[發明專利]時態感知學術信息的論文推薦方法、系統及介質

有效

• 申請號: 202011050718.3
• 申請日: 2020-09-29
• 公開（公告）號: CN112214687B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 湯庸;盧益博;常超;袁成哲;林榮華;陳萬德
• 申請（專利權）人: 華南師范大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

1.一種時態感知學術信息的論文推薦方法，其特征在于，包括：

對用戶信息和論文信息進行特征提取，得到用戶特征數據、論文特征數據和評分數據；

根據所述用戶特征數據、論文特征數據和評分數據，對神經網絡進行訓練，得到初始推薦模型；

通過時態感知函數對所述初始推薦模型進行動態加權處理，得到目標推薦模型；

根據所述目標推薦模型，確定推薦的論文；

所述根據所述用戶特征數據、論文特征數據和評分數據，對神經網絡進行訓練，得到初始推薦模型，包括：

通過時態感知矩陣分解模型對用戶與論文之間的線性關系進行學習；

通過多層感知機對用戶與論文之間的非線性關系進行學習；

根據所述線性關系與所述非線性關系的學習結果，確定用戶與論文之間的交互結構；

所述通過時態感知矩陣分解模型對用戶與論文之間的線性關系進行學習，包括：

將用戶標識和被用戶標記過的論文作為輸入特征，將所述輸入特征轉換成具有單熱點編碼的二維稀疏向量；

通過嵌入層將所述稀疏向量映射到稠密向量的全連通層；

通過神經協同過濾層映射潛在向量的預測分數；

通過隱藏層和輸出層得到論文的預測評分；

所述通過多層感知機對用戶與論文之間的非線性關系進行學習，包括：

對于每一個用戶，通過單熱點編碼得到用戶的二進制向量；

將所有用戶的二進制向量整合為內嵌矩陣；

將提取到的論文特征數據和所述內嵌矩陣嵌入至輸入層；所述用戶特征數據和論文特征數據包括交互特征、屬性特征和文本特征；

將所述交互特征、屬性特征和文本特征作為向量嵌入，輸入至多層感知機中，對輸入的低維稠密嵌入向量進行合并，確定用戶和論文之間的非線性關系。

2.根據權利要求1所述的一種時態感知學術信息的論文推薦方法，其特征在于，所述通過時態感知函數對所述初始推薦模型進行動態加權處理，得到目標推薦模型，包括：

通過四種時態感知函數對初始推薦模型進行動態加權處理；

所述四種時態感知函數包括線性時態感知函數、邏輯時態感知函數、指數時態感知函數以及艾賓浩斯時態感知函數。

3.根據權利要求1所述的一種時態感知學術信息的論文推薦方法，其特征在于，所述對用戶信息和論文信息進行特征提取，得到用戶特征數據、論文特征數據和評分數據，包括：

對所述用戶信息以及被用戶標記過的論文信息進行特征提取，得到用戶標識以及所述論文的評價標簽數據；

將所述論文信息輸入Doc2Vec的訓練模型中，得到論文的文檔向量數據，所述文檔向量數據包括論文的標識、論文的主旨以及論文中的專業術語；

根據用戶對論文標記的標簽信息，確定用戶-論文關系列表，所述用戶-論文關系列表包括用戶標識、論文標識、標記時間以及標簽類別。

4.根據權利要求1所述的一種時態感知學術信息的論文推薦方法，其特征在于，將所述論文信息輸入Doc2Vec的訓練模型中，得到論文的文檔向量數據，包括：

獲取被用戶標記過的論文信息；

將所述論文信息轉換為多個向量；

將所述多個向量連接成句向量；

根據所述句向量以及相應的上下文信息，確定下一個詞向量，直至得到論文的文檔向量數據。

5.根據權利要求1所述的一種時態感知學術信息的論文推薦方法，其特征在于，根據所述目標推薦模型，確定推薦的論文，包括：

通過所述目標推薦模型確定預測概率，所述預測概率代表用戶對自己沒有打過標簽的論文的感興趣概率；

根據各個論文的預測概率，構建論文推薦列表；

根據所述論文推薦列表，通過Top-N推薦算法向用戶推薦論文。