1.应用基于生成对抗网络的无监督图表示学习方法的文献分类和文献推荐方法，包括如下步骤：步骤1：预嵌入生成阶段；使用LLE降维方法对原始数据的特征进行压缩，记录降维后的结果作为预嵌入；

1.1对初始图节点的原始特征矩阵 使用KNN算法找到每个节点样本的K个最近邻居，通过每个节点的K个邻居节点重构本节点，计算权重Aij，重构误差如公式(1)所示：其中N表示节点数量，d0表示原始特征向量的维度，权重Aij表示第j个数据点对第i次重建的贡献；为了计算权重，需要在两个约束条件下最小化成本函数：首先，每个节点向量xi只能通过邻居节点重建，若节点j不在邻居集合内则Aij＝0；其次，权重矩阵的行的和为一，即∑jAij＝1；

1.2通过公式(1)获取的最佳重建权重矩阵A，计算降维后的嵌入矩阵 且满足d＜＜d0,嵌入损失如公式(2)所示：训练过程中权重矩阵A固定不变，通过公式(2)获取嵌入矩阵结果；

步骤2：生成对抗阶段；通过一个生成对抗网络模型，具体地学习节点的嵌入表示；生成对抗网络由生成器和鉴别器两部分构成，二者内部各自有一个节点嵌入层，基于对抗性学习的思想，互相推动对方优化节点的嵌入表示；

2.1训练开始前，对生成器和鉴别器进行初始化，将上一步骤得到的预嵌入矩阵作为各自节点嵌入层的初始值；

2.2节点对采样；从节点i出发，通过基于邻接权重 的随机游走，可以得到一条路径Pathi；其中，节点i的邻接权重 是一个N维向量，N表示节点数量； 在第j维上的分量 的计算公式如公式(3)(4)所示：其中， 表示节点i的邻居节点的集合， 表示节点i在生成器G中的嵌入表示，GZ表示生成器G中节点嵌入层；

Pathi是以节点i为起始节点随机游走时经过的所有节点的集合；对于小规模数据集，当游走的下一节点已经存在Pathi中时，停止游走；对于大规模数据集，在游走达到一定的步数时停止；

是用于生成器训练的关于节点i的节点对集合，Pathi中的每对相邻节点构成一个节点对加入 是用于鉴别器训练的关于节点i的节点对集合，Pathi中的头尾节点构成一个节点对加入 通过从节点i出发进行多次随机游走，和 得到足够数量的节点对用于后续步骤训练；

2.3鉴别器训练；使用Adam算法最小化鉴别器损失函数LD，优化鉴别器D的节点嵌入层DZ；鉴别器目标函数计算公式如公式(5)所示：

其中， 表示节点i在鉴别器D中的嵌入表示，表示由头节点h和尾节点t构成的节点对，norm是归一化函数；

2.4生成器训练；使用Adam算法最小化生成器损失函数LG，优化生成器G的节点嵌入层GZ；生成器目标函数计算公式如公式(6)所示：

G

步骤3：多次执行生成对抗阶段，直至生成对抗模型收敛；此时，模型中的节点嵌入层ZD和Z即为最终学习到的图节点的嵌入表示矩阵；

步骤4.输入新增的文献特征至模型，实现文献主题分类和相关文献推荐；

当引文数据库中新增新发表的文献时，将新构建的图网络输入至训练好的模型中，获得文献节点的嵌入结果，利用文献之间的节点嵌入相似性进行文献的主题分类及推荐。

2.应用基于生成对抗网络的无监督图表示学习方法的文献分类和文献推荐装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1所述的应用基于生成对抗网络的无监督图表示学习方法的文献分类和文献推荐方法。

3.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1所述的应用基于生成对抗网络的无监督图表示学习方法的文献分类和文献推荐方法。