CN115470339A - 基于科技大数据知识图谱的技术诊断专家智能匹配算法 - Google Patents

Abstract

本发明涉及基于科技大数据知识图谱的技术诊断专家智能匹配算法，包括以下步骤；步骤1、知识抽取：对文献、论文、专利、成果等科技信息资源进行预处理，整合为统一的结构化数据，将科研团队、科研人才与创新知识、科研问题、产业门类和技术手段等属性进行关联，构建特定行业的科研资源团队画像。该基于科技大数据知识图谱的专家智能智能匹配算法，通过设置，辅助技术经纪人在技术需求对接工作过程中可以高效、快速的对技术需求进行解析，得出技术需求诊断报告，同时在报告中可以直观、明晰地了解到推荐的诊断专家与对接专家与技术需求的匹配度，各项指标权重得分情况等信息，提高匹配精准度并节约技术经纪人的判断时间，提升成果对接工作的效率。

Description

基于科技大数据知识图谱的技术诊断专家智能匹配算法

技术领域

本发明涉及知识图谱技术领域，具体为基于科技大数据知识图谱的技术诊断专家智能匹配算法。

背景技术

知识图谱以结构化的形式描述客观世界中概念、实体及其关系，是融合了认知计算、知识表示与推理、信息检索与抽取、自然语言处理、Web技术、机器学习与大数据挖掘等等方向的交叉学科，基于知识图谱的服务系统已慢慢普及各行业领域中进行使用，提高工作处理的效率。

大数据或称巨量资料，指的是所涉及的资料量规模巨大到无法透过主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助专家经营决策更积极目的的资讯。

然而现有诊断对接服务系统存在以下缺点：

1.技术点的判断、剔除和增补

需要人工需求进行分析与拆解，同时结合实际进行剔除和增补，以保证算法推荐的准确性；

2.人工筛选短名单

需要人工对系统推荐与技术点匹配的核心专家长名单进行筛选，最后得出短名单，目的是帮助技术经纪人聚焦信息，提升工作效率，降低时间支出成本。

发明内容

针对现有技术的不足，本发明提供了基于科技大数据知识图谱的技术诊断专家智能匹配算法，具备高效、快速的对技术需求进行解析和在报告中可以直观、明晰的了解到推荐专家与技术需求的匹配度和提升成果对接工作的效等优点，解决了现有技术中的知识图谱的专家智能匹配方法需要人工持续对相关技术点进行剔除和增补，以保证算法推荐的准确性，需要人工对系统推荐与技术点匹配的核心专家长名单进行筛选，最后得出短名单，目的是帮助技术经纪人聚焦信息，提升工作效率，降低时间支出成本的问题。

为实现上述目的，本发明提供如下技术方案：基于科技大数据知识图谱的技术诊断专家智能匹配算法，包括以下步骤；

步骤1、知识抽取：

对文献、论文、专利、成果等科技信息资源进行预处理，整合为统一的结构化数据，通过实体、语义、内容、关系和属性的抽取，生成知识三元组，并以图结构构建知识图谱，将科研团队、科研人才与创新知识、科研问题、产业门类和技术手段等属性进行关联，构建特定行业的专家和科研团队画像；

步骤2、资源融合：

构建科技大数据生态池，挖掘基于人员、机构和技术三要素的科技信息资源，利用机器学习与深度学习技术，对科技信息资源类型进行交叉分析，充分挖掘相同类型资源的差异性和不同类型资源之间的关联性，分析挖掘科研团队、人员的研究主题和科研标签，利用语义分析技术从科技信息数据中自动识别科研要素实体并提取关键技术；

步骤3、需求匹配：

基于需求的技术诊断结果，利用自然语言处理和语义提取等智能算法提取关键词，将需求文档向量化，在表示文档的同时保留文档的语义信息，并研究高维向量的高效匹配方法，在知识图谱中以相关度为指标进行智能搜索，得到和需求相关的专利、论文、成果和科研人员等信息，并对返回的科研成果做进一步熟化价值分析，挑选出高度相关且高价值的信息，形成精准可靠的匹配分析；

步骤4、智能匹配：

对已发布的需求中的技术要素进行提取，基于专家的研究成果的技术主题、学科方向、成果影响力等关键属性，构建专家知识图谱画像，通过技术要素与专家知识图谱关联运算，匹配推荐核心专家；

步骤5、评价机制：

建立科研成果成熟度评估价值体系，基于科研机构和人员属性、成果产出，以及合作反馈和隐性反馈等进行综合评价，提供科研成果的技术价值、市场价值、合作价值评估，为专家智能匹配的成果转化决策提供参考；

步骤6、服务构建：

建立诊断专家推荐资源的数据中台，制定数据服务接口及服务规范，基于微服务技术架构设计技术交易数据集成的服务总线，开发技术转移智能服务平台，开展技术评估、商业计划、决策咨询、前沿分析和市场预测等增值服务。

进一步，所述步骤1中论文、专利、成果等科技信息资源的获取通过接入第三方可靠的数据API接口进行集成，预处理的过程中对数据信息进行识别并导入数据库进行存储。

进一步，所述步骤2中用机器学习提供的统计分析、知识发现等手段分析海量数据，同时利用数据存取机制实现数据的高效读写，深度学习通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系。

进一步，所述步骤3中自然语言处理是力图使计算机理解和运用自然语言，从而实现用自然语言直接进行人机通信的技术，计算机直接处理自然语言，无需人去适应机器，这将是一个更自然且消除了异化的人机环境，计算机将能帮助人类完成更多的工作。

进一步，所述步骤4中对于技术诊断专家要素提取的时候，通过数据库所收集的产业主题、核心技术、发展模式和路线进行读取，在采用提词器对其关键词进行提取。

进一步，所述步骤4中推荐的参考为学术产出数量、服务能力和产学研合作，其中学术产出数量参考标准为：学术论文、专利、科技成果、科技项目，服务能力参考标准为：服务，产学研合作参考标准为：专家、项目名称、技术点和时间点。

进一步，所述步骤5中价值评估专家人员和专家企业，专家人员包括人员属性、机构属性和成果展出，专家企业包括隐性反馈和合作反馈，并正对上述项目得出技术价值评分、合作价值评分和市场价值评分。

进一步，所述步骤6中用户在平台中输入技术需求信息，平台开始对技术需求信息进行关键技术点提取，将提取后的关键技术点进行人工剔除和增补，同时利用人工筛选的结果对平台技术点提取进行优化，形成知识积累和沉淀，平台依据提取出的关键技术点进行计算，推荐出与该技术点匹配的技术团队，出具长名单后再由人工进行筛选，同时利用人工筛选的结果对平台推荐结果不断进行优化，最后可导出相关分析报告。

进一步，所述步骤4中首先通过语义分析技术对技术需求文本进行拆解，识别出相关关键词，将技术关键词与专家属性数据进行匹配关联，其中将数据库中的专家属性数据按照各个关联指标项进行计算，得出各个维度的权重分值，最后将各个维度得分进行汇总计算，得出专家匹配度总分，分值越高，匹配程度则越高。

与现有技术相比，本申请的技术方案具备以下有益效果：

1、该基于科技大数据知识图谱的技术诊断专家智能匹配算法，通过设置，辅助技术经纪人在技术需求对接工作过程中可以高效、快速的对技术需求进行解析，得出技术需求诊断报告，同时在报告中可以直观、明晰的了解到推荐专家与技术需求的匹配度，各项指标权重得分情况等信息，提高匹配精准度并节约诊断时间，提升成果对接工作的效率。

2、该基于科技大数据知识图谱的技术诊断专家智能匹配算法，辅助技术经纪人对技术需求文本进行语义分析，为其推荐出与关键技术点最相关的专家，辅助技术经纪人在技术需求对接工作过程中可以高效、快速的对技术需求进行解析，出具诊断报告，同时为诊断专家节省更多的时间去协助技术经纪人共同拜访企业，实地收集企业具体性描述的需求信息，系统对技术需求文本进行拆解分析后，得出的技术关键词与推荐的专家专业的匹配度高，其中专家的专业包含多种，与此技术最相关的技术关键词关联程度匹配，关键词提取技术准确，同时检索词的拆解、优化过程无需诊断专家进行参与，并且辅导技术经纪人对技术需求进行诊断，提高效率。

附图说明

图1为本发明步骤图；

图2为本发明实施流程图；

图3为本发明判断标准示意图；

图4为本发明知识抽取示意图；

图5为本发明资源融合示意图；

图6为本发明需求匹配示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，本实施例中的基于科技大数据知识图谱的技术诊断专家智能匹配算法，包括以下步骤；

步骤1、知识抽取：

对论文、专利、成果等科技信息资源进行预处理，整合为统一的结构化数据，通过实体、语义、内容、关系和属性的抽取，生成知识三元组，并以图结构构建知识图谱，将科研团队、科研人才、创新知识、技术手段与企业技术需求、产业门类等属性进行关联，构建特定行业的科研团队或科技专家画像；

步骤2、资源融合：

构建科技成果大数据生态池，挖掘基于人员、机构和技术三要素的科技信息资源，利用机器学习与深度学习技术，对科技信息资源类型进行交叉分析，充分挖掘相同类型资源的差异性和不同类型资源之间的关联性，分析挖掘科研团队、人员的研究主题和科研标签，利用语义分析技术从科技信息数据中自动识别科研要素实体并提取关键技术；

步骤3、需求匹配：

基技术诊断专文档和关键词，利用自然语言处理和语义提取等智能算法，将需求文档向量化，在表示文档的同时保留文档的语义信息，并研究高维向量的高效匹配方法，在知识图谱中以相关度为指标进行智能搜索，得到和需求相关的专利、论文、成果和科研人员等信息，并对返回的科研成果做进一步熟化价值分析，挑选出高度相关且高价值的信息，形成精准可靠的匹配分析；

步骤4、智能匹配：

对专家和已发布的需求要素提取，获取专家的产业主题、核心技术、发展模式和路线等关键属性，构建专家用户画像，利用已构建的知识图谱和历史科研成果转化数据为专家拓展关联，匹配研究机构、人员和成果，通过融合分析，智能挖掘专家的潜在需求，进行专家智能匹配；

步骤5、评价机制：

建立科研成果成熟度评估价值体系，基于科研机构和人员属性、成果产出质量(如论文质量、被引用情况、成果新鲜度、产学研合作情况等)，以及合作反馈等进行综合评价，提供科研成果的技术价值、市场价值、合作价值评估，为专家智能匹配的成果转化决策提供参考；

步骤6、服务构建：

建立诊断专家推荐资源的数据中台，制定数据服务接口及服务规范，基于微服务技术架构设计技术交易数据集成的服务总线，开发技术转移智能服务平台，开展技术评估、商业计划、决策咨询、前沿分析和市场预测等增值服务。

综上所述，该基于科技大数据知识图谱的技术诊断专家智能匹配算法，通过设置，辅助技术经纪人在技术需求对接工作过程中可以高效、快速的对技术需求进行解析，得出技术需求诊断报告，同时在报告中可以直观、明晰的了解到推荐专家与技术需求的匹配度，各项指标权重得分情况等信息，提高匹配精准度并节约诊断时间，提升成果对接工作的效率。

在本实施例中，辅助技术经纪人对技术需求文本进行语义分析，提取技术关键词，为其推荐出与关键技术点最相关的专家，同时为诊断专家节省更多的时间去协助技术经纪人共同拜访企业。得出的技术关键词与推荐的专家专业的匹配度高，其中专家的专业包含多种，与此技术最相关的技术关键词关联程度匹配，关键词提取技术准确，同时检索词的拆解、优化过程无需诊断专家进行参与，并且辅导技术经纪人对技术需求进行诊断，提高效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：包括以下步骤；

步骤1、知识抽取：

对文献、论文、专利、成果等科技信息资源进行预处理，整合为统一的结构化数据，通过实体、语义、内容、关系和属性的抽取，生成知识三元组，并以图结构构建知识图谱，将科研团队、科研人才与创新知识、科研问题、产业门类和技术手段等属性进行关联，构建特定行业的专家和科研团队画像；

步骤2、资源融合：

构建科技大数据生态池，挖掘基于人员、机构和技术三要素的科技信息资源，利用机器学习与深度学习技术，对科技信息资源类型进行交叉分析，充分挖掘相同类型资源的差异性和不同类型资源之间的关联性，分析挖掘科研团队、人员的研究主题和科研标签，利用语义分析技术从科技信息数据中自动识别科研要素实体并提取关键技术；

步骤3、需求匹配：

基于需求的技术诊断结果，利用自然语言处理和语义提取等智能算法提取关键词，将需求文档向量化，在表示文档的同时保留文档的语义信息，并研究高维向量的高效匹配方法，在知识图谱中以相关度为指标进行智能搜索，得到和需求相关的专利、论文、成果和科研人员等信息，并对返回的科研成果做进一步熟化价值分析，挑选出高度相关且高价值的信息，形成精准可靠的匹配分析；

步骤4、智能匹配：

对已发布的需求中的技术要素进行提取，基于专家的研究成果的技术主题、学科方向、成果影响力等关键属性，构建专家知识图谱画像，通过技术要素与专家知识图谱关联运算，匹配推荐核心专家；

步骤5、评价机制：

建立科研成果成熟度评估价值体系，基于科研机构和人员属性、成果产出，以及合作反馈和隐性反馈等进行综合评价，提供科研成果的技术价值、市场价值、合作价值评估，为专家智能匹配的成果转化决策提供参考；

步骤6、服务构建：

建立诊断专家推荐资源的数据中台，制定数据服务接口及服务规范，基于微服务技术架构设计技术交易数据集成的服务总线，开发技术转移智能服务平台，开展技术评估、商业计划、决策咨询、前沿分析和市场预测等增值服务。

2.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤1中论文、专利、成果等科技信息资源的获取通过接入第三方可靠的数据API接口进行集成，预处理的过程中对数据信息进行识别并导入数据库进行存储。

3.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤2中用机器学习提供的统计分析、知识发现等手段分析海量数据，同时利用数据存取机制实现数据的高效读写，深度学习通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系。

4.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤3中自然语言处理是力图使计算机理解和运用自然语言，从而实现用自然语言直接进行人机通信的技术，计算机直接处理自然语言，无需人去适应机器，这将是一个更自然且消除了异化的人机环境，计算机将能帮助人类完成更多的工作。

5.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤4中对于技术诊断专家要素提取的时候，通过数据库所收集的产业主题、核心技术、发展模式和路线进行读取，在采用提词器对其关键词进行提取。

6.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤4中推荐的参考为学术产出数量、服务能力和产学研合作，其中学术产出数量参考标准为：学术论文、专利、科技成果、科技项目，服务能力参考标准为：服务，产学研合作参考标准为：专家、项目名称、技术点和时间点。

7.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤5中价值评估专家人员和专家企业，专家人员包括人员属性、机构属性和成果展出，专家企业包括隐性反馈和合作反馈，并正对上述项目得出技术价值评分、合作价值评分和市场价值评分。

8.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤6中用户在平台中输入技术需求信息，平台开始对技术需求信息进行关键技术点提取，将提取后的关键技术点进行人工剔除和增补，同时利用人工筛选的结果对平台技术点提取进行优化，形成知识积累和沉淀，平台依据提取出的关键技术点进行计算，推荐出与该技术点匹配的技术团队，出具长名单后再由人工进行筛选，同时利用人工筛选的结果对平台推荐结果不断进行优化，最后可导出相关分析报告。

9.根据权利要求1所述的基于科技大数据知识图谱的技术诊断专家智能匹配算法，其特征在于：所述步骤4中首先通过语义分析技术对技术需求文本进行拆解，识别出相关关键词，将技术关键词与专家属性数据进行匹配关联，其中将数据库中的专家属性数据按照各个关联指标项进行计算，得出各个维度的权重分值，最后将各个维度得分进行汇总计算，得出专家匹配度总分，分值越高，匹配程度则越高。

Images