隨著網(wǎng)上學(xué)術(shù)資源快速增長(zhǎng),科研人員日益增多,很多學(xué)者不能快速、高效、準(zhǔn)確地找到與自己合適的科研合作者。為解決這一問(wèn)題,本文對(duì)學(xué)者合作領(lǐng)域的推薦問(wèn)題進(jìn)行深入研究�？紤]到知識(shí)圖譜能夠充分體現(xiàn)實(shí)體間語(yǔ)義關(guān)聯(lián)以及深度學(xué)習(xí)技術(shù)信息表征能力強(qiáng)的優(yōu)勢(shì),本文應(yīng)用深度學(xué)習(xí)技術(shù),結(jié)合知識(shí)圖譜和學(xué)者合作行為序列,提出一種學(xué)者合作推薦方法,重點(diǎn)研究了學(xué)者合作關(guān)系領(lǐng)域知識(shí)圖譜的構(gòu)建、適用于該知識(shí)圖譜內(nèi)實(shí)體的向量化表示以及基于知識(shí)圖譜的學(xué)者合作關(guān)系推薦技術(shù)。本文的主要工作如下:首先,構(gòu)建了基于學(xué)者合作背景的知識(shí)圖譜,將知識(shí)圖譜應(yīng)用在學(xué)者合作關(guān)系領(lǐng)域,通過(guò)提取內(nèi)在實(shí)體和關(guān)系,存儲(chǔ)在Neo4j數(shù)據(jù)庫(kù)中,最終構(gòu)成最終的學(xué)者合作關(guān)系知識(shí)圖譜;其次,充分利用向量化表示在推薦技術(shù)中的優(yōu)勢(shì),使用經(jīng)典翻譯模型——Trans E及其衍生模型對(duì)知識(shí)圖譜進(jìn)行向量化表示處理,根據(jù)對(duì)不同的模型進(jìn)行對(duì)比試驗(yàn),最終確定Trans D模型為本文推薦模型的最佳知識(shí)表示學(xué)習(xí)方法;在此之后,獲取了學(xué)者合作領(lǐng)域行為序列數(shù)據(jù)集。在Aminer學(xué)術(shù)資源數(shù)據(jù)集的基礎(chǔ)上加入學(xué)者合作次數(shù)與對(duì)應(yīng)年份,進(jìn)行相應(yīng)的預(yù)處理操作,實(shí)現(xiàn)數(shù)據(jù)集匹配獲取最終的學(xué)者合作領(lǐng)域行為序...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
1.緒論
    1.1 研究的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與分析
        1.2.1 知識(shí)圖譜的演化過(guò)程和研究現(xiàn)狀
        1.2.2 推薦技術(shù)的研究現(xiàn)狀
        1.2.3 基于知識(shí)圖譜的推薦技術(shù)
    1.3 本文主要工作
    1.4 本文的組織結(jié)構(gòu)
2.相關(guān)技術(shù)
    2.1 知識(shí)圖譜技術(shù)
        2.1.1 知識(shí)圖譜的架構(gòu)
        2.1.2 知識(shí)圖譜的構(gòu)建過(guò)程
    2.2 圖數(shù)據(jù)庫(kù)
        2.2.1 知識(shí)圖譜中圖數(shù)據(jù)庫(kù)技術(shù)優(yōu)勢(shì)
        2.2.2 Neo4j圖形數(shù)據(jù)庫(kù)
    2.3 序列化推薦技術(shù)
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
    2.4 注意力機(jī)制
    2.5 本章小結(jié)
3.知識(shí)圖譜的構(gòu)建及向量化表示
    3.1 研究動(dòng)機(jī)與本章貢獻(xiàn)
    3.2 學(xué)者合作關(guān)系知識(shí)圖譜構(gòu)建流程
    3.3 學(xué)者合作關(guān)系知識(shí)圖譜分析
        3.3.1 數(shù)據(jù)來(lái)源
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 學(xué)者合作關(guān)系知識(shí)圖譜分析
    3.4 基于Neo4j的學(xué)者合作關(guān)系知識(shí)圖譜構(gòu)建
        3.4.1 Neo4j圖數(shù)據(jù)庫(kù)
        3.4.2 數(shù)據(jù)導(dǎo)入
        3.4.3 繪制知識(shí)圖譜
        3.4.4 索引生成
    3.5 基于學(xué)者合作關(guān)系知識(shí)圖譜的向量化表示
        3.5.1 知識(shí)表示學(xué)習(xí)的優(yōu)勢(shì)
        3.5.2 知識(shí)表示學(xué)習(xí)模型分析流程
        3.5.3 知識(shí)表示學(xué)習(xí)模型介紹
    3.6 模型總結(jié)
    3.7 本章小結(jié)
4.基于知識(shí)圖譜的學(xué)者合作關(guān)系推薦算法
    4.1 問(wèn)題提出
    4.2 RKSC推薦算法框架
    4.3 向量化表示
        4.3.1 基于結(jié)構(gòu)化特征的向量化表示
        4.3.2 基于非結(jié)構(gòu)化特征的向量化表示
        4.3.3 Attention機(jī)制下的向量化表示
    4.4 學(xué)者偏好特征
        4.4.1 RKSC—BiLSTM
        4.4.2 RKSC—GRU
    4.5 損失函數(shù)
    4.6 本章小結(jié)
5.推薦模型評(píng)估與分析
    5.1 數(shù)據(jù)集介紹和預(yù)處理
    5.2 實(shí)驗(yàn)軟件開(kāi)發(fā)環(huán)境介紹
        5.2.1 實(shí)驗(yàn)設(shè)置
        5.2.2 實(shí)驗(yàn)環(huán)境
    5.3 基于知識(shí)圖譜的向量化表示實(shí)驗(yàn)與分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)
        5.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        5.3.3 實(shí)驗(yàn)結(jié)果及分析
    5.4 RKSC模型實(shí)驗(yàn)與分析
        5.4.1 評(píng)價(jià)指標(biāo)
        5.4.2 基線實(shí)驗(yàn)
        5.4.3 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
6.總結(jié)與展望
    6.1 本文的主要工作
    6.2 后續(xù)工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
作者簡(jiǎn)介



本文編號(hào)：3833942