在学术研究领域,越来越多的科研人员向期刊、会议投递科研论文稿件。对于期刊会议组织来说,如何高效准确地推荐合适的审稿专家评审论文是一件非常重要的事。传统的审稿专家推荐,一般是由学术期刊编辑或学术会议组织人员根据审稿专家的研究方向以及论文的相关信息进行选择,很显然这需要大量人工操作,十分耗时。为了减少人工操作以及节省时间,有研究人员利用计算机技术自动筛选与待审稿论文相关的审稿专家。然而,许多研究仅将论文或审稿专家的论文的正文信息作为研究对象,忽略了他们的领域标签信息。领域标签信息能够指导论文与审稿专家推荐的学习过程。为此,本文主要研究一种基于研究领域标签的论文审稿专家推荐方法,自动高效准确地为待审稿论文推荐审稿专家。由于审稿专家信息与论文信息基本都是由文本内容构成,为了挖掘审稿专家与稿件论文之间的研究领域关系,就需要研究表示两者的文本内容之间的关系。显然离散的文本信息中蕴含着复杂的语义信息,不同的文本内容之间存在着复杂的语义鸿沟,为了获得两者之间的研究领域相关性,需要消除两者之间的语义鸿沟,挖掘其语义相关性。为了保证论文评审的质量,需要保证审稿专家与稿件论文的研究领域具有较高的相关性,那么获取两者之间的领域相关性对推荐效果是非常重要的。在分析审稿专家与论文的文本内容信息的基础上,引入更多有用信息挖掘更深的领域相关性,有助于为稿件论文精准推荐合适的审稿专家。本文利用论文与审稿专家的研究领域标签信息,监督指导审稿专家推荐过程,挖掘审稿专家与论文之间的复杂语义关系,获取准确的领域相关性。本文的主要研究工作包括:1.本文首先对论文审稿专家推荐的背景知识做出简洁的介绍,充分调研国内外有关论文审稿专家推荐这类问题的研究现状以及基本的方法理论。另外重点分析了论文审稿专家问题主要面临的难点与挑战,并针对这些挑战,提出对应的研究方法。即为了消除审稿专家与论文之间的语义鸿沟,以及充分利用现有信息挖掘两者之间的研究领域相关性,提出两种分别基于研究领域的单标签分类方法以及多标签分类方法。2.获取审稿专家与论文之间的领域相关性,对推荐合适的审稿专家来说十分重要,而领域标签信息能够指导领域相关性的学习过程。本研究基于研究领域标签,提出一种新的基于单标签分类模型的论文审稿专家推荐方法WMD-CCA,将论文审稿专家推荐问题转换为审稿专家研究领域的单标签分类问题。该方法首先将审稿专家与论文的重要文本信息(关键词)转化为具有语义信息的词向量形式。并基于词向量之间的距离,优化审稿专家与论文之间的最小距离,并将该最小距离当作研究领域相关性。基于该相关性,结合论文的研究领域标签,利用构造性覆盖算法自适应地学习审稿专家的研究领域标签。最后在多个数据集上进行实验,结果表明本研究的在审稿专家推荐问题上具有一定的适用性。3.由于跨学科领域的出现,许多审稿专家或论文都涉及多个领域标签。推荐涉及多个领域的审稿专家相较于推荐涉及单个领域的审稿专家来说,需满足的条件更多,推荐难度增大。另外获得覆盖多个研究领域的特征表示对挖掘审稿专家与论文的相关性来说十分重要。针对以上问题,本研究提出一种新的基于多标签分类的论文审稿专家推荐方法Hiepar-MLC,基于领域标签信息,将论文审稿专家推荐问题转换为研究领域的多标签分类问题。该方法首先使用一种层次透明的文本特征表示方法,学习文本固有的层次结构信息,并利用注意力机制重点关注与研究领域标签相关的重要组成部分。基于这种文本特征表示以及领域多标签信息,利用多标签分类方法预测稿件论文的多个领域标签。最后从ACM Digital Library中获取真实专家、论文数据,实验结果表明该多标签分类方法在论文审稿专家推荐问题上具有一定的适用性。