[發(fā)明專利]一種基于圖向量的專家組合推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910293927.1
• 申請(qǐng)日: 2019-04-12
• 公開（公告）號(hào): CN110162638B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計(jì)）人: 朱全銀;季睿;倪金霆;朱亞飛;萬瑾;孫強(qiáng);陳凌云;陳曉藝
• 申請(qǐng)（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號(hào): G06F16/36
• 分類號(hào): G06F16/36;G06F16/28
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 梁耀文

1.一種基于圖向量的專家組合推薦方法，其特征在于，具體步驟如下：

(1)從專家審查數(shù)據(jù)中抽取實(shí)體VecID和關(guān)系ReID，構(gòu)建領(lǐng)域知識(shí)圖譜G，包括：

(1.1)抽取專家和項(xiàng)目的編號(hào)ID＝{id₁,id₂,…,id_e,…,id_A}及領(lǐng)域標(biāo)簽Label＝{label₁,label₂,…,label_e,…,label_A}，得到7維領(lǐng)域標(biāo)簽數(shù)據(jù)集G1，G1＝G1∪{ID,Label}；其中，變量e∈[1,A]；

(1.2)抽取實(shí)體關(guān)系的編號(hào)，得到ReID＝{reid₁,reid₂,…,reid_e,…,reid_A}，得到實(shí)體集VecID＝VecID∪ID和關(guān)系集ReID；其中，變量e∈[1,A]；

(1.3)定義循環(huán)變量i1來遍歷VecID、ReID，G為領(lǐng)域知識(shí)圖譜；i1賦初值1，G賦初值為空；

(1.4)通過實(shí)體間關(guān)系搭建領(lǐng)域知識(shí)圖譜G＝(VecID,ReID)；

(1.5)得到專家審查項(xiàng)目領(lǐng)域知識(shí)圖譜G；

(2)運(yùn)用deepwalk算法將知識(shí)圖譜投射到64維空間，得到實(shí)體向量集V1；運(yùn)用獨(dú)熱碼將領(lǐng)域標(biāo)簽轉(zhuǎn)換成7維標(biāo)簽向量；構(gòu)建神經(jīng)網(wǎng)絡(luò)進(jìn)行多標(biāo)簽分類，包括：

(2.1)取知識(shí)圖譜G＝(VecID,ReID)，VecID為實(shí)體編號(hào)，ReID為關(guān)系編號(hào)；

(2.2)定義循環(huán)變量i2來遍歷G；運(yùn)用deepwalk將G投射到64維空間，得到實(shí)體向量v1，V1＝V1∪{v1}；運(yùn)用獨(dú)熱碼將領(lǐng)域標(biāo)簽轉(zhuǎn)換成7維標(biāo)簽向量l1，L1＝L1∪{l1}；

(2.3)得到V1＝{v₁,v₂,…,v_c,…,v_A}，v_c為實(shí)體向量集中第c個(gè)實(shí)體向量；L1＝{l₁,l₂,…,l_c,…,l_A}，l_c為實(shí)體向量集中第c個(gè)實(shí)體向量，其中，變量c∈[1,A]；

(2.4)得到Res＝{{id₁,res₁},{id₂,res₂},...,{id_e,res_e},...,{id_A,res_A}}，id_e為實(shí)體集中第e個(gè)編號(hào)，res_e為標(biāo)簽集中第e個(gè)實(shí)體的標(biāo)簽向量，其中，變量e∈[1,A]；

(2.5)構(gòu)建以binary_crossentropy為損失函數(shù)的神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中不斷降低交叉嫡，使標(biāo)簽1的節(jié)點(diǎn)輸出靠近1，標(biāo)簽0的節(jié)點(diǎn)輸出靠近0；

(2.6)得到Pre＝{{id₁,pre₁},{id₂,pre₂},...,{id_e,pre_e},...,{id_A,pre_A}}，id_e為實(shí)體集中第e個(gè)編號(hào)，pre_e為標(biāo)簽集中第e個(gè)實(shí)體的標(biāo)簽向量，其中，變量e∈[1,A]；

(2.7)在真實(shí)標(biāo)簽集Res＝{{id₁,res₁},{id₂,res₂},...,{id_e,res_e},...,{id_A,res_A}}和預(yù)測標(biāo)簽集Pre＝{{id₁,pre₁},{id₂,pre₂},...,{id_e,pre_e},...,{id_A,pre_A}}中對(duì)標(biāo)簽值進(jìn)行排序，截取前N個(gè)標(biāo)簽進(jìn)行準(zhǔn)確度度量；

(3)分別運(yùn)用node2vec算法deepwalk算法將知識(shí)圖譜投射到128維空間和64維空間；再分別運(yùn)用皮爾遜相關(guān)度算法和曼哈頓距離度量公式計(jì)算得到TopN個(gè)最相關(guān)實(shí)體集合U，包括：

(3.1)取知識(shí)圖譜G＝(VecID,ReID)，VecID為實(shí)體編號(hào)，ReID為關(guān)系編號(hào)；

(3.2)定義循環(huán)變量i3用來遍歷G；運(yùn)用deepwalk將G投射到64維空間，得到實(shí)體向量v1，V1＝V1∪{v1}；

(3.3)得到V1＝{v₁,v₂,…,v_c,…,v_A}，v_c為實(shí)體向量集中第c個(gè)實(shí)體向量；L1＝{l₁,l₂,…,l_c,…,l_A}，l_c為實(shí)體向量集中第c個(gè)實(shí)體向量，其中，變量c∈[1,A]；

(3.4)對(duì)于實(shí)體向量集中第c個(gè)實(shí)體向量v_c，運(yùn)用皮爾遜相關(guān)度算法計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合U1＝{u1₁,u1₂,…,u1_A}，運(yùn)用曼哈頓距離計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合U2＝{u2₁,u2₂,…,u2_A}；

(3.5)定義專家組合推薦列表U＝u1∩u2，實(shí)現(xiàn)專家組合推薦；

(3.6)定義循環(huán)變量i4用來遍歷G；運(yùn)用node2vec將G投射到128維空間，得到實(shí)體向量v2，V2＝V2∪{v2}；

(3.7)運(yùn)用皮爾遜相關(guān)度算法計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合W1＝{u1₁,u1₂,…,u1_A}，運(yùn)用曼哈頓距離計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合U2＝{u2₁,u2₂,…,u2_A}；

(3.8)得到以皮爾遜相關(guān)度算法為度量方式的推薦集合W和以曼哈頓距離為度量方式的推薦集合U；

(4)取實(shí)體向量集V1，利用PCA分別降維到2維和7維空間；得到2維向量數(shù)據(jù)集R和7維向量數(shù)據(jù)集Q；運(yùn)用余弦相似度算法計(jì)算得到TopN個(gè)最相關(guān)實(shí)體U1，U2；定義得到的推薦列表為Recommend＝U1∩U2，包括：

(4.1)取實(shí)體向量集V1＝{v₁,v₂,…,v_c,…,v_A}，v_c為實(shí)體向量集中第c個(gè)實(shí)體向量；v_c的維度是64維；

(4.2)利用PCA降維后得到實(shí)體的2維向量集，R＝{r₁,r₂,…,r_c,…,r_A}，r_c為實(shí)體向量集R中第c個(gè)實(shí)體向量；

(4.3)對(duì)于實(shí)體向量集中第c個(gè)實(shí)體向量r_c＝v_c，運(yùn)用余弦相似度算法計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合U1＝{u1_top1,u1_top2,…,u1_topx,…,u1_topA}；u1_topx為U1中的第x個(gè)數(shù)據(jù)項(xiàng)，x∈[1,A]；

(4.4)利用PCA降維后得到實(shí)體的7維向量集，Q＝{q₁,q₂,…,q_c,…,q_A}，q_c為實(shí)體向量集Q中第c個(gè)實(shí)體向量；

(4.5)對(duì)于實(shí)體向量集中第c個(gè)實(shí)體向量q_c＝v_c，運(yùn)用余弦相似度算法計(jì)算得到topN個(gè)最相關(guān)實(shí)體集合U2＝{u2_top1,u2_top2,…,u2_topx,…,u2_topA}；u2_topx為U2中的第x個(gè)數(shù)據(jù)項(xiàng)，u2_topx∈U2，x∈[1,A]；

(5)取實(shí)體向量集V1，基于知識(shí)圖譜中實(shí)體間關(guān)系，搭建CNN,RESNET模型對(duì)實(shí)體間關(guān)系進(jìn)行學(xué)習(xí)，使得模型能夠擬合知識(shí)庫中的實(shí)體關(guān)系數(shù)據(jù)；基于此模型，對(duì)輸入的實(shí)體向量挖掘知識(shí)庫中的隱藏關(guān)系；得到推薦列表U3；

(6)用未通過降維處理的數(shù)據(jù)所形成的推薦列表U和降維后運(yùn)用不同算法得到的推薦列表Recommend以及通過模型預(yù)測的推薦列表U3得到最終的推薦列表Result＝U∪Recommend∪U3；定義Set＝{set1,set2,…,setA}，計(jì)算組合推薦的準(zhǔn)確率previous＝(set∩Result)/Result；得到最終推薦結(jié)果和推薦準(zhǔn)確率。