基于知识图谱的科研合作者推荐算法研究

发布时间：2023-03-23 05:40

　　合作关系在各个领域普遍存在,在学术领域,学者之间通过合作交流可以取得更高效的科研成果。然而,随着学者人数和学术论文不断增多,学术信息过载,传统的合作者推荐算法存在以下两个问题:冷启动和缺乏可解释性;基于内容的推荐未考虑学术网络拓扑的可能性,基于网络拓扑的推荐未考虑到学者自身属性差异。因此,无法快速精准的为学者推荐与之能力相当的合作者,提高合作者推荐算法的准确率具有重要意义。知识图谱蕴含丰富的节点属性信息和复杂的关系路径,本文将知识图谱应用于合作者推荐中,主要研究工作如下:(1)针对科研合作者推荐中存在的冷启动和缺乏可解释性等问题,提出了基于知识图谱路径增强的科研合作者推荐模型(KGPE-CRec)。该模型首先选取DBLP数据集构建学术知识图谱,在此基础上利用双向路径提取算法,对学术知识图谱中的路径集与元路径集进行提取,采用递归神经网络作为模型嵌入路径集,并将其记忆为一组预测分数,建立熵编码器为每条路径分配权重得分。最后,利用加权池化层和优化步骤将分数和权重结合起来,得到推荐预测的输出。在数据集上的实验结果表明,与其他基线推荐方法相比,KGPE-CRec模型的性能在精确率、召回率、F1值...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状分析
        1.2.1 科研合作者推荐的研究现状
        1.2.2 基于知识图谱的推荐技术研究现状
    1.3 本文研究内容
    1.4 论文组织结构
第2章 相关理论与技术
    2.1 知识图谱概述
        2.1.1 知识抽取
        2.1.2 知识表示
        2.1.3 知识存储
    2.2 传统的推荐算法
        2.2.1 基于协同过滤的推荐
        2.2.2 基于内容的推荐
    2.3 基于知识图谱的推荐
        2.3.1 基于嵌入的推荐
        2.3.2 基于路径的推荐
    2.4 合作者推荐技术
    2.5 本章小结
第3章 基于知识图谱路径增强的合作者推荐
    3.1 学术知识图谱构建
    3.2 问题定义
    3.3 基于知识图路径增强的合作者推荐模型
        3.3.1 模型结构
        3.3.2 模型学习
        3.3.3 模型可解释性
    3.4 实验与分析
        3.4.1 数据集
        3.4.2 评价指标
        3.4.3 基准方法
        3.4.4 实验结果及分析
    3.5 本章小结
第4章 基于内容和路径的合作者推荐
    4.1 任务描述
    4.2 模型介绍
    4.3 基于内容和路径的合作者推荐模型
        4.3.1 学者相似性
        4.3.2 路径相似性
        4.3.3 推荐列表生成
    4.4 实验与分析
        4.4.1 基准方法
        4.4.2 评价指标
        4.4.3 参数分析
        4.4.4 实验结果与分析
    4.5 本章小结
结论
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果



本文编号：3768398