基于ID3決策樹改進(jìn)算法的稿刊推薦研究

賈笛笛++陳智勇

摘要：在科研工作者的科研活動(dòng)中，發(fā)表論文是其中非常重要的部分。論文承載著科研工作者的研究成果，只有發(fā)表在出版物上，才能得到世人的認(rèn)可?，F(xiàn)有稿刊推薦研究的推薦結(jié)果少，而且推薦結(jié)果的準(zhǔn)確度不高，投稿人很難從推薦結(jié)果中發(fā)現(xiàn)適合投稿的期刊。鑒于此，提出利用改進(jìn)的ID3決策樹算法對(duì)期刊與稿件相關(guān)度進(jìn)行分類建模，利用得到的分類規(guī)則為投稿人推薦合適期刊的方法。實(shí)驗(yàn)結(jié)果表明，基于ID3決策樹改進(jìn)算法的稿刊推薦方法推薦準(zhǔn)確率較高。

關(guān)鍵詞：稿刊推薦；數(shù)據(jù)挖掘；ID3算法；多值邏輯；KMeans聚類

DOIDOI：10.11907/rjdk.171695

中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：16727800（2017）010004205

0引言

稿刊推薦是向有投稿需求的科研工作者推薦適合其投稿的期刊。國(guó)外關(guān)于出版物與稿件的研究主要有兩個(gè)方面：推薦與科研工作者研究領(lǐng)域相符的文獻(xiàn)[12]；推薦與科研工作者稿件研究領(lǐng)域相符的出版物[38]。Luong Hiep、Klamma R、Luong H等[34]通過(guò)社交網(wǎng)絡(luò)的方法，探索網(wǎng)絡(luò)中與稿件作者在同一個(gè)研究領(lǐng)域內(nèi)的其他稿件作者所出版過(guò)的刊物；2015年，Medvet Eric、Bartoli Alberto[5]建立期刊查詢系統(tǒng)，通過(guò)稿件標(biāo)題和摘要進(jìn)行期刊推薦；2015年，Anas Alzoghbi[6]提出將研究者簡(jiǎn)介作為多元線性回歸問(wèn)題的模型，利用元數(shù)據(jù)實(shí)現(xiàn)有效的出版物推薦；2016年，Tran Hung Nghiep、Huynh Tin[7]使用研究人員引用的出版物構(gòu)建數(shù)據(jù)樣本，進(jìn)行出版物推薦。國(guó)內(nèi)關(guān)于稿刊推薦的研究方法，主要是建立稿件與期刊研究方向的關(guān)系。2014年，徐鎮(zhèn)[9]提出基于垂直搜索引擎的論文投稿推薦系統(tǒng)研究；2014年，秦臻等[10]提出基于合著作者網(wǎng)絡(luò)的期刊推薦方法；2015年，王亮等[11]提出基于主題模型文本挖掘的期刊推薦方法，大大提升了期刊推薦的準(zhǔn)確度。

上述出版物推薦方法為有投稿需求的用戶提供了方便，但也存在不足之處，總結(jié)如下：

（1）現(xiàn)有出版物推薦方法數(shù)據(jù)樣本有限。已有的推薦方法是建立與稿件作者具有合著關(guān)系的稿件作者關(guān)系網(wǎng)，這樣導(dǎo)致推薦結(jié)果的數(shù)量少，有可能科研工作者真正需要的出版物并不包含在其中。

（2）現(xiàn)有出版物推薦方法沒(méi)有考慮出版物與稿件的關(guān)聯(lián)度?，F(xiàn)有推薦方法沒(méi)有量化推薦的出版物與稿件的研究方向是否一致，沒(méi)有考慮出版物與稿件的質(zhì)量是否相符。如果推薦的出版物質(zhì)量與稿件質(zhì)量不符合，稿件很難成功出版。

（3）現(xiàn)有出版物推薦方法不適合沒(méi)有投稿經(jīng)驗(yàn)的科研工作者?；谏缃痪W(wǎng)絡(luò)的出版物推薦方法是建立與稿件作者具有合著關(guān)系的作者關(guān)系網(wǎng)。沒(méi)有投稿經(jīng)歷的科研工作者無(wú)法得到合著關(guān)系網(wǎng)，也就無(wú)法得到推薦結(jié)果。

1材料與方法

分析整理JCR（Journal Citation Reports）中所有的SCI（Science Citation Index）期刊數(shù)據(jù)，建立期刊數(shù)據(jù)庫(kù)。利用多值邏輯理論改進(jìn)傳統(tǒng)ID3算法，并利用改進(jìn)后的ID3決策樹算法，對(duì)期刊數(shù)據(jù)樣本分類，提取分類規(guī)則，然后按照提取的分類規(guī)則進(jìn)行稿刊推薦。

1.1ID3算法分析

1966年，Hunt E B在概念學(xué)習(xí)系統(tǒng)CLS（Care Life of Science）[12]中首次應(yīng)用了決策樹方法，是決策樹發(fā)展的基礎(chǔ)；1975年，J.Ross Quinlan提出了一個(gè)決策樹算法，稱作ID3算法[13]，后來(lái)的決策樹算法都是在ID3算法基礎(chǔ)上得到的。ID3算法利用信息增益[14]的度量標(biāo)準(zhǔn)選擇結(jié)點(diǎn)屬性，算法學(xué)習(xí)能力較強(qiáng)，適合處理大規(guī)模數(shù)據(jù)。ID3算法原理簡(jiǎn)單易懂，可以生成易于理解的分類規(guī)則，而且算法的分類速度快[15]。但I(xiàn)D3算法也有自身缺陷：對(duì)連續(xù)型數(shù)據(jù)無(wú)法處理，對(duì)屬性值缺失的數(shù)據(jù)也難以解決；在選擇信息增益時(shí)，一般選擇取值較多的屬性。

針對(duì)ID3算法的不足及本研究需要，現(xiàn)從以下兩個(gè)方面加以改進(jìn)：

（1）連續(xù)屬性離散化。因?yàn)镮D3算法無(wú)法處理連續(xù)型變量，但期刊與論文相關(guān)度的數(shù)據(jù)樣本中，數(shù)據(jù)屬性是連續(xù)型數(shù)據(jù)，如期刊刊登范圍與論文研究方向相關(guān)度、5年影響因子和載文量。

（2）確定屬性取值。一般決策樹算法處理數(shù)據(jù)集的類別屬性是布爾類型的數(shù)據(jù)，只有是與否的對(duì)立情況，但在現(xiàn)實(shí)生活中兩個(gè)對(duì)立的取值并不能解決問(wèn)題。由于原有的ID3算法中決策屬性的取值個(gè)數(shù)不一，造成分類后的決策樹分類不均，會(huì)產(chǎn)生異常點(diǎn)或孤立點(diǎn)。

1.2多值邏輯對(duì)ID3算法的改進(jìn)

多值邏輯是一種非經(jīng)典的邏輯系統(tǒng)。在經(jīng)典邏輯中，每個(gè)命題取值為真或假。在客觀世界中，有些事物無(wú)法由二值邏輯描述，于是產(chǎn)生了多值邏輯[16]。多值邏輯指一切邏輯值的取值數(shù)大于2的邏輯，它由二值邏輯擴(kuò)展而來(lái)。

ID3算法依據(jù)多組決策屬性的值判斷一個(gè)實(shí)例屬于某個(gè)類別，若此時(shí)屬性的取值用集合表示，記成V={v1，v2，v3，…，vm}。假設(shè)m=2，屬性取值為2，屬于二值邏輯，只有一個(gè)為真，另一個(gè)為假。在稿刊推薦中，若用“1或0”兩個(gè)值表征屬性的取值，分類結(jié)果將生成只有兩個(gè)分枝的決策樹，造成樹的深度過(guò)大、分枝過(guò)少。若m=N，N為一個(gè)足夠大的值，導(dǎo)致生成的決策樹分枝過(guò)多。由生成的決策樹得到大量的分類規(guī)則使得ID3算法的使用變得復(fù)雜。

屬性取值個(gè)數(shù)決定著ID3決策樹算法生成的決策樹模型分枝，因此要控制屬性取值的個(gè)數(shù)。本文利用多值邏輯理論改進(jìn)ID3算法，以限定屬性取值的個(gè)數(shù)。

以期刊與稿件關(guān)聯(lián)度分類問(wèn)題為例，利用多值邏輯改進(jìn)ID3算法的步驟如下：

（1）計(jì)算類別屬性的信息熵。若期刊信息樣本集合S中有n個(gè)樣本。利用多值邏輯理論將期刊與稿件的相關(guān)度信息的類別屬性分為0，1之間的m個(gè)取值：v1，v2，v3，…，vm。此時(shí)類別屬性C有m個(gè)不同的取值即Ci（i=1，2，…，m）。設(shè)si為Ci中的樣本數(shù)，可得樣本集S對(duì)應(yīng)類別屬性C的信息熵為：endprint

I（s1，s2，…，sm）=-∑mi=1pilog2（pi）（1）

其中，Pi表示任意樣本屬于分類Ci的概率。

（2）計(jì)算決策屬性的信息熵。選擇樣本集S中一個(gè)決策屬性A，若A有k個(gè)不同的取值，決策屬性A將樣本集合S劃分為k類別。由此，屬性A劃分樣本集S的信息熵為：

E（A）=-∑kj=1A1j+A2j+…+AmjnI（sj）（2）

其中，Aij（i=1，2，…，m；j=1，2，…，k）表示子集Sj中類Ci的樣本數(shù)量。因?yàn)闆Q策屬性的取值是連續(xù)變量，本文利用多值邏輯理論離散化決策屬性的值。首先利用KMeans聚類算法將決策屬性的值分組，按照多值邏輯的m個(gè)值：v1，v2，v3，…，vm，對(duì)每個(gè)分組分別賦值。

（3）計(jì)算信息增益。這樣可以根據(jù)以上信息計(jì)算屬性A的信息增益，公式如下：

Gain（A）=I（S）-E（A）（3）

最后選擇信息增益最大的決策屬性作為樹的根結(jié)點(diǎn)，由此結(jié)點(diǎn)產(chǎn)生多個(gè)分枝，形成子樹。每個(gè)子樹根結(jié)點(diǎn)的選擇也如此，以遞歸的方式最終生成一棵完整的樹。

1.3稿刊推薦數(shù)據(jù)準(zhǔn)備

本文數(shù)據(jù)來(lái)源于ISI（Institute for Scientific Information）2015年出版的JCR。JCR對(duì)收錄的全部SCI期刊數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、運(yùn)算，并對(duì)每種期刊定義了影響因子、5年影響因子、即引指數(shù)、載文量、引半衰期等指數(shù)。為了方便科研工作者的投稿需要，利用網(wǎng)絡(luò)獲取期刊網(wǎng)址和審稿周期。本文花費(fèi)大量的時(shí)間對(duì)期刊引證報(bào)告中期刊的研究方向進(jìn)行劃分，由于時(shí)間和個(gè)人能力有限只完成了計(jì)算機(jī)方向相關(guān)工作。計(jì)算機(jī)領(lǐng)域的期刊劃分是依據(jù)中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF，China Computer Federation）中研究方向分類要求進(jìn)行分類。分類后建立期刊研究領(lǐng)域與論文研究方向之間的關(guān)系，作為數(shù)據(jù)樣本的一個(gè)數(shù)據(jù)屬性（期刊與論文研究方向關(guān)聯(lián)度屬性，J_Category）。

期刊引證報(bào)告是世界權(quán)威性的綜合數(shù)據(jù)庫(kù)，涵蓋了世界上大部分影響力較大的科技期刊，集合了各學(xué)科的重要研究成果。因此，利用JCR建立期刊庫(kù)，滿足用戶需求。5年影響因子和載文量是期刊影響力和發(fā)展程度的重要指標(biāo)[17]。為了建立期刊與稿件之間的關(guān)系，選取期刊引證報(bào)告中期刊的5年影響因子和載文量作為樣本數(shù)據(jù)的屬性。在數(shù)據(jù)樣本中，5年影響因子的屬性名為J_IF，載文量的屬性名為J_Articles。整理好的期刊數(shù)據(jù)如表1所示。

2實(shí)驗(yàn)與結(jié)果

本文利用改進(jìn)后的ID3算法進(jìn)行稿刊推薦實(shí)驗(yàn)。以《計(jì)算機(jī)學(xué)報(bào)》上刊載的論文《樸素貝葉斯分類中的隱私保護(hù)方法研究》為例，影響因子范圍定為0.6～2.6，論文關(guān)鍵詞：數(shù)據(jù)挖掘、隱私保護(hù)、樸素貝葉斯分類、隨機(jī)處理、特征重構(gòu)。

2.1數(shù)據(jù)預(yù)處理

通過(guò)計(jì)算期刊的刊登范圍標(biāo)簽與稿件關(guān)鍵詞標(biāo)簽的相似度，近似計(jì)算期刊與稿件之間的研究方向相關(guān)度J_Category的值。{A1，A2，A3，…，Am}表示期刊A的標(biāo)簽集合，{B1，B2，B3，…，Bn}表示稿件B的關(guān)鍵詞標(biāo)簽集合，{a1，a2，a3，…，am}表示期刊A向量，{b1，b2，b3，…，bn}表示稿件B向量，k=min（m，n）。由于期刊的標(biāo)簽數(shù)量大，期刊標(biāo)簽與稿件關(guān)鍵字匹配完成后，按照大小降序排列，截取前n個(gè)值定為向量B，然后計(jì)算它們之間的標(biāo)簽相似度。假如稿件B的關(guān)鍵詞標(biāo)簽為{數(shù)據(jù)挖掘，隱私保護(hù)，樸素貝葉斯分類，隨機(jī)處理，特征重構(gòu)}，期刊A的標(biāo)簽為{數(shù)據(jù)挖掘，分類，估計(jì)，熵，樸素貝葉斯分類，相關(guān)性分組，關(guān)聯(lián)規(guī)則，聚類，特征重構(gòu)，決策樹}。A與B匹配之后用向量形式表示為：A（1，1，1，1，1），B（1，0，0，0，1，0，0，0，1，0）。將B向量倒序排列，截取和A一樣的長(zhǎng)度，得B（1，1，1，0，0）。利用式（4）計(jì)算A與B的相似度結(jié)果為0.77，然后按照此方式獲得J_Category的其它值。

Sim（A，B）=∑nk=0ak×bk∑nk=0a2k∑nk=0b2k（4）

利用KMeans算法對(duì)研究方向相關(guān)度（J_Category）、5年影響因子（J_IF）、載文量（J_Articles）進(jìn)行聚類，聚類結(jié)果如圖1、圖2、圖3所示。其中J_Category聚為5類，每個(gè)類別按照多值邏輯的5個(gè)值即1、0.75、0.5、0.25、0

圖1研究方向聚類結(jié)果（J_Category）

圖2載文量聚類結(jié)果（J_Articles）

圖3影響因子聚類結(jié)果（J_IF）

依次賦值。J_Articles屬性一部分取值聚為4類，每個(gè)類別按照多值邏輯的4個(gè)值0.75，0.5，0.25，0依次賦值，J_Articles屬性剩余的數(shù)據(jù)賦值為1。選取J_IF在0.6～2.6范圍內(nèi)的所有值聚為4類，范圍外的所有值賦值為0，聚類后的每個(gè)類別按照多值邏輯的值即1、0.75、0.5、0.25進(jìn)行賦值。利用多值邏輯處理后的數(shù)據(jù)樣本如表2所示。

2.2數(shù)據(jù)建模

利用Java語(yǔ)言在Eclipse平臺(tái)實(shí)現(xiàn)改進(jìn)后的ID3算法，并生成決策樹模型，如圖4所示。本文分類結(jié)果的準(zhǔn)確度由Weka[18]工具分析，如圖5所示。由圖4可得決策模型分類規(guī)則，按照分類規(guī)則獲取數(shù)據(jù)集中類別屬性值大于0.25的所有期刊數(shù)據(jù)，輸出結(jié)果如圖6所示。投稿人可以將圖6的輸出結(jié)果作為參考選擇適合自己的期刊進(jìn)行投稿。

3結(jié)果分析

本文運(yùn)用多值邏輯理論改進(jìn)了ID3算法，使原本雜亂無(wú)序的屬性值變得有規(guī)律可循，使得生成的決策樹模型層數(shù)減少，而且分類更加均勻合理。本文從3個(gè)方面對(duì)改進(jìn)ID3算法的分類結(jié)果進(jìn)行分析：

（1）改進(jìn)前后ID3算法對(duì)比。改進(jìn)前的ID3算法對(duì)連續(xù)型數(shù)據(jù)的數(shù)據(jù)樣本無(wú)法處理。從圖4可以看出，利用多值邏輯改進(jìn)ID3算法生成的決策樹，分布均勻，樹的分枝減少，從眾多的分枝減少到有限的幾個(gè)分枝，屬性取值也從無(wú)序變?yōu)橛行?。endprint

（2）期刊與稿件相關(guān)度。改進(jìn)ID3算法生成的決策樹以研究方向相關(guān)度（J_Category）作為樹的根節(jié)點(diǎn)，將該屬性作為更重要的屬性，符合稿刊推薦首先要求期刊與稿件研究方向一致的條件。

（3）準(zhǔn)確度。如圖5所示，由Weka平臺(tái)輸出結(jié)果可知，對(duì)333個(gè)實(shí)例進(jìn)行分析，有321個(gè)正確的分類結(jié)果，5個(gè)錯(cuò)誤結(jié)果，分類準(zhǔn)確率為96.39%。分類準(zhǔn)確率較高，因此改進(jìn)后的ID3算法適合稿刊推薦的分類工作。

4結(jié)語(yǔ)

針對(duì)現(xiàn)有期刊推薦方法推薦結(jié)果準(zhǔn)確率不高的問(wèn)題，將多值邏輯理論改進(jìn)的ID3決策樹算法應(yīng)用到稿刊推薦研究中，節(jié)約了投稿人大量的科研時(shí)間。本文利用改進(jìn)的ID3決策樹算法處理海量數(shù)據(jù)，符合投稿人的推薦結(jié)果更多，推薦結(jié)果準(zhǔn)確率也高。但由于時(shí)間有限，本文僅開展了計(jì)算機(jī)領(lǐng)域相關(guān)工作。在后續(xù)工作中，將在期刊數(shù)據(jù)庫(kù)中增加更多核心期刊，擴(kuò)大數(shù)據(jù)樣本，為投稿人提供更多選擇；同時(shí)增加每個(gè)期刊對(duì)應(yīng)的標(biāo)簽庫(kù)，提高推薦的準(zhǔn)確率。

參考文獻(xiàn)參考文獻(xiàn)：

[1]PERA MARIA SOLEDAD，NG YIU KAI.A personalized recommendation system on scholarly publications[C].Proceedings of the 2011 ACM International Conference on Information and Knowledge Management， CIKM'11，Glasgow，2011：21332136.

[2]LE ANH VU，HOANG HAI VO，TRAN HUNG NGHIEP，et al.SciRecSys： a recommendation system for scientific publication by discovering keyword relationships[J].Lecture Notes in Computer Science，2014， 8733：7282.

[3]KLAMMA R，CUONG P M，CAO Y.You never walk alone： recommending academic events based on social network analysis [M].Complex Sciences. Springer Berlin Heidelberg，2009：657670.

[4]LUONG HIEP，HUYNH TIN，GAUCH SUSAN，et al.Exploiting social networks for publication venue recommendations[C].Proceedings of the International Conference on Knowledge Discovery and Information Retrieval，KDIR， Barcelona，2012：239245.

[5]MEDVET ERIC，BARTOLI ALBERTO，PICCININ GIULIO.Publication venue recommendation based on paper abstract[C].Proceedings of International Conference on Tools with Artificial Intelligence，ICTAI，Limassol Cyprus，2014：10041010.

[6]ANAS ALZOGHBI，VICTOR ANTHONY ARRASCUE AYALA，PETER MFISCHER，et al.PubRec：recommending publications based on publicly available metadata[C].Proceedings of the LWA 2015 Workshops： KDML， FGWM， IR， and FGDB，Trier，Germany，2015：1118.

[7]TRAN HUNG NGHIEP，HUYNH TIN，HOANG KIEM.A potential approach to overcome in scientific publication recommendation[C].Proceedings of 2015 IEEE International Conference on Knowledge and Systems Engineering， Ho Chi Minh City，2015：310313.

[8]HUYNH TIN，NGUYENTRACTHUC，TRAN HUNGNGHIEP.Exploiting social relations to recommend scientific publications[J].Lecture Notes in Computer Science，2016，9795：182192.

[9]徐鎮(zhèn).基于垂直搜索引擎的論文投稿推薦系統(tǒng)研究[D].蘭州：蘭州大學(xué)，2010.

[10]秦臻.學(xué)術(shù)社會(huì)網(wǎng)絡(luò)建模和學(xué)術(shù)資源推薦方法研究[D].北京：北京郵電大學(xué)，2015.

[11]王亮，張紹武.基于主題模型的文本挖掘的研究[D].大連：大連理工大學(xué)，2015.

[12]PORTER BW，BARESS E R，HOLTE R.Concept learning and heuristic classification in weak theory domains[J].Artificial Intelligence，1989，45：229263.

[13]QUINLAN J R.Induction of decision trees[J].Machine learning，1986（1）：81106.

[14]王小巍，蔣玉明.決策樹ID3算法的分析與改進(jìn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（9）：30693076.

[15]黃愛(ài)輝，陳湘濤.決策樹ID3算法的改進(jìn)[J].計(jì)算機(jī)工程與科學(xué)，2009，31（6）：109111.

[16]劉任任，歐陽(yáng)建權(quán).多值邏輯函數(shù)結(jié)構(gòu)理論研究[M].北京：科學(xué)出版社，2010：220.

[17]陶維麗.科技期刊的綜合評(píng)價(jià)比較研究[D].武漢：華中師范大學(xué).2012：130.

[18]孟曉明，陳慧萍，張濤.基于WEKA平臺(tái)的Web事務(wù)聚類算法的研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（6）：13321334.

責(zé)任編輯（責(zé)任編輯：孫娟）endprint