發(fā)布時間：2023-06-16 20:36

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

【文章頁數(shù)】：71 頁

【學位級別】：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 國內(nèi)外研究現(xiàn)狀與分析
        1.2.1 知識圖譜的演化過程和研究現(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 知識圖譜技術(shù)
        2.1.1 知識圖譜的架構(gòu)
        2.1.2 知識圖譜的構(gòu)建過程
    2.2 圖數(shù)據(jù)庫
        2.2.1 知識圖譜中圖數(shù)據(jù)庫技術(shù)優(yōu)勢
        2.2.2 Neo4j圖形數(shù)據(jù)庫
    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 長短期記憶網(wǎng)絡(luò)
    2.4 注意力機制
    2.5 本章小結(jié)
3.知識圖譜的構(gòu)建及向量化表示
    3.1 研究動機與本章貢獻
    3.2 學者合作關(guān)系知識圖譜構(gòu)建流程
    3.3 學者合作關(guān)系知識圖譜分析
        3.3.1 數(shù)據(jù)來源
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 學者合作關(guān)系知識圖譜分析
    3.4 基于Neo4j的學者合作關(guān)系知識圖譜構(gòu)建
        3.4.1 Neo4j圖數(shù)據(jù)庫
        3.4.2 數(shù)據(jù)導(dǎo)入
        3.4.3 繪制知識圖譜
        3.4.4 索引生成
    3.5 基于學者合作關(guān)系知識圖譜的向量化表示
        3.5.1 知識表示學習的優(yōu)勢
        3.5.2 知識表示學習模型分析流程
        3.5.3 知識表示學習模型介紹
    3.6 模型總結(jié)
    3.7 本章小結(jié)
4.基于知識圖譜的學者合作關(guān)系推薦算法
    4.1 問題提出
    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機制下的向量化表示
    4.4 學者偏好特征
        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.推薦模型評估與分析
    5.1 數(shù)據(jù)集介紹和預(yù)處理
    5.2 實驗軟件開發(fā)環(huán)境介紹
        5.2.1 實驗設(shè)置
        5.2.2 實驗環(huán)境
    5.3 基于知識圖譜的向量化表示實驗與分析
        5.3.1 實驗數(shù)據(jù)
        5.3.2 評價標準
        5.3.3 實驗結(jié)果及分析
    5.4 RKSC模型實驗與分析
        5.4.1 評價指標
        5.4.2 基線實驗
        5.4.3 實驗結(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
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝
作者簡介



本文編號：3833942