CN109543738A - 一种基于网络表征学习的师生关系识别方法 - Google Patents

一种基于网络表征学习的师生关系识别方法 Download PDF

Info

Publication number
CN109543738A
CN109543738A CN201811362590.7A CN201811362590A CN109543738A CN 109543738 A CN109543738 A CN 109543738A CN 201811362590 A CN201811362590 A CN 201811362590A CN 109543738 A CN109543738 A CN 109543738A
Authority
CN
China
Prior art keywords
scholar
teacher
student relationship
indicate
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811362590.7A
Other languages
English (en)
Inventor
徐博
刘嘉莹
王雷
夏锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811362590.7A priority Critical patent/CN109543738A/zh
Publication of CN109543738A publication Critical patent/CN109543738A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于学术大数据挖掘技术领域，提供一种基于网络表征学习的师生关系识别方法。该方法解决了以往只能通过人工标注的方法所带来的不正确、不完全以及耗时等缺点，能够自动识别两个学者是否是师生关系。该方法首先为每个学科每年建立初次合作网络。网络的节点表示学者，边表示合作关系。建立网络的同时，该方法也为每个节点和边建立属性。同时，该方法重调学者每年论文数量，消除时间偏向；提出学科因子，实现跨学科师生关系识别。该方法提出的师生识别模型由节点编码器、边编码器以及线性回归组成，以两个学者节点属性和边属性作为输入，输出这两个学者为师生关系的概率。本发明为研究学术数据的学者们提供一个可靠的师生关系识别的方法。

Description

一种基于网络表征学习的师生关系识别方法
技术领域
本发明属于学术大数据挖掘技术领域，尤其涉及一种基于网络表征学习的师生关系识别方法。
背景知识
近年来，关于学术的数据量在显著地增加，具体的表现有学者数量和每年发表的论文数量有呈指数地增加。巨大的数据量也开始吸引了学者们去分析和利用这些学术数据。在大学术数据方面，一个被广泛研究的方向就是去研究学者的合作行为，这其中一种典型的合作行为就是师生合作行为。以往大量的研究有表明师生合作是一个双赢的合作：学生可以从导师那里得到学术指导和研究基金的支持；导师也可以从与学生的合作中进一步地提升自己的学术能力以及可以获得额外的研究基金。在学术大数据分析中利用师生关系有利于大量相关的研究，比如学者学术生涯的分析、学者合作行为的分析和团队关系的识别等。
以往学者们如果想要获取师生关系，只能通过一种人工标注的方法。现有的网站，比如Mathematics Genealogy Project、Neurotree and The Academic Family Tree等，有通过人工上传的方式标识出了部分师生关系。然而这种获取师生关系的方式主要存在以下两个问题:
(1)数据不完全和不准确。现有的这些网站做包含了单个学科或部分学科师生关系，无法获取所有学科的师生关系。即使在包含的学科内，也没有该学科的所有师生关系。特别对于像计算机这类发展较快的学科，每年会新产生大量的师生合作的文章。人工上传的方式肯定会存在时间滞后的问题，这导致无法获取最新的师生关系数据。同时，人工的方式肯定会存在数据不准确的现象。
(2)虽然这些师生关系的数据是公开的，但学者们如果想要获取这些数据需要从对应的网站上爬取下来，这会耗费大量的时间，并且在后期数据清理时会产生错误的结果。
针对以上两个主要的问题，我们设计了一种基于网络表征学习的师生关系识别算法。该算法只要输入两个学者的各自属性以及合作属性，就可判断这两个学者是否为师生关系。
发明内容
本发明的主要目的是针对以上问题，设计一个能够自动识别师生关系的模型。该模型考虑了每个学者的属性和对应的合作属性，同时解决了不同领域和不同时间内发表的文章数量差异。
本发明的技术方案有：
(1)基于学者们的初次合作构建初次合作网络，即该网络中的所有合作都表示两个学者的初次合作。网络中的节点表示学者，边表示其对应的两个学者存在合作。同时基于学者的合作属性、发表的论文以及机构信息去构建节点和边的属性。
(2)基于每年文章数量的曲线，重新调整每个学者每年文章的数量，以解决每年发表的文章数量的差异对实验结果的影响。
(3)提出了并计算学科因子，实现跨学科师生关系识别。提出的学科因子解决每年在每个学科所发表的论文数量差异的影响，因此可以用用部分学科的师生关系数据集训练好的模型去识别所有学科的师生关系。
(4)基于网络表征学习方法构建师生关系识别模型。该模型通过两个编码器分别为成对的两个节点属性和边学习一个多维的向量表示。串联这两个向量作为多维的特征值，通过线性回归为每组特征值进行0-1分类。输出的结果越大，说明是师生的概率越大。
(5)基于本发明的师生识别方法，可构造出整个学科的师生关系图谱，探索不同学科之间以及同一学科不同年份之间师生合作的差异。
进一步，构建初次合作网络时按年和按学科分开，每个学科每年都有一个不同初次合作网络。
本发明同时考虑了节点和边的属性，并运用了深度学习的模型自动识别师生关系，具有较强的创新性。
附图说明
图1为通过MAG数据集计算得到的每年文章数量的柱形图。
图2为具体实施过程的示例图
图3为师生关系识别模型示例图
具体实施方式
下面通过具体的实验方案对本技术发明做进一步的阐述，以使相关研究人员能更好地理解本发明并能自己实施该技术，示例图见图2。下述的实验技术不仅限于本发明。
一种基于网络表征学习的师生关系识别方法，步骤如下：
(1)构建初次合作网络
通过学者们发表的文章为每个学科每年创建初次合作网络，即该合作网络中节点表示学者；如果两个节点之间有边，表示对应的两个学者之间在当年有初次合作；
(2)为合作网络中的节点和边创建属性
(2.1)节点属性
以学者i为例，考虑表1中定义的属性作为该学者的属性；其中Coli表示从此年份开始5年内学者i的所有合作者信息；用向量表示Coli，该向量的第j位元素表示学者i与学者j合作的次数；AAi由公式(1)计算得：
其中，Yc表示此时的年份，表示学者i发表的第一篇文章的年份；Orgi表示学者i在当年所属的机构；NPi表示学者i在此年之前所发表的文章数量，也就是学者i与在此网络中其它学者合作之前发表的文章数量；
表1：节点属性的定义
(2.2)边属性
表2：边属性的定义
用表2中定义的属性作为学者i和学者j之间边的属性；其中ADij是学者i和学者j学术年龄差的绝对值；CTij、FTA和LFA中的次数都指的是初次合作的前8年内符合条件的文章数量；CDij所指的时长是初次合作的前8年内的合作时长，以年为单位；表示学者i和学者j初次合作后第t年的相似性，其中，1≤t≤8，初次合作算第一年；由公式(2)计算可得：
其中，和分别表示学者i和学者j第t年发表的文章数量；表示第t年学者i和j合作完成的文章数量；
(3)基于每年文章数量的曲线，重新调整每个学者每年文章的数量，以解决每年发表的文章数量的差异对结果的影响；通过MAG数据集统计得到每年发表的文章数量近似为如下曲线：
p＝8.3*10-45e0.05y+22.7*103 (3)
每个学者在y年发表的文章数量PA重新量化为PA′，由公式(4)计算得：
PA′＝PA/τ (4)
其中，τ为曲线p的倒数，即τ＝4.15*10-46e0.05y；
(4)定义并计算学科因子
为了将由部分学科师生关系数据集训练的模型去识别其它学科的师生关系，使用学科因子消除各个学科之间发表的文章数量的差异；由公式(4)计算得到：
其中，表示学科s在y年里发表的文章数量；<NP>y表示所有学科在y年平均发表的文章数量；|F|表示学科数量；
(5)基于网络表征学习方法构建师生关系识别模型
师生关系识别模型由三部分组成，分别为节点编码器、边编码器以及线性回归分类器；在识别师生关系时，师生关系识别模型去输出学术年龄长的学者j是学术年龄短的学者i的导师的概率；执行过程如下：
(5.1)串联学者i的节点属性和学者j的节点属性，串联的属性表示为An，并作为结点编码器的输入，最终得到多维向量表示Dn；学者i的节点属性包括Coli、AAi、Orgi和NPi；学者j的节点属性包括Colj、AAj、Orgj和NPj；
(5.2)将学者i和学者j的合作边属性Ae作为边编码器的输入，最终得到多维向量表示De；合作边属性Ae包括ADij、CTij、CDij、FTA、LFA和
(5.3)串联Dn和De，输送到线性回归分类器中；
(5.4)如果线性回归分类器输出的结果越大，说明学者j是学者i的导师的概率越大；
如果涉及到跨学科师生关系识别时，先通过学科因子重新调整每个学科每年发表的文章数量；再用已知学科的师生关系数据集去训练师生关系识别模型；最后用训练好的模型去识别跨学科师生关系；
(6)师生关系图谱
构造出整个学科的师生关系图谱，探索不同学科之间以及同一学科不同年份之间师生合作的差异。
实施例
一种基于网络表征学习的师生关系识别方法，步骤如下：
(一)获取真实师生关系
从The Academic Family Tree网站爬出所需要的学科中真实的师生关系对。本实施方式以计算机学科为例。
(二)同名区分
在MAG数据集里筛选出所有计算机科学的文章，并对这些文章的所有学者进行同名区分。如果有两个同名的学者满足以下三个条件中的任何一个，则将这两个学者视为一个学者。
1)这两个学者至少引用彼此一次。
2)这两个学者至少有一个相同的合作者。
3)这两个学者附属的机构至少有一个是相同的。
(三)构建初次合作网络
从第二步中产生的已同名区分过的数据集中按年份构建初次合作网络。在该发明的实施中，我们选用2000年到2010年的初次合作网络，并将2000年到2006年作为训练集，2007年到2010年作为验证集。
(四)创建节点属性、边属性以及标签
1)当我们获取了由第三步中创建的合作网络中每个学者每年发表的文章数量后，我们将文章数量除以τ，以消除每年发表的文章数量的不同对实验的影响。
2)从同名消除的数据集中计算第三步得到每个网络的节点属性和边属性。所需要的节点属性和边属性分别见表1和表2。
3)由于有些年份的学者数量较多，我们使用平均池化减少节点属性的个数。在本发明的实施过程中，池化后的节点属性个数为1000。
4)将每个网络中真实的师生关系的标签设为1，不是师生关系的标签设为0。为了保证这两个标签的数据量相同，我们剔除掉部分标签为0的数据。
(五)搭建并训练模型
本发明设计的师生关系识别模型见图3。该模型由三个部分组成：节点编码器、边编码器以及线性回归。为了去阐述该模型的使用，我们以判断学者j是不是学者i的导师为例，具体介绍如下。
1)用An表示学者j和学者i串联的节点属性向量，即An＝(Coli，AAi，Orgi，NPi，Colj，AAj，Orgj，NPj)，并作为节点编码器的输入。通过公式6压缩和解压的过程，可以获得编码器的输出
其中，σ表示激活函数；K表示节点编码器的层数；和分别表示节点编码器中第k层的权重和偏向。最后我们最小化损失函数7中的La，并将编码器中间层定义为节点的向量表示Dn。在函数7中，A″n表示惩罚矩阵。当An的某个元素大于0时，A″n对应的元素设置为ρ(ρ>1)；否则对应的元素设置为1。表示矩阵的Hadamard积。
2)用Ae表示学者i和学者j初次合作边的属性，即 并将其作为边编码器的输入。通过公式8，可以获得边编码器的输出
其中K’表示边编码器的层数；和分别表示边编码器中第k’层的权重和偏向。最后我们最小化损失函数9中的Le，并将编码器中间层定义为边的向量表示De。同时，我们可以在编码器的每一层添加一个dropout，keep_pro设置为0.5。
3)用D表示串联的Dn和De的向量，并通过线性回归(公式如下)产生为师生关系的概率。其中Wl表示线性回归的权重，Bl表示偏向。
Pro′＝sigmoid(D*Wl+Bl) (10)
训练该模型时，我们加入了真实标签Pro，因此损失函数定义如下：
Ll＝|Pro-Pro′| (11)
4)联合损失函数7、9和11，我们将最终的损失函数定义如下：
L＝La+Le+αLl+βLreg (12)
其中Lreg为防止过拟合的规则化损失函数，定义为公式13的形式；α和β为超参数。
5)获得了最终的损失函数后，我们通过反向传播并设置适当的学习率来训练模型。同时通过验证集测试来得到最佳的参数和最佳的模型。
(六)预测未知的师生关系
1)同学科师生关系识别
当我们用一个学科的真实师生关系训练好模型好，我们可以去预测该学科的所有合作者是否为师生关系。我们先得到每个学者的属性及合作边的属性，然后分别输入到节点编码器和边编码器。两个编码器的中间层分别作为结点向量表示Dn和边向量表示De。串联这两个向量，再输入到线性回归中。最后输出这两个学者是师生关系的概率。
2)跨学科师生关系识别
当我们获取了部分学科的真实师生关系后，可以通过学科因子调整每个学科每年发表的文章数量。然后用已知的所有学科的师生关系数据集去训练模型，再去识别未知学科的师生关系。比如用计算机和数学这两个学科的师生关系数据集训练好的模型去预测物理学科的师生关系。
(七)绘制师生关系图谱
以上模型训练完成后，可构造出所有学科的师生关系图谱。由于部分学者仅在其学术生涯的早期阶段发表过一两篇文章，之后便离开学术界，没有一个长期的、稳定的师生关系。因此，我们在绘制师生关系图谱时，仅选出了满足以下所有条件的学者。
(1)每五年至少发表过一篇文章
(2)在整个MAG数据集中至少发表过10篇文章
(3)至少有10年的学术年龄。

Claims (3)

1.一种基于网络表征学习的师生关系识别方法，其特征在于，步骤如下：
(1)构建初次合作网络
通过学者们发表的文章为每个学科每年创建初次合作网络，即该合作网络中节点表示学者；如果两个节点之间有边，表示对应的两个学者之间在当年有初次合作；
(2)为合作网络中的节点和边创建属性
(2.1)节点属性
以学者i为例，考虑表1中定义的属性作为该学者的属性；其中Coli表示从此年份开始5年内学者i的所有合作者信息；用向量表示Coli，该向量的第j位元素表示学者i与学者j合作的次数；AAi由公式(1)计算得：
AAi＝Yc-Yi f (1)
其中，Yc表示此时的年份，Yi f表示学者i发表的第一篇文章的年份；Orgi表示学者i在当年所属的机构；NPi表示学者i在此年之前所发表的文章数量，也就是学者i与在此网络中其它学者合作之前发表的文章数量；
表1：节点属性的定义
(2.2)边属性
表2：边属性的定义
用表2中定义的属性作为学者i和学者j之间边的属性；其中ADij是学者i和学者j学术年龄差的绝对值；CTij、FTA和LFA中的次数都指的是初次合作的前8年内符合条件的文章数量；CDij所指的时长是初次合作的前8年内的合作时长，以年为单位；表示学者i和学者j初次合作后第t年的相似性，其中，1≤t≤8，初次合作算第一年；由公式(2)计算得：
其中，和Pj t分别表示学者i和学者j第t年发表的文章数量；表示第t年学者i和j合作完成的文章数量；
(3)基于每年文章数量的曲线，重新调整每个学者每年文章的数量，以解决每年发表的文章数量的差异对结果的影响；通过MAG数据集统计得到每年发表的文章数量近似为如下曲线：
p＝8.3*10-45e0.05y+22.7*103 (3)
每个学者在y年发表的文章数量PA重新量化为PA′，由公式(4)计算得：
PA′＝PA/τ (4)
其中，τ为曲线p的倒数，即τ＝4.15*10-46e0.05y；
(4)定义并计算学科因子
为了将由部分学科师生关系数据集训练的模型去识别其它学科的师生关系，使用学科因子消除各个学科之间发表的文章数量的差异；由公式(4)计算得到：
其中，表示学科s在y年里发表的文章数量；<NP>y表示所有学科在y年平均发表的文章数量；|F|表示学科数量；
(5)基于网络表征学习方法构建师生关系识别模型
师生关系识别模型由三部分组成，分别为节点编码器、边编码器以及线性回归分类器；在识别师生关系时，师生关系识别模型去输出学术年龄长的学者j是学术年龄短的学者i的导师的概率；执行过程如下：
(5.1)串联学者i的节点属性和学者j的节点属性，串联的属性表示为An，并作为结点编码器的输入，最终得到多维向量表示Dn；学者i的节点属性包括Coli、AAi、Orgi和NPi；学者j的节点属性包括Colj、AAj、Orgj和NPj；
(5.2)将学者i和学者j的合作边属性Ae作为边编码器的输入，最终得到多维向量表示De；合作边属性Ae包括ADij、CTij、CDij、FTA、LFA和
(5.3)串联Dn和De，输送到线性回归分类器中；
(5.4)如果线性回归分类器输出的结果越大，说明学者j是学者i的导师的概率越大；
如果涉及到跨学科师生关系识别时，先通过学科因子重新调整每个学科每年发表的文章数量；再用已知学科的师生关系数据集去训练师生关系识别模型；最后用训练好的模型去识别跨学科师生关系；
(6)师生关系图谱
构造出整个学科的师生关系图谱，探索不同学科之间以及同一学科不同年份之间师生合作的差异。
2.根据权利要求1所述的基于网络表征学习的师生关系识别方法，其特征在于，在构建初次合作网络过程中，如果有两个同名的学者满足以下三个条件中的任何一个，则将这两个学者视为一个学者：
1)这两个学者至少引用彼此一次；
2)这两个学者至少有一个相同的合作者；
3)这两个学者附属的机构至少有一个是相同的。
3.根据权利要求1或2所述的基于网络表征学习的师生关系识别方法，其特征在于，步骤(5)中构建师生关系识别模型的具体如下：
1)用An表示学者j和学者i串联的节点属性向量，并作为节点编码器的输入；通过公式(6)压缩和解压的过程，获得编码器的输出
其中，σ表示激活函数；K表示节点编码器的层数；和分别表示节点编码器中第k层的权重和偏向；最后最小化损失函数如式(7)中的La，并将编码器中间层定义为节点的向量表示Dn；在最小化损失函数中，A″n表示惩罚矩阵；当An的某个元素大于0时，A″n对应的元素设置为ρ(ρ>1)；否则对应的元素设置为1；表示矩阵的Hadamard积；
2)用Ae表示学者i和学者j初次合作边的属性，并将其作为边编码器的输入；通过公式(8)，获得边编码器的输出
其中，K’表示边编码器的层数；和分别表示边编码器中第k’层的权重和偏向；最后最小化损失函数如式(9)中的Le，并将编码器中间层定义为边的向量表示De；同时，在编码器的每一层添加一个dropout，keep_pro设置为0.5；
3)用D表示串联的Dn和De的向量，并通过线性回归分类器如式(10)产生为师生关系的概率；其中Wl表示线性回归的权重，Bl表示偏向；
Pro′＝sigmoid(D*Wl+Bl) (10)
训练该模型时，加入真实标签Pro，因此损失函数定义如下：
Ll＝|Pro-Pro′| (11)
4)联合损失函数(7)、(9)和(11)，将最终的损失函数定义如下：
L＝La+Le+αLl+βLreg (12)
其中，Lreg为防止过拟合的规则化损失函数，定义为公式(13)的形式；α和β为超参数；
5)获得了最终的损失函数后，通过反向传播并设置适当的学习率来训练模型，同时通过验证集测试来得到最佳的参数和最佳的模型。
CN201811362590.7A 2018-11-16 2018-11-16 一种基于网络表征学习的师生关系识别方法 Pending CN109543738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811362590.7A CN109543738A (zh) 2018-11-16 2018-11-16 一种基于网络表征学习的师生关系识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811362590.7A CN109543738A (zh) 2018-11-16 2018-11-16 一种基于网络表征学习的师生关系识别方法

Publications (1)

Publication Number Publication Date
CN109543738A true CN109543738A (zh) 2019-03-29

Family

ID=65847782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811362590.7A Pending CN109543738A (zh) 2018-11-16 2018-11-16 一种基于网络表征学习的师生关系识别方法

Country Status (1)

Country Link
CN (1) CN109543738A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090801A (zh) * 2019-12-18 2020-05-01 创新奇智(青岛)科技有限公司 一种专家人脉关系图谱绘制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203870A1 (en) * 2006-02-03 2007-08-30 Infocom Corporation Graph generating method, graph generating program and data mining system
CN106778011A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种基于学术异构网络的学者影响力评估方法
US20170206460A1 (en) * 2014-09-05 2017-07-20 Icahn School Of Medicine At Mount Sinai Systems and Methods for Causal Inference in Network Structures Using Belief Propagation
CN107392229A (zh) * 2017-06-21 2017-11-24 清华大学 一种基于最面向社会关系抽取的网络表示方法
CN107577742A (zh) * 2017-08-28 2018-01-12 上海电机学院 一种基于贝叶斯方法的多关系社交网络模式挖掘方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203870A1 (en) * 2006-02-03 2007-08-30 Infocom Corporation Graph generating method, graph generating program and data mining system
US20170206460A1 (en) * 2014-09-05 2017-07-20 Icahn School Of Medicine At Mount Sinai Systems and Methods for Causal Inference in Network Structures Using Belief Propagation
CN106778011A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种基于学术异构网络的学者影响力评估方法
CN107392229A (zh) * 2017-06-21 2017-11-24 清华大学 一种基于最面向社会关系抽取的网络表示方法
CN107577742A (zh) * 2017-08-28 2018-01-12 上海电机学院 一种基于贝叶斯方法的多关系社交网络模式挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI WANG ETAL.: "Shifu: Deep Learning Based Advisor-advisee Relationship Mining in Scholarly Big Data", 《PROC. 26TH INT. CONF. WORLD WIDE WEB》 *
高翔: "基于视频深度学习的人物行为分析与社交关系识别", 《万方数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090801A (zh) * 2019-12-18 2020-05-01 创新奇智(青岛)科技有限公司 一种专家人脉关系图谱绘制方法及系统

Similar Documents

Publication Publication Date Title
Dibner et al. Learning through citizen science: Enhancing opportunities by design
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
Kotsiantis Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades
CN107766483A (zh) 一种基于知识图谱的交互式问答方法及系统
WO2019223302A1 (zh) 基于注意力知识提取的服装搭配方法、系统及存储介质
CN109918644A (zh) 一种基于迁移学习的中医健康咨询文本命名实体识别方法
CN112184500A (zh) 基于深度学习和知识图谱的课外学习辅导系统及实现方法
CN106295186A (zh) 一种基于智能推理的辅助疾病诊断的方法与系统
CN106294616A (zh) 一种基于移动互联网的智能问答机器人系统
CN107491655A (zh) 基于机器学习的肝脏疾病信息智能咨询方法及系统
Roksa et al. Parental validation, college experiences, and institutional commitment of first-generation and low-income students
CN112380325A (zh) 基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统
CN106202377A (zh) 一种基于随机梯度下降的在线协同排序方法
CN115083628B (zh) 一种基于中医望诊客观化的医教协同系统
CN107391577A (zh) 一种基于表示向量的作品标签推荐方法和系统
CN111710428A (zh) 一种建模全局和局部上下文交互的生物医学文本表示方法
Qiao [Retracted] Teaching Design of Online Ideological and Political Course Based on Deep Learning Model Evaluation
CN109543738A (zh) 一种基于网络表征学习的师生关系识别方法
CN113705159A (zh) 商户名称的标注方法、装置、设备及存储介质
Wei et al. (Retracted) Image analysis and pattern recognition method of three-dimensional process in physical education teaching based on big data
CN110334810A (zh) 基于机器学习的mooc僵尸课程识别方法
Sa et al. An English flipped classroom teaching model based on big data analysis
Pedro et al. Social network analysis and digital learning environments: A framework for research and practice using the Sapo Campus Platform
CN113609402B (zh) 一种基于大数据分析的行业交友交流信息智能推荐方法
Sonam et al. TagStack: Automated system for predicting tags in stackoverflow

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190329