A novel personalized academic venue hybrid recommender(一种新颖的个性化*场地混合推荐器)

　　本篇论文于2014年11月发表在第十五届IEEE计算智能与信息学国际研讨会上。主要关于venue的场地推荐，推荐合适场地给目标研究者用以发表论文。

　　推荐模型主要采用了基于共同co-authors、co-citers和co-affifiliated的论文发表场所，建立与目标研究者之间的关联，其中特别考虑了研究员的可靠性。

　　co-authors：共同作者

　　co-citers：引用目标research作品的人

　　co-affifiliated：与目标科学家属于同一机 构/实验室的研究人员

　　由于本论文符号较多，容易搅浑，现将其进行说明:

Recommender engine：

1、Collaborative recommender（A new collaborative engine）：

　　利用co-citers。

　　

　　本模型提出一种新的协同推荐，把一个矩阵作为输入，其中研究员Rri是目标研究员的co-citers(已经引用了目标研究员论文的研究员)。矩阵的每一个项用Pij表示，代表研究员 i 在venue Vj上论文的发表情况。协同推荐过程由标准化(Normalization)、贴现(Discounting)和排序(Sorting)三个步骤组成。

　　a、标准化(Normalization)

　　为了避免发表大量论文的研究者歪曲推荐结果，我们将每个研究者Rri的发表论文总数Nbi考虑如下:

　　　，研究员i发表在j上的论文占其总论文的比例。

　　b、贴现(Discounting)

　　这一步主要考虑co-citers的可靠性，通过计算对目标研究员论文的引用频率。

　　，

　　α表示discounting rate，其值越大，说明 i 越可靠，也就是与 t 关系越大。为从上一步中获得的值。

 　　表示 t 发表的所有论文数量，表示 i 引用 t 的论文数量。

　　c、排序(Sorting)

　　对每个venue的得分S(V_j)进行排序。

　　

2、Community-based：

　　利用

　　　

　　我们假设这些研究人员有一篇发表文章，其发表地点可能对应于目标研究人员的地点。

　　（这里感觉可以改进，只有一篇也太武断了，个人认为此种假设不太靠谱）

 

　　此步骤中每个Vj的得分：

　　

 

　　S^F (Vj)反映了每个场地V_j与目标研究者t的相关性，计算如下:

　　

3、Utility-recommender：

　　本部分感觉无用，暂不记录。