语义网是一种使用可以被计算机理解的方式描述事物的网络，它的基本思想就是让机器或者设备能够自动识别和理解万维网上的内容，自动化地处理、集成来自不同数据源的数据，使得Web信息获取更为智能便捷[1]。语义网技术的发展旨在使网络资源更好地被机器所理解与交换，最大程度地实现资源开放、共享与互联，以满足用户多层面的应用需求。RDF、OWL、SKOS、SPARQL语言、关联数据等核心技术的发展进一步提供了数据描述、使用词汇推理的应用环境，确保网络上存在着大量可用的标准格式的数据[2]。推荐系统作为在搜索引擎之后的另一种重要的信息过滤手段，向用户提供个性化信息推荐，是解决当前信息超载问题非常有效的方法，尤其在电子商务领域，推荐系统普遍应用于各大B2C网站[3-4]。
2013-2019年间，语义网技术与推荐系统Top5论文产出国家为中国、美国、印度、英国和德国。同济大学在该研究领域按发文量排第95位，发文篇数为190，被引次数为660，FWCI为0.76（FWCI是指分析对象文献的被引频次与数据库中其他类似文献的平均被引频次的比值）。Top5论文产出作者为荷兰阿姆斯特丹大学的De Rijke, Maarten、新加坡南洋理工大学的Cambria, Erik、中国哈尔滨工业大学的Liu, Ting、美国伊利诺伊大学厄巴纳-香槟分校的Han, Jiawei和中国清华大学的Liu, Yiqun。Top5论文产出机构如图1所示。
图1 语义网与推荐系统2013-2019年Top5论文产出机构
本领域最受关注的十大研究主题为：评价矩阵法、数据挖掘与信息分类、词语表达、众包任务、社交网络与事故检测、统计与概率论主题、电子病历与自然语言处理、词义消歧、文摘抽取、依存句法分析。2019年发文的主要关键词如图2所示，2019年被引量最高的前十篇论文如表1所示。
图2 语义网技术与推荐系统2019年关键词聚类
表1 语义网技术与推荐系统2019年Top10被引论文
| 序号 |
标题 |
作者 |
来源 |
被引量 |
| 1 |
Deep learning for hate speech detection in tweets |
Badjatiya, P., Gupta, S., Gupta, M., Varma, V. |
26th International World Wide Web Conference 2017, WWW 2017 Companion |
46 |
| 2 |
Advances in pre-training distributed word representations |
Mikolov, T., Grave, E., Bojanowski, P., Puhrsch, C., Joulin, A. |
LREC 2018 - 11th International Conference on Language Resources and Evaluation |
27 |
| 3 |
CCCFNet: A content-boosted collaborative filtering neural network for cross domain recommender systems |
Lian, J., Zhang, F., Xie, X., Sun, G. |
26th International World Wide Web Conference 2017, WWW 2017 Companion |
19 |
| 4 |
EARS: Emotion-aware recommender system based on hybrid information fusion |
Qian, Y., Zhang, Y., Ma, X., Yu, H., Peng, L. |
Information Fusion |
17 |
| 5 |
Learning word vectors for 157 languages |
Grave, E., Bojanowski, P., Gupta, P., Joulin, A., Mikolov, T. |
LREC 2018 - 11th International Conference on Language Resources and Evaluation |
17 |
| 6 |
Who Are the Turkers? A Characterization of MTurk Workers Using the Personality Assessment Inventory |
McCredie, M.N., Morey, L.C. |
Assessment |
15 |
| 7 |
A Typology of Crowdwork Platforms |
Howcroft, D., Bergvall-Kåreborn, B. |
Work, Employment and Society |
13 |
| 8 |
Hybrid crowdsensing: A novel paradigm to combine the strengths of opportunistic and participatory crowdsensing |
Avvenuti, M., Bellomo, S., Cresci, S., La Polla, M.N., Tesconi, M. |
26th International World Wide Web Conference 2017, WWW 2017 Companion |
12 |
| 9 |
A survey of sentiment analysis in social media |
Yue, L., Chen, W., Li, X., Zuo, W., Yin, M. |
Knowledge and Information Systems |
12 |
| 10 |
Related pins at Pinterest: The evolution of a real-world recommender system |
Liu, D.C., Rogers, S., Shiau, R., Kislyuk, D., Ma, K.C., Zhong, Z., Liu, J., Jing, Y. |
26th International World Wide Web Conference 2017, WWW 2017 Companion |
12 |
如需更多信息，可联系同济大学图书馆情报分析与研究部。
电话：021-65982352
邮箱：ia@lib.tongji.edu.cn
网址：https://www.lib.tongji.edu.cn/index.php?classid=12227
参考文献：
[1] 语义网技术综述(web3.0)[EB/OL]. (2014-03-22). https://blog.csdn.net/zpcandzhj/article/details/21827045.
[2] 曾建勋,贾君枝.机构名称规范数据的语义模型构建[J].大学图书馆学报,2019,37(01):42-47.
[3] 王珏巍. 基于语义的推荐系统研究[D]. 武汉科技大学，2012
[4] Tushkanova O , Gorodetsky V . Data-Driven Semantic Concept Analysis for User Profile Learning in 3G Recommender Systems[C]// IEEE. IEEE, 2016.
撰稿：同济大学图书馆情报分析与研究部
审核：姚俊兰
|
