期刊向量：学科关系的语义表示

如何判断期刊之间的相关关系，将期刊划分到合适的学科，是期刊分区表重要的工作内容。

通常，我们会构建期刊的引用关系网络，然后根据期刊之间的相互引用，以及与其它期刊的引用情况，来计算两本期刊之间的相关性。最后，把相关性作为引文网络中两个期刊节点之间的边的权重，用社团聚类方法给期刊划分学科；也可以用PCA/MDS对期刊相关性矩阵降维，然后用K-means等聚类算法给期刊划分学科。

现在机器学习，尤其是深度学习技术的发展，图嵌入方法（graph embedding）在众多的复杂网络节点聚类、分类和推荐等任务中展示更有的效果。我们能否有更好的方法或者工具，将基于期刊引用的相关关系更好表示出来。这个表示方法能将使用更好的机器学习方法，将期刊划分到更加合适的学科。

Aditya Grover和Jure Leskovec提出的node2vec就提供了很好的思路。node2vec将复杂网络中的节点用低维稠密的向量表示，最大程度保存了邻居节点之间的关系[1]。网络中任意两个节点的相关关系，就是对应两个向量的相关性。而且，更小信息损失的低维向量，使得更多机器学习的方法引入到网络节点关系标识任务成为了可能。

下面，我们将尝试图嵌入方法node2vec在期刊表示上的潜在应用。

首先，构建期刊引用网络；然后，用node2vec方法训练期刊；最后，得到每本期刊的32维向量。两个向量之间的相关性越高，表示这两本期刊的相关性也越高，非常的直观。

下图是我们将期刊向量用t-sne映射到二维平面，可视化所有的期刊。