陈 洁，刘 洋，赵 姝+，张燕平

1.安徽大学 计算智能与信号处理教育部重点实验室，合肥230601

2.安徽大学 计算机科学与技术学院，合肥230601

3.中钢集团马鞍山矿山研究总院股份有限公司，安徽 马鞍山243000

+通信作者E-mail:zhaoshuzs2002@hotmail.com

据计算机领域著名集成数据库系统DBLP 统计，计算机学科每年发表的文章数量超过30 万篇。大学术数据时代已经到来，信息过载问题日益严重。庞大的文献数量有利于满足研究者们的信息需求和相关研究工作的开展，但各类学术文献质量参差不齐也导致研究者们越来越难以高效、准确地从海量文献数据库中检索到最有用的出版物。学术搜索引擎可以通过执行基于关键词的检索为研究者提供可能需要的文章，但仍需研究者逐一地审查每篇文章来筛选出合适的文章[1]，在大规模数据库中这样劳动密集型的工作并不适用。最近的趋势是利用机器学习算法来探索与研究者给定文章相关领域的出版物并智能化地推荐一组文章集合，即引文推荐。

引文推荐旨在根据研究者给定的查询返回可供引用的相关文章或对其研究领域相近的有价值的文章。图1 是一个示例，给出查询文章及相关信息（图左），引文推荐从文献数据库中返回可供参考的文章列表（图右）。

引文推荐的相关研究大体上包含三类：分别是基于协同过滤的方法（collaborative-based filtering，CF）[2-3]、基于内容过滤的方法（content-based filtering，CBF）[4-6]和基于网络图的方法（graph-based，GB）[7-9]。CF 方法基于有类似研究兴趣的研究者提供的论文评分进行推荐，但数据稀疏和冷启动问题是其主要缺陷，难以推荐新文章和引用较少的文章。……