孙金杨，刘柏嵩，任豪，钱江波

（宁波大学信息科学与工程学院，浙江 宁波 315211）

1 引言

学术论文是科研人员重要的研究工具，近年来，随着科学研究的进步，学术论文数量呈指数式增长，每年在各个领域都有超过百万篇的学术论文被发表，严重的“信息过载”导致科研人员需要花费更多的时间、精力寻找论文。推荐系统能有效解决论文“信息过载”的问题，将论文的获取方式由主动转化为被动，极大程度满足科研人员的学术需求[1]。

协同过滤（collaborative +iltering，CF）在推荐系统中使用最为广泛，通过用户和项目的历史交互信息来探索用户的兴趣偏好。然而，由于用户和论文的交互矩阵高度稀疏，极大限制了 CF在论文推荐领域中的推荐性能，为此，一种常见的做法是引入论文的辅助信息来增强推荐性能。

如今，已有不少研究利用各类辅助信息，在论文推荐中，辅助信息以引文网络和文本信息为主。前者通过论文之间的引用关系构建引文网络[2]，论文的引用关系表明一篇论文对另一篇论文的影响，但忽略了论文自身的内容信息，同时还存在新论文不会被引用而被边缘化的冷启动问题[3]；后者是指利用论文的标题和摘要信息来更好地表征论文，标题和摘要包含大量的语义信息，挖掘语义信息融入推荐模型中能够有效缓解数据稀疏问题。

随着深度学习[4-6]在各领域中取得的研究成果增多，利用深度学习对文本进行语义挖掘[7-8]也愈发流行。参考文献[9]使用卷积神经网络从项目的边信息中提取项目的语义特征，并在用户项目的潜在向量中引入对抗性干扰，然后将其集成到概率矩阵分解中，以计算用户对项目的推荐分数。……