【基于作者偏好的学术投稿刊物推荐算法】
在学术研究领域，选择合适的期刊投稿对于作者来说至关重要，因为它直接影响到研究成果的传播和影响力。然而，面对众多的学术期刊，如何找到最匹配自己研究领域的投稿目标往往是一项挑战。传统的推荐系统通常只考虑文章主题或作者的历史发表记录，但这种方式往往无法充分反映作者的个性化偏好和期刊的动态变化。因此，一种新的推荐算法——基于作者偏好的学术投稿刊物推荐算法应运而生。
该算法首先采用了潜在狄利克雷分配（LDA）主题模型来提取文章标题中的主题信息。LDA是一种常用的文本分析方法，它能够识别出文本中隐藏的主题结构，将文章内容转化为一系列概率分布的主题表示。通过这种方式，算法可以理解文章的核心内容，为后续的推荐过程提供基础。
接下来，算法构建了主题-刊物和时间-刊物的模型图，这有助于捕捉期刊的学术焦点随时间变化的模式。模型图中的节点包括主题、期刊和时间，边则表示它们之间的关系。利用大规模信息网络嵌入（LINE）模型，算法学习这些异构图节点的嵌入，将非结构化的数据转换为向量形式，以便于计算和比较。
在模型训练完成后，算法将作者的主题偏好和历史发刊记录相结合，计算每个期刊的综合得分。这种综合考虑不仅包含了文章主题与期刊主题的一致性，还考虑了作者过去在特定期刊上发表文章的频率和时间间隔，以反映作者的长期和短期偏好。通过这种方式，推荐系统能够生成更加精准的投稿期刊列表。
实验部分，该算法在DBLP和PubMed两个公开数据集上进行了验证。与奇异值分解（SVD）、DeepWalk、非负矩阵分解（NMF）等6个现有算法对比，结果显示，提出的算法在不同推荐列表长度下均取得了最高的召回率。这意味着，无论推荐多少个期刊，该算法都能更准确地找到那些与作者研究最相关的期刊。此外，由于它需要的信息较少，算法的效率也相对较高，同时保持了良好的准确性，提升了推荐系统的鲁棒性。
关键词：学术期刊，二部图，投稿推荐，图嵌入，作者偏好
基于作者偏好的学术投稿刊物推荐算法通过整合文本主题、作者历史记录和时间因素，实现了更精准的期刊推荐，有助于学者们更高效地找到合适的投稿目标，从而提高研究成果的传播效果和影响力。这一算法的创新之处在于其对作者个性化偏好的深度挖掘和对期刊动态变化的敏感捕捉，有望成为未来学术投稿推荐系统的重要发展方向。
