基于知识图谱的学者合作推荐算法研究

发布时间：2023-06-16 20:36

　　随着网上学术资源快速增长,科研人员日益增多,很多学者不能快速、高效、准确地找到与自己合适的科研合作者。为解决这一问题,本文对学者合作领域的推荐问题进行深入研究。考虑到知识图谱能够充分体现实体间语义关联以及深度学习技术信息表征能力强的优势,本文应用深度学习技术,结合知识图谱和学者合作行为序列,提出一种学者合作推荐方法,重点研究了学者合作关系领域知识图谱的构建、适用于该知识图谱内实体的向量化表示以及基于知识图谱的学者合作关系推荐技术。本文的主要工作如下:首先,构建了基于学者合作背景的知识图谱,将知识图谱应用在学者合作关系领域,通过提取内在实体和关系,存储在Neo4j数据库中,最终构成最终的学者合作关系知识图谱;其次,充分利用向量化表示在推荐技术中的优势,使用经典翻译模型——Trans E及其衍生模型对知识图谱进行向量化表示处理,根据对不同的模型进行对比试验,最终确定Trans D模型为本文推荐模型的最佳知识表示学习方法;在此之后,获取了学者合作领域行为序列数据集。在Aminer学术资源数据集的基础上加入学者合作次数与对应年份,进行相应的预处理操作,实现数据集匹配获取最终的学者合作领域行为序...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
1.绪论
    1.1 研究的背景与意义
    1.2 国内外研究现状与分析
        1.2.1 知识图谱的演化过程和研究现状
        1.2.2 推荐技术的研究现状
        1.2.3 基于知识图谱的推荐技术
    1.3 本文主要工作
    1.4 本文的组织结构
2.相关技术
    2.1 知识图谱技术
        2.1.1 知识图谱的架构
        2.1.2 知识图谱的构建过程
    2.2 图数据库
        2.2.1 知识图谱中图数据库技术优势
        2.2.2 Neo4j图形数据库
    2.3 序列化推荐技术
        2.3.1 循环神经网络
        2.3.2 长短期记忆网络
    2.4 注意力机制
    2.5 本章小结
3.知识图谱的构建及向量化表示
    3.1 研究动机与本章贡献
    3.2 学者合作关系知识图谱构建流程
    3.3 学者合作关系知识图谱分析
        3.3.1 数据来源
        3.3.2 数据预处理
        3.3.3 学者合作关系知识图谱分析
    3.4 基于Neo4j的学者合作关系知识图谱构建
        3.4.1 Neo4j图数据库
        3.4.2 数据导入
        3.4.3 绘制知识图谱
        3.4.4 索引生成
    3.5 基于学者合作关系知识图谱的向量化表示
        3.5.1 知识表示学习的优势
        3.5.2 知识表示学习模型分析流程
        3.5.3 知识表示学习模型介绍
    3.6 模型总结
    3.7 本章小结
4.基于知识图谱的学者合作关系推荐算法
    4.1 问题提出
    4.2 RKSC推荐算法框架
    4.3 向量化表示
        4.3.1 基于结构化特征的向量化表示
        4.3.2 基于非结构化特征的向量化表示
        4.3.3 Attention机制下的向量化表示
    4.4 学者偏好特征
        4.4.1 RKSC—BiLSTM
        4.4.2 RKSC—GRU
    4.5 损失函数
    4.6 本章小结
5.推荐模型评估与分析
    5.1 数据集介绍和预处理
    5.2 实验软件开发环境介绍
        5.2.1 实验设置
        5.2.2 实验环境
    5.3 基于知识图谱的向量化表示实验与分析
        5.3.1 实验数据
        5.3.2 评价标准
        5.3.3 实验结果及分析
    5.4 RKSC模型实验与分析
        5.4.1 评价指标
        5.4.2 基线实验
        5.4.3 实验结果与分析
    5.5 本章小结
6.总结与展望
    6.1 本文的主要工作
    6.2 后续工作展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
作者简介



本文编号：3833942