基于DBLP數(shù)據(jù)集的作者研究興趣挖掘

邵明陽(yáng) 單菁

摘要：為從DBLP數(shù)據(jù)集中挖掘出作者研究興趣，提出了基于DBLP數(shù)據(jù)集中有效信息的作者研究興趣挖掘模型，主要是利用了數(shù)據(jù)集中作者姓名和論文題目進(jìn)行研究興趣的挖掘。因?yàn)镈BLP數(shù)據(jù)集的元數(shù)據(jù)以XML格式存儲(chǔ)，因此采用SAX解析器對(duì)其進(jìn)行解析。解析出有用信息后，提出了一種基于索引的數(shù)據(jù)存儲(chǔ)方式。由于作者研究興趣詞匯主要來(lái)自數(shù)據(jù)集中論文的題目，因此將題目劃分短語(yǔ)后，根據(jù)短語(yǔ)的重要度，確定專家的研究興趣詞匯。經(jīng)實(shí)驗(yàn)表明，該系統(tǒng)的運(yùn)行速度較快，能較好地提取出作者的研究興趣信息。

關(guān)鍵詞： 研究興趣挖掘; DBLP數(shù)據(jù)集; 數(shù)據(jù)存儲(chǔ); 格式解析; 短語(yǔ)劃分

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）27-0009-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 引言

隨著計(jì)算機(jī)領(lǐng)域的快速發(fā)展，不論是高?；蛘哌€是研究所發(fā)表的論文的數(shù)量也是逐年上升。研究人員通過(guò)在期刊和會(huì)議上發(fā)表他們的研究成果，然后被更廣泛的受眾所消費(fèi)，從而導(dǎo)致合作和引用，進(jìn)而使創(chuàng)新和突破性的想法得以迅速傳播[1]。而各類國(guó)際期刊或者會(huì)議發(fā)表的論文會(huì)被收錄進(jìn)DBLP，這使得DBLP這個(gè)英文文獻(xiàn)數(shù)據(jù)網(wǎng)站的數(shù)據(jù)集也越發(fā)龐大，目前DBLP已收集了超過(guò)500萬(wàn)種出版物的信息。DBLP最初功能為數(shù)據(jù)庫(kù)系統(tǒng)，為計(jì)算機(jī)領(lǐng)域提供文獻(xiàn)的檢索功能，它所收錄的期刊和會(huì)議論文質(zhì)量較高，而且更新非常迅速，這使得它很好地反映了國(guó)際研究的前沿方向。它的數(shù)據(jù)并未采用數(shù)據(jù)庫(kù)存儲(chǔ)，而是采用了可擴(kuò)展標(biāo)記語(yǔ)言（Extensible Markup Language，XML）格式存儲(chǔ)元數(shù)據(jù)，元數(shù)據(jù)包括了標(biāo)題、作者、摘要、出版單位、日期等信息，因?yàn)镈BLP數(shù)據(jù)集提供的信息有限，因而進(jìn)行作者研究興趣挖掘的有效信息只有作者姓名和論文題目。

2 相關(guān)研究

對(duì)于興趣的挖掘目前國(guó)內(nèi)已有不少學(xué)者在進(jìn)行相關(guān)算法的研究和改進(jìn)。劉小捷等人[2]提出了一種基于維基百科類別圖的推特用戶興趣挖掘系統(tǒng)，該方法使用個(gè)性化PageRank算法[3]，通過(guò)在維基百科類別圖上隨機(jī)游走的方式擴(kuò)展用戶興趣度。池雪花等人[4]通過(guò)基于學(xué)術(shù)論文研究學(xué)者的興趣標(biāo)簽，計(jì)算學(xué)者和興趣標(biāo)簽的相似度，作為興趣標(biāo)簽的匹配度。傳統(tǒng)的用戶興趣研究主要基于統(tǒng)計(jì)和聚類等方法[5]，例如黃鎮(zhèn)圣對(duì)高校圖書(shū)館用戶進(jìn)行研究[6]。石豪等人考慮到了用戶之間的相似性[7]。易明等人從用戶、資源、標(biāo)簽的聚類進(jìn)行用戶興趣挖掘[8]。隨著社交網(wǎng)絡(luò)的興起，有不少研究人員通過(guò)社交數(shù)據(jù)進(jìn)行興趣的提取，Weng等人采用LDA算法挖掘主題分布，進(jìn)而獲取用戶的興趣特征[9]。Hung等人通過(guò)用戶自定義標(biāo)簽、用戶收藏等設(shè)置以及社交關(guān)系，構(gòu)建用戶的興趣模型[10]。以上研究是通過(guò)大量的文本和各種不同的數(shù)據(jù)集進(jìn)行興趣挖掘，而本文目的是基于DBLP數(shù)據(jù)集，試圖快速挖掘出每位研究者的研究興趣?；贒BLP提供的信息，我們?cè)噲D通過(guò)每位作者的論文題目找出其感興趣的研究方向，本文主要解決了如下兩個(gè)問(wèn)題：

（1） 通過(guò)Python語(yǔ)言標(biāo)準(zhǔn)庫(kù)中simple API for XML（SAX）解析XML格式文件，由于只有作者姓名和論文題目為本文有用信息，所以可以選擇過(guò)濾掉其他信息。提取信息后，考慮到空間復(fù)雜度和時(shí)間復(fù)雜度，自建索引提高檢索速度。

（2） 得到論文題目后，我們選擇采用速度較快的Rapid Automatic Keyword Extraction（Rake）算法[11]對(duì)論文題目的關(guān)鍵詞進(jìn)行提取，然后根據(jù)關(guān)鍵詞的重要度確定大于指定閾值的詞匯作為作者的研究興趣。

3 作者研究興趣挖掘模型

作者研究興趣挖掘過(guò)程中一個(gè)很重要的步驟就是論文題目的關(guān)鍵詞提取，本文通過(guò)使用Rake算法進(jìn)行關(guān)鍵詞的提取，目前主要的關(guān)鍵詞提取算法除Rake外還包括基于TF-IDF詞頻統(tǒng)計(jì)的關(guān)鍵詞抽取[12]，基于詞圖模型的關(guān)鍵詞抽取（TextRank）[13]等算法。TF-IDF算法有一個(gè)較大的缺點(diǎn)：需要一個(gè)較為全面的語(yǔ)料庫(kù)來(lái)支持一篇文檔的關(guān)鍵詞提取，這樣的做法時(shí)間開(kāi)銷或者空間開(kāi)銷較大，不適合簡(jiǎn)單快速的關(guān)鍵詞提取。而TextRank利用投票機(jī)制來(lái)為文本中的詞語(yǔ)進(jìn)行加權(quán)，從而利用權(quán)重排序得到關(guān)鍵字，關(guān)鍵字提取的過(guò)程中僅利用了文檔自身的信息，而不需要對(duì)多篇文檔學(xué)習(xí)訓(xùn)練，因此比較簡(jiǎn)潔，但是由于算法過(guò)程中需要構(gòu)建詞圖和迭代計(jì)算，對(duì)于大量數(shù)據(jù)來(lái)說(shuō)，運(yùn)行速度太慢，不易收斂，Rake算法則很好地解決了以上問(wèn)題。

整個(gè)研究興趣挖掘過(guò)程大約分為三個(gè)部分，首先是對(duì)DBLP數(shù)據(jù)集的XML格式的解析，過(guò)濾掉一些無(wú)用信息，只保留作者姓名和論文題目等關(guān)鍵性信息，其次是對(duì)解析出的論文題目進(jìn)行關(guān)鍵詞提取，最后是將作者與關(guān)鍵詞的關(guān)聯(lián)，通過(guò)作者姓名搜索按照得分大于指定閾值的關(guān)鍵詞作為其研究興趣。

3.1 基于DBLP數(shù)據(jù)集提取信息

3.1.1 數(shù)據(jù)集解析

由于DBLP的元數(shù)據(jù)由XML格式進(jìn)行存儲(chǔ)，所以并不能直接分析。在Python中提供的解析XML的API接口主要有兩種：Simple API XML（SAX）和Document Object Model（DOM）。兩種接口的解析思路不同，各自的特點(diǎn)如下：

（1） SAX解析器。它是事件驅(qū)動(dòng)型的，首先會(huì)對(duì)整個(gè)文檔順序掃描，當(dāng)掃描到開(kāi)始和結(jié)束標(biāo)簽等信息時(shí)，會(huì)觸發(fā)事件處理函數(shù)，對(duì)事件做相應(yīng)處理，直至文檔結(jié)束。SAX解析時(shí)邊掃描，邊解析，流式讀取文件，速度較快，但是操作較復(fù)雜。

（2） DOM解析器。DOM解析時(shí)，會(huì)把文件一次性的讀入內(nèi)存，并構(gòu)建一棵樹(shù)狀結(jié)構(gòu)，通過(guò)對(duì)樹(shù)的遍歷解析出文件的內(nèi)容。這樣的缺點(diǎn)是當(dāng)文件過(guò)大時(shí)，占用大量的內(nèi)存空間，當(dāng)只對(duì)文檔中某些內(nèi)容感興趣時(shí)，執(zhí)行效率較低。

因?yàn)镈BLP數(shù)據(jù)集較大，本文采用了SAX解析的方式，避免了大量占用內(nèi)存，運(yùn)行效率較高。

3.1.2 數(shù)據(jù)集解析

選定SAX解析后，下一步是提取出作者和題目，為了節(jié)省空間和以后查找信息的快速方便，并未將提取出的作者和題目信息放入數(shù)據(jù)庫(kù)，而是以文本形式進(jìn)行存儲(chǔ)，為了查找得快速，將每條題目中加入了索引。經(jīng)過(guò)多次隨機(jī)測(cè)試，創(chuàng)建索引需要耗費(fèi)幾分鐘時(shí)間，但索引建立好后查找的速度較快，在幾秒鐘之內(nèi)。具體算法流程如下：

（1） 用SAX開(kāi)始順序讀取文件，從第一個(gè)元數(shù)據(jù)開(kāi)始從0編號(hào)，此編號(hào)作為當(dāng)前論文題目的索引，同時(shí)將作者姓名作為關(guān)鍵字存入Python的字典數(shù)據(jù)結(jié)構(gòu)中，將索引號(hào)作為其值，并且將論文題目存入列表當(dāng)中，這樣順序解析下去。

（2） 將得到的字典和列表中的信息，分別作為文本永久化到電腦當(dāng)中，得到作者的文本文件和論文題目的文本文件，這兩個(gè)文件也是后續(xù)操作的基礎(chǔ)。

（3） 將文件加載到內(nèi)存，分別讀入到字典和列表中，然后通過(guò)在字典中查找作者姓名得到此作者所有的題目索引，進(jìn)而在列表中找到論文題目，并輸出。

通過(guò)以上步驟便從DBLP中提取到了相關(guān)信息，并且進(jìn)行了存儲(chǔ)，這些將作為以后步驟的基礎(chǔ)。

3.2 通過(guò)Rake算法提取關(guān)鍵詞

3.2.1 Rake算法介紹

相較于中文來(lái)說(shuō)，Rake算法非常適合對(duì)英文文本中的多單詞短語(yǔ)關(guān)鍵字進(jìn)行提取，在英文文本中的短語(yǔ)關(guān)鍵字大多數(shù)是不會(huì)含有停用詞和標(biāo)點(diǎn)符號(hào)的，Rake算法正是根據(jù)這一點(diǎn)來(lái)進(jìn)行短語(yǔ)的劃分。Rake關(guān)鍵詞提取算法中的幾個(gè)概念定義如下：

定義1 （停用詞）：停用詞大多數(shù)情況下指兩類，一類是語(yǔ)言中的一些功能詞，比如英文中的“the、on、which”等詞，具有語(yǔ)法作用，而不具備實(shí)際意義。另一類是詞匯詞，比如“need”等，這樣的詞并不會(huì)對(duì)詞組的劃分起到作用。停用詞在語(yǔ)言處理中需要被過(guò)濾掉。

定義2 （詞頻）：詞頻指單詞在文本中出現(xiàn)的次數(shù)，記為wordFrequency。

定義3 （詞共現(xiàn)度）：詞共現(xiàn)度指一個(gè)單詞在整篇文檔中非重復(fù)共現(xiàn)詞的數(shù)量，記為wordDegree。

Rake算法的大致流程如下：首先將輸入的文本按照標(biāo)點(diǎn)符號(hào)劃分為句子集合，然后對(duì)于每一個(gè)句子依照停用詞劃分為短語(yǔ)集合，將這些短語(yǔ)加入最終提取的關(guān)鍵詞的候選詞中。這些短語(yǔ)又是由單詞組成，這樣通過(guò)詞頻和詞共現(xiàn)度之間的關(guān)系計(jì)算出每個(gè)單詞的得分，在一個(gè)詞組中將每一個(gè)單詞的分?jǐn)?shù)相加，便可以得到整個(gè)詞組的分?jǐn)?shù)。單詞分?jǐn)?shù)計(jì)算公式如下：

[wordScore=wordDegreewordFrequency]? ? ? ? ? ? ? ? ? ? ?（1）

即單詞的分?jǐn)?shù)就是詞的共現(xiàn)度除以詞頻，此公式是Rake算法的核心。接下來(lái)就是將一個(gè)短語(yǔ)中單詞的分?jǐn)?shù)相加得到短語(yǔ)的分?jǐn)?shù)，然后依照分?jǐn)?shù)將短語(yǔ)排序，排序越靠前的短語(yǔ)就越重要。

3.2.2 使用Rake算法提取題目關(guān)鍵詞

由于使用Rake算法進(jìn)行關(guān)鍵詞提取過(guò)程中需要使用停用詞，所以在代碼的具體實(shí)現(xiàn)過(guò)程中，我們采用了Python庫(kù)中的nltk模板語(yǔ)料庫(kù)的停用詞來(lái)對(duì)短語(yǔ)進(jìn)行劃分。Rake算法對(duì)文本提取的過(guò)程中，需要將文本劃分為句子然后再進(jìn)行處理，而筆者的輸入是一個(gè)一個(gè)的論文題目，所以筆者將論文題目視作句子，作為輸入，這樣就不需要再對(duì)文本進(jìn)行劃分為句子的步驟，具體的算法流程如下：

（1） 首先將保存論文題目的文件讀入內(nèi)存，然后用Rake算法將每一個(gè)論文題目以單句的形式進(jìn)行處理，得到關(guān)鍵詞及其在整個(gè)文檔中總的分?jǐn)?shù)，并以字典的形式儲(chǔ)存。

（2） 依照順序讀入論文題目，將每一個(gè)論文題目依據(jù)停用詞分出短語(yǔ)，然后利用上述的字典得到短語(yǔ)總的分?jǐn)?shù)，然后將這一條論文題目的所有短語(yǔ)及其分?jǐn)?shù)寫(xiě)入到文件，依次讀取下去。這樣就可以保證索引順序不會(huì)打亂，為以后的操作提供方便。

通過(guò)以上這些步驟便從論文題目中提取出了關(guān)鍵詞，并以文件的形式存儲(chǔ)下來(lái)。

3.3 依照作者搜索技能

作者研究興趣挖掘流程如圖1所示。

由前面所做的工作我們得到了保存作者姓名的文檔，保存論文題目的文檔和保存題目關(guān)鍵詞的文檔。有了這些信息我們可以通過(guò)搜索作者姓名找出作者擅長(zhǎng)的研究領(lǐng)域，具體算法流程如下：

（1） 首先將姓名文檔和關(guān)鍵詞文檔讀入內(nèi)存，姓名文檔讀為字典，其鍵為姓名，其值為索引列表，關(guān)鍵詞文檔讀為列表。

（2） 將要查詢的姓名通過(guò)字典找出對(duì)應(yīng)的索引列表，將這些索引通過(guò)關(guān)鍵詞列表找到對(duì)應(yīng)的值，即每一個(gè)題目的關(guān)鍵詞，將這些關(guān)鍵詞保存在一起然后使用集合（set）去重，最后將這些關(guān)鍵詞輸出。

（3） 根據(jù)關(guān)鍵詞的得分，得出作者最擅長(zhǎng)的某些領(lǐng)域，其中在計(jì)算關(guān)鍵詞的得分時(shí)，考慮到作者的署名位序?qū)ρ芯颗d趣的挖掘有很大影響，署名越靠前的作者對(duì)文獻(xiàn)的研究興趣貢獻(xiàn)度越大，署名靠后的因逐級(jí)給予更少的得分，因此將署名位序加入關(guān)鍵詞得分計(jì)算公式中。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

操作系統(tǒng)：Window 10 專業(yè)版64位。

處理器：英特爾酷睿i7-9750H。

內(nèi)存：16G（DDR4 2666MHz）。

硬盤(pán)：1T機(jī)械硬盤(pán)。

4.2 實(shí)驗(yàn)過(guò)程和結(jié)果

實(shí)驗(yàn)數(shù)據(jù)集采用DBLP數(shù)據(jù)集，對(duì)數(shù)據(jù)解析處理后，使用Rake算法將題目中的關(guān)鍵詞提取出來(lái)，并記錄和存儲(chǔ)。最后按照作者的名字將所有關(guān)鍵詞按照得分排序，將得分靠前的一些關(guān)鍵詞作為作者感興趣的研究方向。表1展示了部分運(yùn)行結(jié)果及作者主頁(yè)中對(duì)自己研究興趣的描述。

為了測(cè)試系統(tǒng)的速度，記錄了各部分的運(yùn)行時(shí)間，結(jié)果如表2所示：

以上三個(gè)操作最耗費(fèi)時(shí)間，剩下的操作在內(nèi)存中完成，不會(huì)占用過(guò)多的時(shí)間，考慮到DBLP數(shù)據(jù)集大約有500萬(wàn)條數(shù)據(jù)，實(shí)驗(yàn)表明本系統(tǒng)運(yùn)行速度相對(duì)較快，可以滿足日常的任務(wù)需求。

5 結(jié)論

本文專注于基于DBLP的作者研究興趣挖掘，提出了一種通過(guò)挖掘題目中的關(guān)鍵詞獲得作者研究興趣的方法。該方法首先需要對(duì)DBLP的數(shù)據(jù)進(jìn)行解析，獲得解析后的作者姓名信息和論文題目信息，并為了檢索的快速在論文題目的信息上建立了索引，接下來(lái)就是將獲得的論文題目信息進(jìn)行關(guān)鍵詞的抽取，以此作為研究興趣，并生成關(guān)鍵詞的文檔進(jìn)行保存，基于以上工作，接下來(lái)就可以通過(guò)作者姓名，將關(guān)鍵詞信息聯(lián)系起來(lái)，進(jìn)行搜索。最后通過(guò)實(shí)驗(yàn)表明，本系統(tǒng)運(yùn)行速度較為快速，可以較好地提取出作者的研究興趣。

參考文獻(xiàn)：

[1] Wu Y，Venkatramanan S，Chiu D M.A population model for academia：case study of the computer science community using DBLP bibliography 1960-2016[J].IEEE Transactions on Emerging Topics in Computing，2021，9（1）：258-268.

[2] 劉小捷，呂曉強(qiáng)，王曉玲，等.基于維基百科類別圖的推特用戶興趣挖掘[J].計(jì)算機(jī)科學(xué)，2019，46（9）：79-84.

[3] Page Lawrence， Sergey Brin， Rajeev Motwani， et al. The PageRank citation ranking： bringing order to the Web[J]. Computer Science，1998，1（29）：1-17.

[4] 池雪花，劉麗帆，章成志.基于學(xué)術(shù)論文的學(xué)者研究興趣標(biāo)簽發(fā)現(xiàn)研究[J].情報(bào)工程，2019，5（2）：28-39.

[5] 石光蓮，楊敏.基于FCA的Folksonomy用戶興趣研究述評(píng)[J].現(xiàn)代情報(bào)，2017，37（5）：172-177.

[6] 黃鎮(zhèn)圣.基于Web瀏覽的高校圖書(shū)館用戶個(gè)性化研究[J].科技信息，2009（12）：183.

[7] 石豪，李紅娟，賴雯，等.基于folksonomy標(biāo)簽的用戶分類研究[J].圖書(shū)情報(bào)工作，2011，55（2）：117-120.

[8] 易明，鄧衛(wèi)華.基于標(biāo)簽的個(gè)性化信息推薦研究綜述[J].情報(bào)理論與實(shí)踐，2011，34（3）：126-128.

[9] Weng J S，Lim E P，Jiang J，et al.TwitterRank：finding topic-sensitive influential twitterers[C]//Proceedings of the third ACM international conference on Web search and data mining.New York，New York，USA.New York：ACM，2010：261-270.

[10] Hung C. Huang Y C， Hsu J Y， et al. Tag-based user profiling for social media recommendation[C] //Proceedings of the 2008 Workshop on Intelligent Techniques for Web Personalization and Recommender Systems at AAAI. Hawaii， USA， 2008：49-55.

[11] Stuart Rose， Dave Engel， Nicholas Charles， et al. Automatic keyword extraction from individual documents[J]. Text Mining： Applications and Theory， 2010，3（4）：1-20.

[12] Aizawa A . An information-theoretic perspective of tf-idf measures[J]. Information Processing & Management， 2003， 39（1）：45-65.

[13] Mihalcea R， Tarau P. Textrank： Bringing order into text[C] //Proceedings of the 2004 conference on empirical methods in natural language processing. 2004： 404-411.

【通聯(lián)編輯：王力】