合作關(guān)系在各個領(lǐng)域普遍存在,在學(xué)術(shù)領(lǐng)域,學(xué)者之間通過合作交流可以取得更高效的科研成果。然而,隨著學(xué)者人數(shù)和學(xué)術(shù)論文不斷增多,學(xué)術(shù)信息過載,傳統(tǒng)的合作者推薦算法存在以下兩個問題:冷啟動和缺乏可解釋性;基于內(nèi)容的推薦未考慮學(xué)術(shù)網(wǎng)絡(luò)拓?fù)涞目赡苄?基于網(wǎng)絡(luò)拓?fù)涞耐扑]未考慮到學(xué)者自身屬性差異。因此,無法快速精準(zhǔn)的為學(xué)者推薦與之能力相當(dāng)?shù)暮献髡?提高合作者推薦算法的準(zhǔn)確率具有重要意義。知識圖譜蘊含豐富的節(jié)點屬性信息和復(fù)雜的關(guān)系路徑,本文將知識圖譜應(yīng)用于合作者推薦中,主要研究工作如下:(1)針對科研合作者推薦中存在的冷啟動和缺乏可解釋性等問題,提出了基于知識圖譜路徑增強的科研合作者推薦模型(KGPE-CRec)。該模型首先選取DBLP數(shù)據(jù)集構(gòu)建學(xué)術(shù)知識圖譜,在此基礎(chǔ)上利用雙向路徑提取算法,對學(xué)術(shù)知識圖譜中的路徑集與元路徑集進(jìn)行提取,采用遞歸神經(jīng)網(wǎng)絡(luò)作為模型嵌入路徑集,并將其記憶為一組預(yù)測分?jǐn)?shù),建立熵編碼器為每條路徑分配權(quán)重得分。最后,利用加權(quán)池化層和優(yōu)化步驟將分?jǐn)?shù)和權(quán)重結(jié)合起來,得到推薦預(yù)測的輸出。在數(shù)據(jù)集上的實驗結(jié)果表明,與其他基線推薦方法相比,KGPE-CRec模型的性能在精確率、召回率、F1值...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀分析
        1.2.1 科研合作者推薦的研究現(xiàn)狀
        1.2.2 基于知識圖譜的推薦技術(shù)研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論與技術(shù)
    2.1 知識圖譜概述
        2.1.1 知識抽取
        2.1.2 知識表示
        2.1.3 知識存儲
    2.2 傳統(tǒng)的推薦算法
        2.2.1 基于協(xié)同過濾的推薦
        2.2.2 基于內(nèi)容的推薦
    2.3 基于知識圖譜的推薦
        2.3.1 基于嵌入的推薦
        2.3.2 基于路徑的推薦
    2.4 合作者推薦技術(shù)
    2.5 本章小結(jié)
第3章 基于知識圖譜路徑增強的合作者推薦
    3.1 學(xué)術(shù)知識圖譜構(gòu)建
    3.2 問題定義
    3.3 基于知識圖路徑增強的合作者推薦模型
        3.3.1 模型結(jié)構(gòu)
        3.3.2 模型學(xué)習(xí)
        3.3.3 模型可解釋性
    3.4 實驗與分析
        3.4.1 數(shù)據(jù)集
        3.4.2 評價指標(biāo)
        3.4.3 基準(zhǔn)方法
        3.4.4 實驗結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于內(nèi)容和路徑的合作者推薦
    4.1 任務(wù)描述
    4.2 模型介紹
    4.3 基于內(nèi)容和路徑的合作者推薦模型
        4.3.1 學(xué)者相似性
        4.3.2 路徑相似性
        4.3.3 推薦列表生成
    4.4 實驗與分析
        4.4.1 基準(zhǔn)方法
        4.4.2 評價指標(biāo)
        4.4.3 參數(shù)分析
        4.4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果



本文編號：3768398