基于空间增强与动态图卷积网络的科技论文研究主题趋势预测

近年来，随着社会对科研投入的增加，各领域研究成果数量显著增长。准确有效地预测未来研究主题趋势，可帮助研究者发现未来研究热点。然而，由于各研究主题间关联日益紧密，大量研究主题间存在一定依赖关系。孤立地看待单一研究主题并使用传统序列问题处理方法，无法有效挖掘这些研究主题间的空间依赖。为同时捕捉研究主题间的空间依赖与时间变化，我们提出一种基于深度神经网络的研究主题热度预测算法，即时空卷积网络模型。我们的模型结合了图卷积神经网络（GCN）与时序卷积网络（TCN）：具体而言，GCN 用于学习研究主题的空间依赖并借助空间依赖增强空间特征；TCN 用于学习研究主题趋势的动态变化。优化基于按时间距离计算的加权损失进行。在论文数据集上与当前主流序列预测模型及同类时空模型的对比实验表明，在研究主题预测任务中，我们的模型能有效捕捉时空关系，预测效果优于最先进的基线方法。