基于深度学习的个性化引文搜索推荐算法研究

发布时间：2024-01-14 15:51

　　恰当的引用文献对于撰写学术文献有着至关重要的作用,可以表示作者在自己的研究领域知识面覆盖程度,同时也能帮助作者去论证自己的观点。据DBLP(Digital Bibliography&Library Project)统计,在计算机相关领域每年约有三十万篇学术文献发表,可见学术文献数量增长速度如此之快,因此如何帮助科研人员从大量的学术文献中挖掘出适合自己的科研文献是一件极有意义的事情。搜索和推荐是解决上述问题的两个有效的技术手段。本文在Lucene搜索排序算法上,以深度学习为背景,挖掘用户的个性化兴趣模型,探索引文推荐相关算法存在的不足,最终完成基于深度学习的个性化引文搜索推荐的相关算法研究。论文的研究工作如下:(1)提出基于深度学习的个性化搜索算法。在构建个性化搜索算法过程中首先要构建用户的个性化兴趣模型,论文基于LSTM和Attention机制重构了深度学习Seq2Seq模型,进而应用其将用户的研究兴趣点挖掘并且进行向量化表示。其次在Lucene搜索引擎排序算法的基础上融合兴趣模型进而重构排序算法。最终将搜索结果根据重构的算法进行重排序得到个性化搜索结果。实验表明,基于Seq2...

【文章页数】：77 页

【学位级别】：硕士

本文编号：3878520