CN102880657B - 基于搜索者的专家推荐方法 - Google Patents

Abstract

本发明公开了一种基于搜索者的专家推荐的方法，本发明的方法包括三个阶段，第一个阶段，利用社会网络中的用户描述信息，获取每个专家的权威值，实现备选专家的选择；第二阶段，利用社会网络中的社会关系，计算搜索者与每个备选专家之间的社会关系系数；第三阶段，根据备选专家的权威值以及其与搜索者的社会关系系数，拟合出专家推荐列表。本发明的方法综合考虑了备选专家的专家值及搜索者与备选专家的专家关系系数，即根据专家权威性和与搜索者之间的关系参数对备选专家进行重新排序得到专家推荐列表，能够得到相对搜索者本人更加实用的专家推荐，减少了找到权威专家却得不到帮助的情况。

Description

基于搜索者的专家推荐方法

技术领域

本发明属于社会网络技术领域，涉及社会网络信息处理，尤其涉及一种社会网络中基于搜索者的专家推荐方法。

背景技术

传统的社会网络（Social Network）是指社会个体成员之间因互动而形成的相对稳定的关系体系。近年来，随着互联网技术和无线技术的发展和普及，这种关系已经延伸到虚拟社会网络环境中，通过基于网络的互动服务即社交网络服务，（Social Network Service，SNS），如聊天、实时消息、文件分享、博客、微博、讨论组等方式，用户可以相互交流和分享信息。互联网所具有的跨越时空的特点促使这种虚拟的社会网络迅猛发展，对人们的工作和生活产生了深远影响。社会网络不仅为人们提供了交互娱乐的平台，而且逐渐成为辅助行政、商务等活动的有力工具，成为一种新型的协同工作方式。

社会网络提供了大量的个体之间关系的信息，在专家推荐中可以起到很重要的作用。专家推荐的目的是在社会网络中发现具有某一特定领域知识的专家。通过专家推荐，可以和专家进行交流从而得到专业问题的解答等。当前已提出的专家推荐方法主要分为两大类。第一类方法主要通过对备选专家个人信息的处理，采用传统的信息检索技术，根据备选专家的个人信息搜索结果，计算备选专家与特定领域的关联程度，从而得到对应的专家推荐列表。第二类方法主要是通过不同的算法对专家个人信息以及专家间的专业关系进行处理，得到专家在某一个特定领域的权威性和主要研究的领域，从而得到对应的专家列表。

专家推荐方法搜索的并不仅仅是针对某一问题的解决方案，而且还要给搜索者提供解决问题的途径，因此具有很强的个性化特征。传统的方式只是利用社会网络中的人际关系来计算专家的权威指数，得出专家推荐列表，而忽略了搜索者是否能从该专家处得到帮助，即这个专家推荐列表对搜索者是否有意义，这很大一部分取决于搜索者与备选专家直接隐性的社会关系，而这个隐性的关系指数，对于搜索者能否最终得到专家的帮助，起到很重要的作用。

发明内容

本发明的目的在于综合考虑社会网络中专家的权威性与其帮助搜索者的可能性，从而得到有效的专家推荐列表的方法，克服传统专家推荐方法只注重专家权威，而不注重专家是否能真正帮助搜索者的问题。

为了达到上述目的，本发明提供了一种基于搜索者的专家推荐方法，具体包括如下步骤：

步骤1：构建社会网络G=(V,E)，其中，G表示一个社会网络，V表示节点v的集合，E表示用户之间边e的集合；社会网络图中的每个节点代表一个用户，每个用户的用户信息用来描述用户的属性，所述用户的属性包括社会属性和学术属性；

步骤2：根据搜索者提供的关键字，计算每个专家在特定领域的权威值分量，根据得到的权威值分量计算专家的权威值；

步骤3：根据预先设定的阈值，将权威值大于该阈值的专家组成备选专家组；

步骤4：根据备选专家组中的专家对于他人问题求助的响应积极性，修正备选专家组中专家的权威值，采用的计算公式为其中，β表示该专家收到求助的次数，α表示该专家回应过的求助的次数，F_i表示修正前第i个专家的权威值，F′_i表示修正后的第i个专家的权威值；

步骤5：计算搜索者与备选专家组中第i个备选专家的社会关系系数P′_i；

步骤6：根据步骤4得到的专家的权威值F′_i和步骤5得到的社会关系系数P′_i，线性拟合得到最终的第i位专家的专家有效值U_i，采用的计算公式为：

U_i=(1-γ)·F_i′+γ·P_i′

其中，γ表示预先设定的比重阈值，取值范围为(01)；

步骤7：根据步骤5和步骤6，得到备选专家组中所有专家的专家有效值；根据专家有效值，对备选专家组中的专家进行排序，得出专家推荐列表。

进一步的，步骤2所述的权威值分量具体为：A=[A₁,A₂,A₃,A₄,A₅]，其中，A₁代表专家在特定领域发表论文的权威性，A₂代表专家在特定领域参与的项目，A₃代表专家在特定领域的获奖情况，A₄代表专家在特定领域申请的专利情况，A₅代表专家在特定领域的业界活跃度。

进一步的，步骤2所述的计算专家的权威值具体采用的计算公式为：F_i=K′·A，K′表示分量系数向量K的转置，K=[K₁,K₂,K₃,K₄,K₅]，K₁,K₂,K₃,K₄,K₅分别表示A₁,A₂,A₃,A₄,A₅的分量系数，F_i为第i个备选专家的权威值。

更进一步的，A₁的计算公式为：

$A_1=\underset{q_i\∈Q}{\mathrm{\Σ}}f\left(k\right)w\left(q_i\right)$

其中，Q表示该专家发表的所有论文，q_i表示第i篇论文，w(q_i)表示第i篇论文发表的会议或期刊的权重，f(k)表示关键字在第i篇论文中出现的频率。

本发明的有益效果：本发明的基于搜索者的专家推荐方法主要包括三个阶段，在第一个阶段，利用社会网络中的用户描述信息，获取每个专家的权威值，实现备选专家的选择；在第二个阶段，利用社会网络中的社会关系，计算搜索者与每个备选专家之间的社会关系系数；在第三个阶段，根据备选专家的权威值以及其与搜索者的社会关系系数，拟合出专家推荐列表。本发明的方法综合考虑了备选专家的专家值及搜索者与备选专家的专家关系系数，即根据专家权威性和与搜索者之间的关系参数对备选专家进行重新排序得到专家推荐列表，能够得到相对搜索者本人更加实用的专家推荐，减少了找到权威专家却得不到帮助的情况。

附图说明

图1是本发明基于搜索者的专家推荐方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图和具体实施方例对本发明作进一步地详细说明。

为了更好的理解本发明，首先对社会网络相关概念作一说明，本发明用图G=(V,E)来表示社会网络，其中，G表示一个社会网络，V表示节点v的集合，E表示用户之间边e的集合；社会网络图中的每个节点代表一个用户，每个用户的用户信息用来描述用户的属性，所述用户的属性包括社会属性和学术属性，这里的社会属性，如单位、所属社团、个人兴趣等，这里的学术属性，如发表的论文、发表会议、项目和合作人等，同时包含此人对于他人求助的响应热情属性，如收到的请求数目和相应的请求数目等。E表示每个人之间的社会关系e的集合，e∈E，e为有权值，表示人际间的关系亲密度，不具有直接关系的两个人间e=0。

本发明的基于搜索者的专家推荐方法的流程示意图如图1所示，具体包括如下步骤：

步骤1：构建社会网络G=(V,E)。

步骤2：根据搜索者提供的关键字，计算每个专家在特定领域的权威值分量，根据得到的权威值分量计算专家的权威值。

这里权威值分量具体为：A=[A₁,A₂,A₃,A₄,A₅]，其中，A₁代表专家在特定领域发表论文的权威性，A₂代表专家在特定领域参与的项目，A₃代表专家在特定领域的获奖情况，A₄代表专家在特定领域申请的专利情况，A₅代表专家在特定领域的业界活跃度。

这里，计算专家的权威值具体采用的计算公式为：F_i=K′·A，K′代表五个分量在计算专家值计算总和中的分量系数向量K的转置，K=[K₁,K₂,K₃,K₄,K₅]，在本实施例中可以定义即每个分量占用相同的权重，采用矩阵乘法法则，计算K′与A向量积，得到数值F_i为第i个备选专家的权威值。

这里，专家在特定领域发表论文的权威性A₁的计算公式为：

$A_1=\underset{q_i\∈Q}{\mathrm{\Σ}}f\left(k\right)w\left(q_i\right)$

其中，Q表示该专家发表的所有论文，q_i表示第i篇论文，w(q_i)表示第i篇论文发表的会议或期刊的权重，f(k)表示关键字在第i篇论文中出现的频率。

专家在特定领域的后四个分量的值，即A₂、A₃、A₄和A₅的计算公式为：

A_i=∑h

其中，h代表权重，分别代表项目的等级：如国家级项目、省部级项目、横向项目等；获奖的等级：如国家奖项、省级奖项；专利的等级：如国际专利申请、国家发明授权专利等；业界活跃度的等级：如专业组织的主席、成员等。

步骤3：根据预先设定的阈值，将权威值大于该阈值的专家组成备选专家组V′。

步骤4：根据专家对于求助的参数，修正备选专家组V′中专家的权威值，采用的计算公式为其中，β表示该专家收到求助的次数，α表示该专家回应过的求助的次数，F_i表示修正前第i个备选专家的权威值，F′_i表示修正后的第i个备选专家的权威值。

专家处理的求助次数越多，其对于求助处理的百分比就越高。当专家处理的求助次数较少时，其对于求助的处理百分比的权值就较小。修正过的专家权威值F′，同时包含了专家在特定领域的专家值及专家对于求助的相应态度，权威性越高，对于求助相应越积极的专家，其修正得到的专家值越高。

步骤5：计算搜索者与备选专家组中第i个备选专家的社会关系系数P′_i。

根据社会网络中社会属性，以人际间的关系密切程度作为节点间路径的边权值，使用Dijkstra算法，计算搜索者与所有备选专家的社会关系间的最短路P_i，其中定义边的关系为：同学关系、校友关系、师生关系、朋友关系、同事关系和亲戚关系等，每一种关系根据其紧密程度拥有一个整数距离值，关系越亲密，距离值越小，最小值为1，根据Dijkstra算法，计算搜索者与第i个备选专家的最短路径P_i，然后利用如下公式P′_i=P_i/P_j对所有得到的最短路做进一步处理，得到搜索者与备选专家之间的社会关系系数，该系数越高，表明搜索者想该专家求助时，得到回应的可能性越大。

其中，P_i表示根据Dijkstra算法计算得到的搜索者到第i个备选专家的最短路径，P_j为搜索者到所有备选专家间最短路径的最大值，P′_i为搜索者与第i个备选专家的社会关系系数。

步骤6：根据步骤4得到的专家的权威值F′_i和步骤5得到的社会关系系数P′_i，线性拟合得到最终的第i位专家的专家有效值U_i，采用的计算公式为：

U_i=(1-γ)·F′_i+γ·P′_i

其中，γ表示预先设定的比重阈值，取值范围为(0 1)。

步骤7：根据步骤5和步骤6，得到备选专家组中所有专家的专家有效值；根据专家有效值，对备选专家组中的专家进行排序，得出专家推荐列表，为搜索者提供最有可能得到回应的个性化的专家推荐。

以上是本发明的具体实现方式。

本发明基于社会网络，综合参考了专家在特定领域的权威值，专家对于求助的回应度以及搜索者得到专家帮助的可能性进行了搜索者相关的个性化专家推荐，为搜索者提供了最可能得到问题解决的途径，避免了搜索者得到诸多权威专家而无法得到帮助的问题，从而使得搜索者可以更可能的得到在特定领域的具有相当权威的专家的帮助。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于搜索者的专家推荐方法，具体包括如下步骤：

步骤1：构建社会网络G＝(V,E)，其中，G表示一个社会网络，V表示节点v的集合，E表示用户之间边e的集合；社会网络图中的每个节点代表一个用户，每个用户的用户信息用来描述用户的属性，所述用户的属性包括社会属性和学术属性；

步骤2：根据搜索者提供的关键字，计算每个专家在特定领域的权威值分量，根据得到的权威值分量计算专家的权威值；

所述的权威值分量具体为：A＝[A₁,A₂,A₃,A₄,A₅]，其中，A₁代表专家在特定领域发表论文的权威性，A₂代表专家在特定领域参与的项目，A₃代表专家在特定领域的获奖情况，A₄代表专家在特定领域申请的专利情况，A₅代表专家在特定领域的业界活跃度；

所述的计算专家的权威值具体采用的计算公式为：F_i＝K′·A，K＝[K₁,K₂,K₃,K₄,K₅]，K₁,K₂,K₃,K₄,K₅分别表示A₁,A₂,A₃,A₄,A₅的分量系数，F_i为第i个备选专家的权威值；

步骤3：根据预先设定的阈值，将权威值大于该阈值的专家组成备选专家组；

步骤4：根据备选专家组中的专家对于他人问题求助的响应积极性，修正备选专家组中专家的权威值，采用的计算公式为其中，β表示该专家收到求助的次数，α表示该专家回应过的求助的次数，F_i表示修正前第i个专家的权威值，F_i′表示修正后的第i个专家的权威值；

步骤5：计算搜索者与备选专家组中第i个备选专家的社会关系系数P_i′；

步骤6：根据步骤4得到的专家的权威值F_i′和步骤5得到的社会关系系数P_i′，线性拟合得到最终的第i位专家的专家有效值U_i，采用的计算公式为：

U_i＝(1-γ)·F_i′+γ·P_i′

其中，γ表示预先设定的比重阈值，取值范围为(01)；

步骤7：根据步骤5和步骤6，得到备选专家组中所有专家的专家有效值；根据专家有效值，对备选专家组中的专家进行排序，得出专家推荐列表。

2.根据权利要求1所述的专家推荐方法，其特征在于，A₁的计算公式为：

$A_1=\underset{q_i\∈Q}{\mathrm{\Σ}}f\left(k\right)w\left(q_i\right)$

其中，Q表示该专家发表的所有论文，q_i表示第i篇论文，w(q_i)表示第i篇论文发表的会议或期刊的权重，f(k)表示关键字在第i篇论文中出现的频率。

3.根据权利要求1所述的专家推荐方法，其特征在于，步骤5所述的社会关系系数P_i′具体计算过程如下：

根据Dijkstra算法，计算搜索者与第i个备选专家的最短路径P_i，则搜索者与第i个备选专家的社会关系系P_i′＝P_i/P_j，其中，P_j为搜索者到所有备选专家间最短路径的最大值。