在全球?qū)W術(shù)研究范式加速向交叉學(xué)科轉(zhuǎn)型、學(xué)術(shù)期刊數(shù)量呈指數(shù)級增長的時代背景下，學(xué)術(shù)傳播生態(tài)正面臨前所未有的期刊過載困境。如何在多元化和跨學(xué)科學(xué)術(shù)情境中為學(xué)者精準(zhǔn)匹配適配期刊，已成為學(xué)術(shù)資源智能推薦領(lǐng)域的核心科學(xué)問題。學(xué)術(shù)期刊推薦系統(tǒng)作為破解這一難題的關(guān)鍵技術(shù)手段，雖已引發(fā)學(xué)界廣泛關(guān)注，但現(xiàn)有研究在跨學(xué)科場景語義建模、學(xué)者興趣漂移捕捉、期刊主題動態(tài)映射等維度仍存在明顯的方法論瓶頸。有鑒于此，筆者立足學(xué)術(shù)大數(shù)據(jù)挖掘的前沿領(lǐng)域，提出融合學(xué)者多維學(xué)術(shù)偏好的特征建�？蚣�，通過深度學(xué)習(xí)技術(shù)對學(xué)術(shù)文本的語義空間進(jìn)行多層次解構(gòu)，旨在構(gòu)建具有動態(tài)適應(yīng)性的高精度期刊推薦模型，為學(xué)術(shù)交流效率的提升提供理論支撐與技術(shù)方案。
一、研究定位與科學(xué)問題
筆者以學(xué)者學(xué)術(shù)偏好的多維度特征建模為研究主線，聚焦以下關(guān)鍵科學(xué)問題。
1.語義表征的精準(zhǔn)性：如何突破傳統(tǒng)模型在一詞多義消解、深層語義提取中的局限性，實現(xiàn)學(xué)術(shù)文本上下文語義與全局語義的協(xié)同建模？
2.特征空間的完備性：在數(shù)據(jù)稀疏與特征缺失場景下，如何引入跨學(xué)科變量（如學(xué)者人格特質(zhì)、期刊名語義）來拓展偏好建模維度？
3.系統(tǒng)性能的魯棒性：在冷啟動、小樣本等極端數(shù)據(jù)條件下，如何保證推薦模型的穩(wěn)定性與泛化能力以及推薦結(jié)果的多樣性？
二、核心方法與創(chuàng)新貢獻(xiàn)
針對上述關(guān)鍵科學(xué)問題，筆者提出基于深度學(xué)習(xí)的多維度特征融合方法論，通過四個層級漸進(jìn)式研究模塊實現(xiàn)學(xué)術(shù)偏好建模的技術(shù)突破。
（一）高階語義增強的多維度特征融合模型
針對現(xiàn)有期刊推薦模型中存在的一詞多義和深層語義缺失問題，構(gòu)建了基于學(xué)術(shù)文本語義局部特征和高階特征融合的期刊推薦模型。該模型利用自然語言預(yù)處理模型來獲取學(xué)術(shù)文本的上下文語義特征，并通過卷積神經(jīng)網(wǎng)絡(luò)抽取其蘊含的深層語義特征。同時，考慮學(xué)者學(xué)術(shù)偏好的差異性，對提出模型推薦結(jié)果的多樣性和通用性進(jìn)行了研究。
（二）全局語義增強的多維度特征融合模型
針對現(xiàn)有期刊推薦模型中存在的學(xué)術(shù)文本間關(guān)聯(lián)語義缺失問題，提出了基于學(xué)術(shù)文本局部特征和全局特征融合的期刊推薦模型。該模型構(gòu)建了一個基于學(xué)術(shù)語料庫的詞-文檔異質(zhì)圖，并利用圖卷積神經(jīng)網(wǎng)絡(luò)獲取文檔節(jié)點的向量表示以實現(xiàn)學(xué)者學(xué)術(shù)偏好全局特征的量化。筆者深入研究了提出模型與基準(zhǔn)模型的差異，并分析了影響模型性能的關(guān)鍵參數(shù)與模型間的依賴關(guān)系以及冷啟動環(huán)境下模型的魯棒性，同時對提出模型推薦結(jié)果的多樣性進(jìn)行了分析。
（三）人格特質(zhì)增強的多維度特征融合模型
針對數(shù)據(jù)集中學(xué)術(shù)文本特征稀疏問題，引入學(xué)者人格特質(zhì)信息，建立了學(xué)者人格特質(zhì)增強和學(xué)術(shù)文本局部特征融合的期刊推薦模型。該模型基于學(xué)術(shù)文本的相關(guān)寫作風(fēng)格信息，提出文本顯性特征、文本隱性特征和學(xué)者人格特質(zhì)三個偏好因子，并運用不同的方法量化這三個偏好因子。針對人格特質(zhì)因子量化問題，提出基于遷移學(xué)習(xí)策略的跨域?qū)W者人格特質(zhì)二分類預(yù)測模型，用以識別學(xué)者人格特征。引入決定學(xué)者學(xué)術(shù)偏好的人格特質(zhì)信息，有效緩解了學(xué)術(shù)文本特征稀疏問題。利用真實的包含學(xué)者人格特質(zhì)信息的意識流數(shù)據(jù)集Essays及學(xué)術(shù)數(shù)據(jù)集分別驗證了人格特質(zhì)分類模型和期刊推薦模型的有效性。
（四）期刊名語義增強的多維度特征融合模型
針對數(shù)據(jù)集中學(xué)術(shù)文本特征缺失問題，融合期刊名的語義信息，設(shè)計了期刊名語義增強和學(xué)術(shù)文本局部特征融合的期刊推薦模型。該模型借鑒少樣本學(xué)習(xí)策略重構(gòu)學(xué)術(shù)文本的顯性特征，并基于雙塔模型的實現(xiàn)原理構(gòu)建了學(xué)術(shù)文本深層語義特征的表示學(xué)習(xí)模型。與此同時，基于在線學(xué)術(shù)數(shù)據(jù)庫Scopus中真實的學(xué)術(shù)數(shù)據(jù)集驗證了所提出的四個期刊推薦模型的有效性。結(jié)果表明，所提出的模型性能普遍優(yōu)于當(dāng)前主流的基準(zhǔn)參考方法，具有更好的推薦效果。此外，研究成果也為學(xué)術(shù)大數(shù)據(jù)的其他推薦場景提供了有價值的參考和指導(dǎo)。
三、全書結(jié)構(gòu)與研究脈絡(luò)
本書以理論建構(gòu)方法創(chuàng)新實驗驗證為研究邏輯主線，共分七章展開論述：第1章為緒論；第2章為理論基礎(chǔ)與概念界定；第3章為高階語義增強的多維度特征融合的期刊推薦模型；第4章為全局語義增強的多維度特征融合的期刊推薦模型；第5章為人格特質(zhì)增強的多維度特征融合的期刊推薦模型；第6章為期刊名語義增強的多維度特征融合的期刊推薦模型；第7章為結(jié)論與展望。各章內(nèi)容均聚焦學(xué)術(shù)期刊推薦領(lǐng)域的核心問題，構(gòu)建多層次創(chuàng)新模型體系，兼具理論深度與實證支撐。
四、致謝與學(xué)術(shù)聲明
本書的出版得到齊魯工業(yè)大學(xué)（山東省科學(xué)院）數(shù)字人文研究中心平臺培育項目的資助。在此衷心感謝導(dǎo)師邵必林教授在學(xué)術(shù)道路上的悉心指導(dǎo)，感謝課題指導(dǎo)專家組與評審專家在課題研究過程中給予的寶貴建議，感謝課題組同仁給予的人文關(guān)懷和學(xué)術(shù)陪伴，感謝趙燕清所長在著作出版過程中給予的指導(dǎo)和幫助。同時，感謝家人在研究期間的理解與陪伴，使本書得以在嚴(yán)謹(jǐn)與溫情的雙重滋養(yǎng)中完成。書中部分研究成果已在Information Processing & Management、Applied Soft Computing、Expert Sys tems with Application等期刊發(fā)表，感謝匿名評審專家提出的建設(shè)性意見。鑒于學(xué)術(shù)推薦領(lǐng)域新技術(shù)的不斷涌現(xiàn)，書中觀點難免存在局限性，懇請學(xué)界同仁不吝賜教，共同推動該領(lǐng)域的研究進(jìn)展。