张 勇 杨赛军 黄 华

（1.中国科学技术信息研究所，北京 100038；2.北京万方数据股份有限公司，北京 100038）

0 引言

信息检索系统能够帮助文献查阅者快速查找目标文献，检索系统在收到用户的检索请求时，根据用户输入的检索词，使用倒排索引技术查找到所有符合用户检索语句的文献，然后使用预先设定的指标对这些文献计算分值并排序返回。面对用户不同的文献搜索需求，检索系统需要结合引证关系、时间因子、实时热度等各类指标，计算出每一篇文献的分值，对命中文献进行实时排序。具体指标包括出版时间、被引用次数、相关度、下载次数等。搜索引擎按照一定的规则对文献进行排序，以帮助用户精准发现所需的文献。

万方数据的搜索引擎收录有近3 亿篇的文献，包含中外文期刊、学位、会议、专利等，如果仅使用PageRank值进行排序，不是所有文献都能找到引证关系，尤其是新文献，因此无法有效计算PageRank值。如何使用更有效的评分指标对海量文献进行排序，满足用户搜索文献需求，已成为万方数据搜索引擎首要解决的问题。本文研究了基于引证关系的PageRank算法和引入时间衰减因子的CiteRank算法，同时加入其他归一化的指标，包括出版年份、下载次数等，对文献进行评分，以提升新文献和热门文献被阅读的概率。

经典的文献排序算法包括PageRank和CiteRank。PageRank算法的核心是PageRank值，假设用户在浏览网页时，会随着这篇网页的链接引导一直点击进入下一层引用的页面，直到完成浏览关闭页面、或随机打开了一个新的网页。这里有两个假设：数量假设和质量假设[1]。数量假设是指在网页链接图模型中，一个页面节点接收到的其他网页被指向的入度数量越多，则这个页面就会越重要；质量假设是指页面的入度质量不同，质量高的页面会通过链接向其他页面传递更多的权重。基于以上两个假设，PageRank算法起初为网页分配相同的重要性得分，使用递归计算方法去更新各页面的PageRank值，直到该值达到稳定的状态为止。搜索引擎对于不同的查询语句，召回候选页面，优先排序PageRank值高的页面。某一个页面i的PageRank值计算公式如下：

在式（1）中，PR(pi) 表示页面pi的PR值，C(pk)表示引用页面pj链出的页面总数，d为阻尼因子。

在使用PageRank算法通过引证关系计算文献分值的时候，有以下两个特点：一是网页链接可以是双向的，而引证关系是单向的，在时间上只能是后发表的文献引用先发表的文献；二是网页链接是动态的，而引文是静态的，文献的引证关系在发布后不再改变。对于发布时间久远的文献，被引次数往往大于新发表的文献。在评估新文献价值方面，孙泽锋等[2]提出了一种改进的文献排序算法,结合PageRank思想以及常用的被引量，并将出版时间作为阻尼因子，使得新文献和旧文献在价值评估时分别有不同的权重。张光前等[3]使用阅读价值衡量一篇文献的重要程度，阅读价值由文献所在期刊、文献作者、文献内容等的重要程度决定。刘松涛[4]提出了一种使用相关强度对引文进行排序的方法，用于对学术期刊文献的引用和被引用关系进行定量分析。

文献检索系统根据用户输入的查询语句，在索引中查询文献，并根据预设的评价指标对查询到的文献进行统一排序。在实际应用中，有的用户更关注新文献和热门文献，而基于PageRank的文献排序算法，更适用于发现年代久的文献，在发现新文献和热门文献方面不占优势。CiteRank算法改善了PageRank的这种局限性，在计算文献权重时引入了时间因素。其计算原理是，对于一个更合理的模型应该是优先从最近的文献开始浏览，并通过引用链接逐步浏览发布时间越来越久的文献。

本文研究了一种多指标混合排序模型，将搜索结果文献相关度得分和PageRank、CiteRank、出版时间、下载次数等指标进行归一化处理，并分配不同的权重，从而对命中文献进行混合排序，使得搜索结果更契合用户的需求。

1 研究方法

本文首先研究了引入时间衰减因子的CiteRank算法对于提升新文献被访问概率的可行性，然后提出使用TF-IDF为命中文献进行相关度评分的方法，最后提出一种基于CiteRank值、文献相关度、下载次数等指标的混合排序算法。

1.1 文献的CiteRank计算

CiteRank模型中定义了两个参数Tdir和α。Tdir是文献的特征衰减时间，即某一学科领域的热度衰减；α是每一次浏览后满意并退出的概率。那么每次不满意并点击引用链接的概率是1-α[5]。

CiteRank模型的转移矩阵如下：

表示文献j的被引用次数。用ρi表示最开始时选择文献i的概率：，通过初步选择可发现文献的概率为，点击该文献的引用链接发现文献的概率为：(1 − α)W·。

CiteRank可用式（3）计算得出：

t年前的一篇文献的CiteRank为Ttot(t)，它主要由以下两部分组成：

一是直接的（direct）访问Tdir(t)，表示t年前所有文献的初始选择为：

二是间接的（indirect）访问Tind(t)，既通过引用列表点击跳转的访问：

表明进入t年前的文献的链接可以来自所有可能的中间时间的文献。Pc(t′,t) 表示从t′年前文献中引用t年前文献的比例，这是一个经验值[2]，它可以被近似为

对Ttot(t)=Tdir(t)+Tind(t)进行傅利叶变换可以得到式（6）：

解析Ttot(ω)并进行傅利叶反变换得到式（7）：

从式（7）中可以得出，对于大的α，小的τdir表示最新的文献会被更大的概率访问；对于小的α，大的τdir表示会相应提高旧文献的访问量。

1.2 文献相关度得分

文献相关度得分是评价搜索结果与查询语句匹配程度的重要指标。搜索引擎根据查询语句与命中文献的匹配程度计算相关度得分，但并不是所有的文献都包含查询语句中的词，并且每个词的重要程度不同，因此一个文献的相关度评分取决于每个查询语句在文献中的权重[6]。

万方数据的文献在索引过程中使用了倒排序索引技术[7]，搜索引擎使用布尔模型（Boolean model）查找与输入词条相匹配的文献，并用TF/IDF（term frequency/inverse document frequency）公式来计算文献相关度得分。搜索引擎使用TF表示词条t在文献d中出现的频率，即。如果词或短句在某一篇文献中出现的频率比较高，并且在其他文献中很少出现，则可以认为该词或者短句具备很好的类别区分能力，适用于解决分类问题，一些通用的词语对于文献主题并没有太大的作用，反倒是一些出现频率非常少的词才能够更多地表达文献的主题，所以仅仅使用词频是不合适的。因此在计算文献相关度得分时，必须考虑词的权重。一个词预测主题的能力越强，则权重越大；反之，权重越小。

在倒排序索引中，如果文献的一些词只是在少数几篇文献中出现，那么这些词对文献主题的贡献作用会很大，这些词和短句的权重应该被设计得大一些。IDF就是词的权重，即，此时IDF为逆向文献频率（inverse document frequency），如果包含词条t的文献少，则IDF会越大，表明词条t具有非常好的类别区分能力。如果一些文献中含有词条t的文献数量为m，而其他文献中含有词条t的文献数量为k，那么可以得出所有包含t的文献数量为n = m + k。当m越大时，n也会越大，按照IDF公式得到的IDF值就会越小，说明该词条t的区分类别的能力不强。但是在实际情况中，如果一个词条或短句在一个类别的文献中经常出现，则可以说明这个词条能够很好地表示这个类别的文本特征，这些词条应该被赋予更高的权重，并用来作为该类别文本的特征词，用以区别于其他类别的文献。

在给定的文献里，词频（term frequency，TF）表示的是某一个给定的词语或短句在该文献中出现的频率。这个数值是对词数量的（term count）归一化，用于防止该值偏向比较文字较多的文献。但是在实际使用过程中，会根据不同的命中属性（标题、摘要、关键词）预先设计不同的权重wz。如标题命中时权重会更高，摘要则会赋予相对低一些的权重。因此，可得词i命中文献j的z字段时分值为式（8）：

文献的相关度得分Sr即为所有词在文献所有字段中的分值之和Sr=∑Si,z

1.3 混合排序原理

文献的最终分值将由相关度得分Sr、Cite-Rank分值Sc、下载次数Sp等指标乘以相应的权重得出。

其中，Sc为Ttot(t)归一化后的结果，下载次数Sp可以在文献进入索引库时预先计算为0 到100 之间的值，这两个指标根据数据进入索引的周期，会定期进行更新。这种预先计算分值的方式，可以避免在排序时进行大量的实时计算，使用存储空间换取计算时间，节省了大量的计算资源，提升了排序性能。在用户使用搜索引擎时，输入检索词，检索集群会为数百万命中文献进行排序。为了有效节省内存资源，将排序时的资源消耗限定在合理的范围内，搜索引擎只在内存中保存分值最大的N个值（top N）。

2 实验

2.1 数据集

本文以万方数据收录的文献和2020年被下载数据作为实验数据，对混合排序算法进行验证，文献数据集合符合标准定义[8]，包含标题、摘要、关键词、刊物收录情况、作者、作者单位等字段[9]，以及文献的引证关系[10]。本文在计算CiteRank时，使用了不同的α和τdir来预测文献被访问到的概率，并由此比对了PageRank和CiteRank分值的区别。最后基于万方数据的用户搜索行为日志，分析使用混合排序前后，用户对搜索结果前三条的点击率变化，来验证混合排序算法的有效性。

2.2 CiteRank参数估计

使用公式（7）可以计算各出版年份下文献被访问到的概率，本文使用了3 组不同的τdir和α参数进行计算，对比结果如图1所示，x轴表示文献发布年份与2020年之间的差距，数字越小表示文献越新。由数据结果可以得出：对于小的τdir，大的α，表示最新的文献相比旧的文献有更高的概率被访问到；对于大的τdir，小的α，表示则会相应提高旧文献被访问的概率。为了契合部分用户访问新文献的需求，万方数据使用了CiteRank作为文献排序的一个指标。通过对比3组参数的计算结果，本文选择τdir=2.1，α=0.7 作为计算CiteRank时的参数，从而可以做到以更大的概率将较新的文献排在前面。

图1 α和τdir参数模拟各年份文献被访问的概率

2.3 CiteRank和PageRank对比

本文选择使用万方数据收录的2000年至2020年文献元数据和这些文献之间的引用关系作为数据集，分别计算每一篇文献的PageRank和CiteRank值。表1截取了部分近5年的数据，包含典型的权威文献和流行文献，对比了同一篇文献的CiteRank和PageRank。由于PageRank值在计算过程中仅使用文献之间的引用关系，体现了文献之间权重的贡献值，反映了文献的经典权威程度；而CiteRank为文献的贡献关系加入了出版时间作为衰减因子，出版时间越久远的文献获得的贡献值越少，反之则会获得更大的贡献值，从而反映了文献的流行度。

表1中文献按照CiteRank值从高到低进行排序，文献1 和文献2 的发布年份大于2019，被引数分别为360 和556，文献3 的年份为2015年，被引数为4 832，虽然文献3 的被引次数远远大于文献1 和文献2，但是根据CiteRank算法特性，年份相对久远的文献获得的贡献会根据年份进行相应的衰减，所以文献3 的CiteRank值会低于文献1 和文献2。对于文献的PageRank值，文献3、文献9、文献10 被引数最高，PageRank值也是最高，仅仅反映了的文献的被引关系。从表1得出，PageRank可以用于经典文献优先排序，优先列出权威的文献（不考虑出版年份），CiteRank则可以用于新文献优先排序（默认排序)，优先列出新的文献（考虑出版年份）。

2.4 历年出版文献被访问次数

本文统计了各出版年的文献在2020年被访问次数。数据显示，用户更倾向于选择访问新的文献，这与万方数据选择使用CiteRank作为默认的排序指标相符合，使用CiteRank可以为用户提供偏向新文献的排序结果,如图2所示。

2.5 使用混合排序前后点击率对比

本文使用单一指标排序和混合指标排序两种场景下10 天内用户对搜索结果的点击行为数据进行分析。分别统计出两种排序场景下用户点击搜索结果的总点击数，以及点击前三条结果的点击数（top 3 点击数），从而计算出点击率（top 3点击数/总点击数）。表2显示了这两种排序场景下的数据对比，可以得出混合排序算法能显著提升用户点击排序结果top 3 文献的几率，该算法在搜索引擎中更加契合用户默认的文献搜索需求。

表1 PageRank值和CiteRank值对比

图2 历年文献在2020年被下载次数统计

表2 各排序场景下用户点击率对比

3 研究结论

万方数据搜索引擎中收录有近3 亿篇的文献，单纯地使用PageRank或CiteRank对文献进行排序，会导致权重倾向于单一的指标，不能精准地契合大数据环境下用户对新文献和热门文献的搜索需求。本文研究了基于CiteRank的混合排序算法，引入出版时间、下载次数等归一化指标进行加权平均。实验结果表明，混合排序算法能够提升新文献和热门文献在排序上的优势。最后通过分析用户的搜索行为数据，进一步验证了在搜索引擎中应用基于CiteRank的混合排序算法更能契合用户搜索文献的需求。