于林峰　譚率　盧鋒妮　黃雪嬌　秦振華

關(guān)鍵詞： 學(xué)術(shù)論文；論文元數(shù)據(jù)；主題查詢；合著關(guān)系；引用關(guān)系

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

文章編號(hào)：1009-3044（2023）12-0074-04

1 引言

信息技術(shù)的飛速發(fā)展給人們生活帶來了巨大便利，同時(shí)也對(duì)海量信息的有效管理和檢索帶來了新的挑戰(zhàn)。學(xué)術(shù)論文的查閱和調(diào)研是廣大科研人員的一項(xiàng)基本工作。然而，大規(guī)模的學(xué)術(shù)論文數(shù)據(jù)雖然給科研人員提供了豐富的檢索資源，但也為論文信息的高效獲取提出了新的需求。

目前，一些面向?qū)W術(shù)論文的搜索引擎（如百度學(xué)術(shù)、谷歌學(xué)術(shù)、知網(wǎng)等）的主要作用集中在為用戶檢索符合輸入條件的論文資源，但是它們?nèi)鄙俑顚哟蔚臋z索服務(wù)。例如，通過論文引用關(guān)系分析可以評(píng)估論文的影響力，易于對(duì)相關(guān)技術(shù)進(jìn)行溯源[1]；通過分析作者合著關(guān)系可以了解特定領(lǐng)域內(nèi)科研團(tuán)體的構(gòu)成和特征，促進(jìn)未來研究團(tuán)體間的跨界合作[2]。這些信息也是科研工作者針對(duì)特定學(xué)術(shù)領(lǐng)域和技術(shù)進(jìn)行調(diào)研分析的重要依據(jù)。

針對(duì)現(xiàn)有學(xué)術(shù)搜索引擎的不足，本文聚焦于面向大規(guī)模學(xué)術(shù)論文元數(shù)據(jù)的查詢和分析可視化需求，設(shè)計(jì)并實(shí)現(xiàn)一個(gè)大規(guī)模學(xué)術(shù)論文元數(shù)據(jù)的管理系統(tǒng)，致力于提供科研人員高效、多維度和多角度獲取論文信息的功能，提高論文檢索的效果和效率。本文所設(shè)計(jì)的系統(tǒng)功能具體包括：1） 自動(dòng)獲取多源大規(guī)模學(xué)術(shù)論文的元數(shù)據(jù)；2） 支持海量學(xué)術(shù)論文元數(shù)據(jù)的高效管理；3） 提供基于主題語義的論文信息查詢功能，解決傳統(tǒng)關(guān)鍵字查詢導(dǎo)致檢索結(jié)果不準(zhǔn)確和不全面的缺陷；4） 構(gòu)建論文引用關(guān)系圖和作者合著關(guān)系圖，實(shí)現(xiàn)基于圖結(jié)構(gòu)的檢索和可視化展示。

2 大規(guī)模學(xué)術(shù)論文元數(shù)據(jù)管理系統(tǒng)的設(shè)計(jì)

2.1 學(xué)術(shù)論文元數(shù)據(jù)的管理流程

學(xué)術(shù)論文的元數(shù)據(jù)的來源主要有兩個(gè)途徑：

1） 從在線學(xué)術(shù)網(wǎng)站上爬取論文的信息；2） 現(xiàn)有已構(gòu)建好的公開論文數(shù)據(jù)集。這些論文的信息經(jīng)過解析后組織成結(jié)構(gòu)化的論文元數(shù)據(jù)，對(duì)論文摘要進(jìn)行主題識(shí)別并構(gòu)建倒排索引。另一方面，分別利用無向圖和有向圖對(duì)論文元數(shù)據(jù)中的作者合著關(guān)系和論文引用關(guān)系建模，并將這兩類圖存儲(chǔ)到圖數(shù)據(jù)庫中。當(dāng)用戶根據(jù)主題的語義進(jìn)行查詢時(shí)，首先識(shí)別用戶輸入字符串的主題信息，并在倒排索引基礎(chǔ)上檢索出主題相關(guān)的論文列表，然后從主題語義的相似度、被引用情況和作者情況等角度綜合評(píng)估列表中論文的重要性，最后據(jù)此進(jìn)行論文結(jié)果的排序和展示。圖1描述了論文元數(shù)據(jù)從數(shù)據(jù)獲取到查詢檢索整個(gè)流程。

2.2 系統(tǒng)的體系結(jié)構(gòu)系統(tǒng)的結(jié)構(gòu)

按照功能可劃分為服務(wù)交互層、服務(wù)處理層、存儲(chǔ)層三個(gè)層次，如圖2所示。

在服務(wù)交互層中，前端采用Node.js 環(huán)境，使用Vue前端框架，NPM包管理工具，WebPack打包工具和WebSocket技術(shù)，給用戶展示關(guān)系查詢和可視化的界面；使用Nginx Web服務(wù)器支持用戶訪問；采用satoken權(quán)限認(rèn)證框架進(jìn)行用戶鑒權(quán)。

服務(wù)處理層主要負(fù)責(zé)處理論文搜索、作者合著關(guān)系查詢、論文引用關(guān)系查詢等操作；還可以使用批量數(shù)據(jù)導(dǎo)入、數(shù)據(jù)解析與構(gòu)建服務(wù)來維護(hù)系統(tǒng)中的論文元數(shù)據(jù)。此外，從論文相關(guān)網(wǎng)站爬取的論文元數(shù)據(jù)也在本層加工后為系統(tǒng)運(yùn)行提供數(shù)據(jù)基礎(chǔ)。

存儲(chǔ)層負(fù)責(zé)系統(tǒng)中論文元數(shù)據(jù)的組織、存儲(chǔ)和管理。用戶數(shù)據(jù)存儲(chǔ)在MySQL關(guān)系型數(shù)據(jù)庫中，論文引用關(guān)系、作者合著關(guān)系等關(guān)系圖則采用Neo4j圖數(shù)據(jù)庫存儲(chǔ)，論文元數(shù)據(jù)和主題通過倒排索引為論文元數(shù)據(jù)查詢服務(wù)提供快速的檢索支持。

2.3 系統(tǒng)核心功能的算法設(shè)計(jì)

1） 超越關(guān)鍵字匹配的主題語義查詢

傳統(tǒng)基于關(guān)鍵字匹配的檢索方法不能體現(xiàn)查詢字符串和查詢結(jié)果之間的語義關(guān)系，降低了論文檢索的準(zhǔn)確度。本系統(tǒng)針對(duì)基于關(guān)鍵字匹配的查詢方法的不足，重點(diǎn)關(guān)注整合論文內(nèi)容和領(lǐng)域語義相關(guān)的論文查詢方法，并在查詢結(jié)果中同時(shí)體現(xiàn)論文相關(guān)性和用戶偏好，以解決傳統(tǒng)查詢方法的缺陷。除支持傳統(tǒng)輸入若干個(gè)關(guān)鍵字的模式外，系統(tǒng)還允許用戶輸入一串較長的字符串（如論文的摘要等），從而能夠更準(zhǔn)確和更全面地描述用戶的查詢意圖?；谟脩糨斎氲牟樵冏址?，算法1描述了系統(tǒng)中基于主題語義的查詢算法。

在算法1中，首先對(duì)論文列表進(jìn)行初始化（第1行），并利用文檔主題生成模型LDA （Latent DirichletAllocation）[3]來識(shí)別輸入字符串潛藏的主題信息（第2行）。然后，基于識(shí)別出的主題信息，通過預(yù)先構(gòu)建的倒排索引快速檢索出系統(tǒng)中包含這些主題的論文列表（第3行）。接著，利用余弦相似度計(jì)算論文列表中每篇文章與輸入字符串的語義相似度（第5行）：

其中str（i）和p（i）分別是輸入字符串str和論文p 的第i維分量，α、β 和γ 是三個(gè)可調(diào)節(jié)的權(quán)重參數(shù)?？紤]到論文被引用次數(shù)c 和作者發(fā)表論文的數(shù)量n 也能反映論文的重要性，因此通過三個(gè)權(quán)重參數(shù)（α、β 和γ） 將它們與語義相似度結(jié)合起來評(píng)估論文p 的重要性程度（第8行）。最后，根據(jù)論文的重要性指數(shù)對(duì)論文列表L中的論文進(jìn)行排序（第10行）。

2） 作者合著關(guān)系的構(gòu)建與查詢

論文合著是科學(xué)合作的一種普遍形式，它與論文的影響力存在著緊密的聯(lián)系[4]，同時(shí)也是科研人員了解相關(guān)研究領(lǐng)域的一個(gè)重要途徑。為此，系統(tǒng)根據(jù)論文元數(shù)據(jù)中的信息，對(duì)大規(guī)模的作者合著關(guān)系進(jìn)行提取、整合和建模，并利用圖數(shù)據(jù)庫有效地存儲(chǔ)這類數(shù)據(jù)。在本系統(tǒng)中，將作者視為無向圖中的結(jié)點(diǎn)，合著關(guān)系視為結(jié)點(diǎn)之間的邊，并自動(dòng)維護(hù)作者間的合著關(guān)系。這種關(guān)系構(gòu)建的過程如算法2所示。

本系統(tǒng)使用圖數(shù)據(jù)庫Neo4j（https：//neo4j.com） 對(duì)相關(guān)的圖數(shù)據(jù)進(jìn)行管理，并利用聲明式圖數(shù)據(jù)庫查詢語言Cypher進(jìn)行圖數(shù)據(jù)的檢索。首先，在解析獲取每篇論文的所有作者信息后（第2行），由于這些作者間存在合著關(guān)系，因此從這些作者中任意組合兩個(gè)創(chuàng)建一條代表合著關(guān)系的邊（第3行）。接著，對(duì)每個(gè)新生成的合著關(guān)系，查詢現(xiàn)有圖中是否存在當(dāng)前合著關(guān)系中的作者，如果沒有，則增加相應(yīng)的結(jié)點(diǎn)（第5、6行）。最后，如果描述當(dāng)前合著關(guān)系的邊不存在于圖中，則在兩個(gè)相應(yīng)結(jié)點(diǎn)間增加一條邊（第7 行）。在實(shí)際的應(yīng)用中，可以根據(jù)需求考慮是否為圖中的邊賦予權(quán)重，權(quán)重高則表示對(duì)應(yīng)兩個(gè)作者合著的次數(shù)更多，從而描述作者間合作關(guān)系的緊密程度。

3） 論文引用關(guān)系的構(gòu)建與查詢

學(xué)術(shù)論文之間并不是孤立存在的，一篇學(xué)術(shù)論文通常建立在多篇論文研究的基礎(chǔ)上，這種關(guān)聯(lián)通常通過論文間的引用關(guān)系來體現(xiàn)[5]。因此，學(xué)術(shù)論文間的引用關(guān)系是學(xué)術(shù)研究中的普遍需要。它一方面能夠?yàn)閷W(xué)術(shù)論文提供最佳論據(jù)并得以開展學(xué)術(shù)論證，另一方面方便讀者了解相關(guān)技術(shù)并進(jìn)行技術(shù)溯源。此外，論文間的引用關(guān)系隱含著論文重要程度的信息。例如，當(dāng)一篇論文被大量相同領(lǐng)域的其他論文引用時(shí)，這意味著這篇論文是該領(lǐng)域的一篇重要文獻(xiàn)。因此，本系統(tǒng)將論文的引用關(guān)系視作一項(xiàng)重要的信息并進(jìn)行維護(hù)和查詢。

論文之間的引用關(guān)系是一種天然的圖結(jié)構(gòu)信息，本系統(tǒng)使用有向圖對(duì)這種關(guān)系進(jìn)行建模：將論文視為圖中的結(jié)點(diǎn)，如果論文A引用了論文B，則在從A引出一條有向弧指向B。由此可以得到一個(gè)描述論文引用關(guān)系的有向無環(huán)圖。該圖的構(gòu)建和查詢與作者合著關(guān)系圖的構(gòu)建和查詢算法類似，鑒于篇幅，此處不再詳述。

3 系統(tǒng)實(shí)現(xiàn)

圖3展示了將“network security”作為關(guān)鍵字查詢輸入后返回的查詢結(jié)果。在該頁面的左邊區(qū)域，用戶可以設(shè)定時(shí)間年限來限制相應(yīng)的內(nèi)容；在輸入框中，用戶還可以將論文的摘要作為輸入字符串，通過系統(tǒng)對(duì)輸入字符串進(jìn)行主題識(shí)別能更準(zhǔn)確地理解用戶的查詢意圖，返回更準(zhǔn)確地檢索結(jié)果。

對(duì)于作者合著關(guān)系查詢，本文以名為“Webpageunderstanding： beyond page-level search”的論文為例，其作者的合著關(guān)系如圖4所示。由圖中的結(jié)果可以看出來，該查詢結(jié)果明顯地描述了不同的學(xué)術(shù)合作團(tuán)體。

圖5展示了上例論文的引用關(guān)系，為了使展示的結(jié)果簡潔，我們?cè)诓樵冎邢薅ㄒ藐P(guān)系為兩層。該結(jié)果可以直觀地體現(xiàn)不同論文之間的引用關(guān)系，方便用戶進(jìn)行技術(shù)的追蹤和調(diào)研。

4 結(jié)論

本文從廣大科研工作者對(duì)海量學(xué)術(shù)論文進(jìn)行快速、準(zhǔn)確和全面的檢索需求出發(fā)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)面向大規(guī)模學(xué)術(shù)論文元數(shù)據(jù)的管理系統(tǒng)。該系統(tǒng)根據(jù)輸入字符串的語義表示，檢索出語義相似且重要性高的論文結(jié)果，避免了傳統(tǒng)學(xué)術(shù)論文搜索引擎中采用關(guān)鍵字匹配時(shí)面臨的查詢結(jié)果不準(zhǔn)確和不全面的問題。同時(shí)，鑒于科學(xué)研究中作者合著關(guān)系和論文引用關(guān)系的重要性，系統(tǒng)中將這兩種關(guān)系分別建模成無向圖和有向圖，并采用圖數(shù)據(jù)庫對(duì)這類數(shù)據(jù)進(jìn)行有效的管理，通過圖形化的方式向用戶提供直觀的關(guān)系查詢結(jié)果。該系統(tǒng)的實(shí)現(xiàn)，能夠?yàn)楹Ａ空撐脑獢?shù)據(jù)的管理和查詢提供便利，更好地滿足廣大科研工作者對(duì)論文的高質(zhì)量檢索需求。