北京, 王海荣, 王怡梦, 张丽丝, 马赫. 图谱嵌入传播的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3252-3259.
[5]	潘润超, 虞启山, 熊泓霏, 刘智慧. 基于深度图神经网络的协同推荐算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2741-2746.
[6]	杨晓菡, 郝国生, 张谢华, 杨子豪. 基于协同训练与Boosting的协同过滤算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3136-3141.
[7]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[8]	顾军华, 王锐, 李宁宁, 张素琪. 融合协同过滤信息的知识图注意力网络[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1087-1092.
[9]	周寅莹, 章梦怡, 余敦辉, 朱明. 融合信任隐含相似度与评分相似度的社会化推荐[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3671-3678.
[10]	陈广福, 王海波, 连雁平. 基于高阶自包含协同过滤的有向网络链路预测[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3060-3068.
[11]	包玄, 陈红梅, 肖清. 融入时间的兴趣点协同推荐算法[J]. 计算机应用, 2021, 41(8): 2406-2411.
[12]	陈宪聪, 潘微科, 明仲. 面向异构单类协同过滤的阶段式变分自编码器[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3499-3507.
[13]	李改, 李磊, 张佳强. 融合显/隐式反馈的社会化协同排序推荐算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3515-3520.
[14]	李翔锟, 贾彩燕. 融合重叠社区正则化及隐式反馈的协同过滤方法[J]. 计算机应用, 2021, 41(1): 53-59.
[15]	田保军, 刘爽, 房建东. 融合主题信息和卷积神经网络的混合推荐算法[J]. 计算机应用, 2020, 40(7): 1901-1907.