[發(fā)明專利]時(shí)態(tài)感知學(xué)術(shù)信息的論文推薦方法、系統(tǒng)及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011050718.3
• 申請(qǐng)日: 2020-09-29
• 公開（公告）號(hào): CN112214687B
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計(jì)）人: 湯庸;盧益博;常超;袁成哲;林榮華;陳萬(wàn)德
• 申請(qǐng)（專利權(quán)）人: 華南師范大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 常柯陽(yáng)

本發(fā)明公開了時(shí)態(tài)感知學(xué)術(shù)信息的論文推薦方法、系統(tǒng)及介質(zhì)，方法包括：對(duì)用戶信息和論文信息進(jìn)行特征提取，得到用戶特征數(shù)據(jù)、論文特征數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù)；根據(jù)所述用戶特征數(shù)據(jù)、論文特征數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始推薦模型；通過(guò)時(shí)態(tài)感知函數(shù)對(duì)所述初始推薦模型進(jìn)行動(dòng)態(tài)加權(quán)處理，得到目標(biāo)推薦模型；根據(jù)所述目標(biāo)推薦模型，確定推薦的論文。本發(fā)明實(shí)施例提高了推薦系統(tǒng)的準(zhǔn)確度和實(shí)用性，可廣泛應(yīng)用于內(nèi)容推薦技術(shù)領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及內(nèi)容推薦技術(shù)領(lǐng)域，尤其是時(shí)態(tài)感知學(xué)術(shù)信息的論文推薦方法、系統(tǒng)及介質(zhì)。

背景技術(shù)

時(shí)態(tài)感知函數(shù)就是時(shí)間變化規(guī)律函數(shù)，主要是用來(lái)刻畫時(shí)間的如何變化的，包括時(shí)間變化的速率，從而得到其變化軌跡，一般包括線性、邏輯回歸、指數(shù)型等。一般可以用來(lái)刻畫一部電影、一篇文章、一個(gè)短視頻的熱度變化，用戶的興趣變化等。

隨著社交網(wǎng)絡(luò)的快速發(fā)展，學(xué)者與學(xué)者之間的交流也在不斷增加。然而，在信息爆炸的時(shí)代，如何從海量的數(shù)據(jù)中挖掘出有意義的信息是一個(gè)重大挑戰(zhàn)。推薦系統(tǒng)在緩解信息過(guò)載方面起到了舉足輕重的作用，被廣泛應(yīng)用于包括社交網(wǎng)絡(luò)在內(nèi)的各種在線服務(wù)中。因此，學(xué)者之間的交流更加頻繁，產(chǎn)生了大量的學(xué)術(shù)論文。從各種各樣的論文中找出人們的興趣所在是現(xiàn)代學(xué)術(shù)論文推薦系統(tǒng)的關(guān)鍵。

目前,學(xué)術(shù)論文推薦算法主要包括協(xié)同過(guò)濾算法和基于內(nèi)容的推薦方法。其中，協(xié)同過(guò)濾算法又包括基于用戶和基于物品的協(xié)同過(guò)濾。傳統(tǒng)的基于鄰域的協(xié)同過(guò)濾算法根據(jù)用戶的行為數(shù)據(jù)，計(jì)算用戶或物品之間相似度的歷史，然后將相似度很大的用戶或物品劃分為同一組鄰域最后，鄰居們互相推薦。

該算法可以利用相似用戶的反饋信息尋找用戶的潛在興趣，但也存在數(shù)據(jù)冷啟動(dòng)、稀疏、時(shí)效性短等問題。此外，時(shí)間是非常重要的因素。我們都知道，如果一篇學(xué)術(shù)論文是幾十年前發(fā)表的，那么它的影響將是微弱的，這意味著它的參考價(jià)值更少。

因此，需要提供一種既能解決數(shù)據(jù)冷啟動(dòng)、稀疏等問題，又能有效控制數(shù)據(jù)的時(shí)效性問題的方法。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供一種準(zhǔn)確度高且實(shí)用性高的時(shí)態(tài)感知學(xué)術(shù)信息的論文推薦方法、系統(tǒng)及介質(zhì)。

本發(fā)明的第一方面提供了一種時(shí)態(tài)感知學(xué)術(shù)信息的論文推薦方法，包括：

對(duì)用戶信息和論文信息進(jìn)行特征提取，得到用戶特征數(shù)據(jù)、論文特征數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù)；

根據(jù)所述用戶特征數(shù)據(jù)、論文特征數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始推薦模型；

通過(guò)時(shí)態(tài)感知函數(shù)對(duì)所述初始推薦模型進(jìn)行動(dòng)態(tài)加權(quán)處理，得到目標(biāo)推薦模型；

根據(jù)所述目標(biāo)推薦模型，確定推薦的論文。

在一些實(shí)施例中，所述對(duì)用戶信息和論文信息進(jìn)行特征提取，得到用戶特征數(shù)據(jù)、論文特征數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù)，包括：

對(duì)所述用戶信息以及被所述用戶標(biāo)記過(guò)的論文信息進(jìn)行特征提取，得到用戶標(biāo)識(shí)以及所述論文的評(píng)價(jià)標(biāo)簽數(shù)據(jù)；

將所述論文信息輸入Doc2Vec的訓(xùn)練模型中，得到論文的文檔向量數(shù)據(jù)，所述文檔向量數(shù)據(jù)包括論文的標(biāo)識(shí)、論文的主旨以及論文中的專業(yè)術(shù)語(yǔ)；

根據(jù)用戶對(duì)論文標(biāo)記的標(biāo)簽信息，確定用戶-論文關(guān)系列表，所述用戶-論文關(guān)系列表包括用戶標(biāo)識(shí)、論文標(biāo)識(shí)、標(biāo)記時(shí)間以及標(biāo)簽類別。

在一些實(shí)施例中，所述將所述論文信息輸入Doc2Vec的訓(xùn)練模型中，得到論文的文檔向量數(shù)據(jù)，包括：

獲取被用戶標(biāo)記過(guò)的論文信息；

將所述論文信息轉(zhuǎn)換為多個(gè)向量；

將所述多個(gè)向量連接成句向量；