CN111143672B - 基于知识图谱的专业特长学者推荐方法 - Google Patents

基于知识图谱的专业特长学者推荐方法 Download PDF

Info

Publication number
CN111143672B
CN111143672B CN201911290719.2A CN201911290719A CN111143672B CN 111143672 B CN111143672 B CN 111143672B CN 201911290719 A CN201911290719 A CN 201911290719A CN 111143672 B CN111143672 B CN 111143672B
Authority
CN
China
Prior art keywords
scholars
learner
professional
specialty
knowledge graph
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.)
Active
Application number
CN201911290719.2A
Other languages
English (en)
Other versions
CN111143672A (zh
Inventor
林伟伟
胡正阳
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911290719.2A priority Critical patent/CN111143672B/zh
Publication of CN111143672A publication Critical patent/CN111143672A/zh
Application granted granted Critical
Publication of CN111143672B publication Critical patent/CN111143672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Abstract

本发明公开了一种基于知识图谱的专业特长学者推荐方法，包含：获取学者信息并存入数据库中；抽取学者信息和用户输入信息中的实体及其关系；构建学者专业特长词典；获取学者信息中实体的权重；进行学者专业特长熟练度评价；将知识图谱中的节点和关系向量化；计算出学者专业特长专注度评价；综合两个评价信息获得学者专业特长评分；构成学者专业特长知识图谱；构成用户需求知识图谱；获得用户学者专业特长评分权重；进行打分，获得推荐学者列表。本发明通过结合多维度评价的方式生成学者专业特长评分，并将学者与用户的文字内容转化为知识图谱获得其专业特长权重，从而提高学者推荐的准确度，节省用户查找学者的时间，提高产学研的转化效率。

Description

基于知识图谱的专业特长学者推荐方法
技术领域
本发明涉及推荐算法技术领域，特别涉及一种基于知识图谱的专业特长学者推荐方法。
背景技术
随着当下互联网技术的飞速发展，越来越多的人开始从网络中获取自己需要的信息。但由于人们间的交流利益增多，使得网络上的数据源源不断的产生，最终导致了一个信息爆炸时代的降临。人们在茫茫的信息中很难找到对自己有用的信息，许多公司面对各种各样的学者信息，也很难确定他是否是自己所亟需的人才。因此，如何从海量的学者信息中提取关键信息，如何做到针对性的推荐，这正是眼下的当务之急。
近几年，越来越多应用的需求正推动着推荐算法的发展。2012年Google提出了知识图谱的概念，将知识的表示转化为节点和边的形式，通过对知识图谱中的数据进行分析，可以获得许多重要的信息。2013年，在第26届神经信息处理系统大会(NIPS)上，AntoineBordes等人发表了一篇名为《Translating Embeddings for Modeling Multi-relationalData》的论文，通过引入翻译嵌入(TransE)模型，将多关系数据转化为向量表示，相较于之前的向量化算法，其准确度有着很大的提升。而后，为了解决TransE模型不能很好的应对一对多，多对一和多对多关系的问题，TransH、TransR、TransD等算法模型相继被提出，至此，基于翻译嵌入模型的算法已经成为目前最主流的多关系数据向量化方法。将该算法引入知识图谱，最终获得图中各节点和边的向量化表示，极大的提升了知识图谱的使用范围。为了能将文本信息转化为知识图谱，人们做了许多的研究，其具体的步骤有实体识别，实体链接以及关系抽取。每一步的都有大量的研究成果，而随着深度学习的兴起，最新的研究已经开始向这个方向转变。
在关键字提取方面，TextRank、TF-IDF等算法在近几年被相继提出，大大提升了关键字提取的准确度。TextRank算法借鉴了Google的PageRank算法的思想，将网页间链接的权重计算改为文本单词间链接的权重计算。通过赋以初始权重并加以迭代，最终使得各单词的权重逐步收敛，获得最终的权重。TF-IDF算法则是由两个算法组成，其中TF代表词频(Term Frequency)，IDF代表逆向文档频率(Inverse Document Frequency)。词频表示了一个词在该文档中出现的频率，逆向文档频率则说明了该词在所有文章中出行的频度，通过将这两个结果相乘，获得最终的单词权重。
虽然目前存在着种类繁多的推荐算法，但都有着各自的缺陷。例如，协同过滤推荐算法需要大量的用户和物品相关互动数据，因此有冷启动的问题。基于内容的推荐算法虽然不需要事先提供这些数据，但由于它所需要的是用户历史数据，因此对于新用户来说无法进行有效的推荐。而基于深度学习的推荐算法虽然能较好的缓解这些问题，但对于缺乏相关用户使用数据的项目来说犹如无米之炊，无法通过训练得到所需的推荐模型。
发明内容
本本发明的目的在于克服现有技术的缺点与不足，提供一种基于知识图谱的专业特长学者推荐方法，能将学者等实体及其之间的关系转化为向量表示，结合多维度的评价来获得学者专业特长评分，将用户和学者的文本内容转化为知识图谱，获得专业特长评分权重，从而进行学者推荐，以达到节省用户寻找学者的时间，提高产学研的转化效率的目的。
为了达到上述目的，本发明采用以下技术方案：
基于知识图谱的专业特长学者推荐方法，包括下述步骤：
S1.根据现有知识图谱获取学者信息并存入数据库中；
S2.利用深度学习方法抽取学者信息和用户输入信息中的实体及其关系；
S3.构建学者专业特长词典并根据专业特长词典获取学者信息中实体的权重；
S4.利用翻译嵌入算法将知识图谱中的节点和关系向量化；
S5.结合多维度的信息进行学者专业特长熟练度评价并根据各向量间的关系计算出学者专业特长专注度评价；
S6.综合两个评价信息获得学者专业特长评分；
S7.将每位学者的学者信息中的实体及其关系合并，构成学者专业特长知识图谱；
S8.将用户输入信息中的实体及其关系合并，构成用户需求知识图谱；
S9.结合两个知识图谱获得用户学者专业特长评分权重；
S10.结合学者专业特长评分和用户学者专业特长评分权重进行打分，获得推荐学者列表。
作为优选的技术方案，步骤S2中，所述深度学习方法具体为：
S201.利用基于卷积注意力网络CAN-NER的深度学习方法提取学者信息和用户输入信息中的命名实体；
S202.利用DeepType方法进行实体链接，消除歧义；
S203.对获得的实体结合学者信息和用户输入信息的文本内容使用基于注意力的双向长短期记忆网络Att-BLSTM进行关系抽取；
S204.将获得的三元组以RDF的形式进行存储；
所述的实体是指学者研究的“对象”以及从该对象中获得的“结果”；
所述的关系是指为从对象中获得结果所使用的“方法”。
作为优选的技术方案，步骤S3中，获取学者信息中实体的权重，是指利用TF-IDF算法结合学者专业特长词典对每篇论文的标题、摘要和关键字，专利的标题和摘要以及国基项目的标题和关键字进行词汇提取并获得其权重；
所述的学者专业特长词典的构建，是指提取RDF中的所有实体，将其作为学者专业特长词典中的词汇；
所述的TF-IDF算法与学者专业特长词典的结合，是指在分词过程中加入学者专业特长词典里的词汇以提高分词的准确度，同时在TF-IDF过程中仅计算词典里词汇的权重。
作为优选的技术方案，步骤S4中，在进行知识图谱向量化之前需要将学者专业特长词典中的实体以及学者与实体间的关系添加进知识图谱中。
作为优选的技术方案，步骤S5中，所述学者专业特长熟练度评价采用下述公式：
Figure BDA0002319016210000041
其中，Si为学者的专业特长熟练度评价，i代表学者序号；ai,bi,ci分别表示学者i的论文，专利和国基项目总数，k为这些项目的序号；Iik为论文发表期刊影响力因子；Oik为作者顺位因子；Iik为发表时间因子；Tik为专利类型因子；Mik为国基项目申请金额因子；[K0…Kn]ik为对应论文，专利或国基项目的学者专业特长权重向量，其长度等于学者专业特长词典中词汇的数量；
所述的作者顺位因子随作者项目位次降低而减少，所述的发表时间因子随项目距今发表时间增加而降低，所述的专利类型因子随专利类型的不同而不同，所述的国基项目申请金额因子随申请金额的增加而增加。
作为优选的技术方案，步骤S5中，所述学者专业特长专注度评价采用下述公式：
Figure BDA0002319016210000051
Figure BDA0002319016210000052
其中，Fi为学者专业特长专注度评价向量，i代表学者序号，n为学者专业特长词典中实体的数量；Kij为学者i对实体j专注度的评价；si为学者i的节点向量；r为学者与专业特长的关系向量；wk为专业特长k的节点向量。
作为优选的技术方案，步骤S6中，所述的学者专业特长评分生成公式为：
Figure BDA0002319016210000053
其中，Ri为学者专业特长评分向量。
作为优选的技术方案，步骤S9中，所述的用户学者专业特长评分权重，其生成步骤如下：
S901.初始化一个值全为0的向量，其长度等于学者专业特长词典里实体的数量；
S902.对比学者专业特长知识图谱和用户需求知识图谱，将共同存在的节点所对应的向量的分量加上一个0到1之间的权重值i；
S903.对比学者专业特长知识图谱和用户需求知识图谱，将存在共同类型的边且该边的起点和终点均相同的两个节点所对应的向量的分量加上一个0到1之间的权重值j；
S904.将所有权重值相加，获得用户学者专业特长评分权重向量。
作为优选的技术方案，步骤S10中，所述的推荐学者列表，其排名计算公式为：
Figure BDA0002319016210000061
其中，Li为学者i最终的用户推荐评分；[U0…Un]为用户学者专业特长评分权重向量。
作为优选的技术方案，步骤S1中，所述的学者信息为论文标题、摘要和关键字，专利标题，摘要以及国基项目标题和关键字；
步骤S7中，所述的实体及其关系合并，是指将与该学者相关的所有学者信息所对应的RDF三元组进行合并，构成学者专业特长知识图谱；
步骤S10中，所述的推荐学者列表按照用户推荐评分的降序对学者进行排列。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明使用翻译嵌入算法将知识图谱的节点和边向量化表示，再对这些向量进行计算，使得对实体和关系的分析更加深入和高效。
(2)本发明使用学者专业特长词典来对学者研究内容进行提取与分析，极大的减少了无效或者无意义的词语的出现，同时加快内容提取的速度和准确度。
(3)本发明借鉴TF-IDF的思想，结合学者专业特长熟练度评价以及学者专业特长专注度评价进行打分，提高推荐的准确度。
(4)本发明通过将文本信息转化为知识图谱，可以跟详尽的分析各知识及其之间的关系，从而提高推荐的准确度。
附图说明
图1是本发明的推荐方法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例的一种基于知识图谱的专业特长学者推荐方法，包括以下步骤：
(1)获取由清华大学Aminer团队发布的学术知识图谱Open Academic Graph2019，并提取其学者及学者信息，论文和期刊节点存入图数据库Neo4j中，一般的学者信息为论文标题、摘要和关键字，专利标题，摘要以及国基项目标题和关键字。
(2)根据知识图谱中的学者信息获取学者的专利标题，摘要以及国基项目标题，关键字并连同学者和论文信息存入文档数据库MongoDB中。
(3)利用深度学习方法抽取学者信息和用户输入信息中的实体及其关系。
具体步骤为：
(3.1)利用基于卷积注意力网络(CAN-NER)的深度学习方法提取学者信息和用户输入信息中的命名实体；
(3.2)利用DeepType方法进行实体链接，消除歧义；
(3.3)对获得的实体结合学者信息和用户输入信息的文本内容使用基于注意力的双向长短期记忆网络(Att-BLSTM)进行关系抽取；
(3.4)将获得的三元组以RDF的形式存入文档数据库MongoDB中。
(4)提取RDF中的所有实体存入文档数据库MongoDB中，构建学者专业特长词典。
(5)提取出文档数据库MongoDB中的论文的标题，摘要和关键字，专利的标题和摘要以及国基项目的标题和关键字，利用TF-IDF算法结合学者专业特长词典对其中的内容进行分词，根据算法获取各学者信息的学者专业特长词典所属词汇的权重。
(6)结合多维度的信息进行学者专业特长熟练度评价，其公式如下：
Figure BDA0002319016210000081
Si为学者的专业特长评分，i代表学者序号；ai,bi,ci分别表示学者i的论文，专利和国基项目总数，k为这些项目的序号；Iik为论文发表期刊影响力因子；Oik为作者顺位因子；Iik为发表时间因子；Tik为专利类型因子；Mik为国基项目申请金额因子；[K0…Kn]ik为对应论文，专利或国基项目的学者专业特长权重向量，其长度等于学者专业特长词典中词汇的数量。
并且，作者顺位因子随作者项目位次降低而减少，所述的发表时间因子随项目距今发表时间增加而降低，所述的专利类型因子随专利类型的不同而不同，所述的国基项目申请金额因子随申请金额的增加而增加。
(6)将分析出学者专业特长词典中的实体和学者与实体间的关系添加进图数据库Neo4j中。利用TransD算法将知识图谱中的节点和关系向量化。
(7)根据学者向量，专业特长向量及其关系向量计算出学者专业特长专注度评价，其公式如下：
Figure BDA0002319016210000091
Figure BDA0002319016210000092
Fi为学者专业特长专注度评分向量，i代表学者序号，n为学者专业特长词典中实体的数量；Kij为学者i对实体j专注度的评分；si为学者i经过映射后的节点向量；r为学者与专业特长的关系向量；wk为专业特长k经过映射后的节点向量。
(8)结合学者专业特长评分和学者专业特长专注度评分获得学者专业特长画像，其公式如下：
Figure BDA0002319016210000093
其中，Ri为学者专业特长评分向量。
(9)提取文档数据库MongoDB中的RDF三元组，对每位学者，将与该学者相关的所有学者信息所对应的RDF三元组进行合并，构成学者专业特长知识图谱；将与用户输入信息所对应的RDF三元组进行合并，构成用户需求知识图谱。
(11)结合两个知识图谱获得用户学者专业特长专注评分权重，其具体步骤如下：
(11.1)初始化一个值全为0的向量，其长度等于学者专业特长词典里实体的数量；
(11.2)对比学者专业特长知识图谱和用户需求知识图谱，将共同存在的节点所对应的向量的分量加上权重值0.5；
(11.3)对比学者专业特长知识图谱和用户需求知识图谱，将存在共同类型的边且该边的起点和终点均相同的两个节点所对应的向量的分量加上权重值1；
(11.4)将所有权重值相加，获得用户学者专业特长专注评分权重向量。
(12)结合学者专业特长评分和用户学者专业特长专注评分权重进行打分，获得推荐学者列表，其排名计算公式如下：
Figure BDA0002319016210000101
Li为学者i最终的用户推荐评分；[U0…Un]为用户学者专业特长专注评分权重向量。推荐学者列表按照用户推荐评分的降序对学者进行排列。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.基于知识图谱的专业特长学者推荐方法，其特征在于，包括下述步骤：
S1.根据现有知识图谱获取学者信息并存入数据库中；
S2.利用深度学习方法抽取学者信息和用户输入信息中的实体及其关系；
步骤S2中，所述深度学习方法具体为：
S201.利用基于卷积注意力网络CAN-NER的深度学习方法提取学者信息和用户输入信息中的命名实体；
S202.利用DeepType方法进行实体链接，消除歧义；
S203.对获得的实体结合学者信息和用户输入信息的文本内容使用基于注意力的双向长短期记忆网络Att-BLSTM进行关系抽取；
S204.将获得的三元组以RDF的形式进行存储；
所述的实体是指学者研究的“对象”以及从该对象中获得的“结果”；
所述的关系是指为从对象中获得结果所使用的“方法”；
S3.构建学者专业特长词典并根据专业特长词典获取学者信息中实体的权重；获取学者信息中实体的权重，是指利用TF-IDF算法结合学者专业特长词典对每篇论文的标题、摘要和关键字，专利的标题和摘要以及国基项目的标题和关键字进行词汇提取并获得其权重；
所述的学者专业特长词典的构建，是指提取RDF中的所有实体，将其作为学者专业特长词典中的词汇；
所述的TF-IDF算法与学者专业特长词典的结合，是指在分词过程中加入学者专业特长词典里的词汇以提高分词的准确度，同时在TF-IDF过程中仅计算词典里词汇的权重；
S4.利用翻译嵌入算法将知识图谱中的节点和关系向量化；在进行知识图谱向量化之前需要将学者专业特长词典中的实体以及学者与实体间的关系添加进知识图谱中；
S5.结合多维度的信息进行学者专业特长熟练度评价并根据各向量间的关系计算出学者专业特长专注度评价；所述学者专业特长熟练度评价采用下述公式：
Figure FDA0004063417110000021
其中，Si为学者的专业特长熟练度评价，i代表学者序号；ai,bi,ci分别表示学者i的论文，专利和国基项目总数，k为这些项目的序号；Iik为论文发表期刊影响力因子；Oik为作者顺位因子；Yik为发表时间因子；Tik为专利类型因子；Mik为国基项目申请金额因子；[K0…Kn]ik为对应论文，专利或国基项目的学者专业特长权重向量，其长度等于学者专业特长词典中词汇的数量；
所述的作者顺位因子随作者项目位次降低而减少，所述的发表时间因子随项目距今发表时间增加而降低，所述的专利类型因子随专利类型的不同而不同，所述的国基项目申请金额因子随申请金额的增加而增加；
所述学者专业特长专注度评价采用下述公式：
Figure FDA0004063417110000022
Figure FDA0004063417110000023
其中，Fi为学者专业特长专注度评价向量，i代表学者序号，n为学者专业特长词典中实体的数量；Kij为学者i对实体j专注度的评价；si为学者i的节点向量；r为学者与专业特长的关系向量；wk为专业特长k的节点向量
S6.综合两个评价信息获得学者专业特长评分；
S7.将每位学者的学者信息中的实体及其关系合并，构成学者专业特长知识图谱；所述的学者专业特长评分生成公式为：
Figure FDA0004063417110000024
其中，Ri为学者专业特长评分向量；
S8.将用户输入信息中的实体及其关系合并，构成用户需求知识图谱；所述的用户学者专业特长评分权重，生成步骤如下：
S901.初始化一个值全为0的向量，其长度等于学者专业特长词典里实体的数量；
S902.对比学者专业特长知识图谱和用户需求知识图谱，将共同存在的节点所对应的向量的分量加上一个0到1之间的权重值；
S903.对比学者专业特长知识图谱和用户需求知识图谱，将存在共同类型的边且该边的起点和终点均相同的两个节点所对应的向量的分量加上一个0到1之间的权重值；
S904.将所有权重值相加，获得用户学者专业特长评分权重向量；
S9.结合两个知识图谱获得用户学者专业特长评分权重；
S10.结合学者专业特长评分和用户学者专业特长评分权重进行打分，获得推荐学者列表。
2.根据权利要求1所述的基于知识图谱的专业特长学者推荐方法，其特征在于，步骤S10中，所述的推荐学者列表，其排名计算公式为：
Figure FDA0004063417110000031
其中，Li为学者i最终的用户推荐评分；[U0…Un]为用户学者专业特长评分权重向量。
3.根据权利要求1所述的基于知识图谱的专业特长学者推荐方法，其特征在于，步骤S1中，所述的学者信息为论文标题、摘要和关键字，专利标题，摘要以及国基项目标题和关键字；
步骤S7中，所述的实体及其关系合并，是指将与该学者相关的所有学者信息所对应的RDF三元组进行合并，构成学者专业特长知识图谱；
步骤S10中，所述的推荐学者列表按照用户推荐评分的降序对学者进行排列。
CN201911290719.2A 2019-12-16 2019-12-16 基于知识图谱的专业特长学者推荐方法 Active CN111143672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911290719.2A CN111143672B (zh) 2019-12-16 2019-12-16 基于知识图谱的专业特长学者推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911290719.2A CN111143672B (zh) 2019-12-16 2019-12-16 基于知识图谱的专业特长学者推荐方法

Publications (2)

Publication Number Publication Date
CN111143672A CN111143672A (zh) 2020-05-12
CN111143672B true CN111143672B (zh) 2023-04-28

Family

ID=70518265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911290719.2A Active CN111143672B (zh) 2019-12-16 2019-12-16 基于知识图谱的专业特长学者推荐方法

Country Status (1)

Country Link
CN (1) CN111143672B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000811A (zh) * 2020-08-25 2020-11-27 北京搜狗科技发展有限公司 一种医生信息的处理方法及装置
CN112069388B (zh) * 2020-09-02 2023-07-21 上海风秩科技有限公司 实体推荐方法、系统、计算机设备和计算机可读存储介质
CN112667885B (zh) * 2020-12-04 2022-08-16 四川长虹电器股份有限公司 一种耦合社会信任信息的矩阵分解协同过滤方法和系统
CN112463950B (zh) * 2020-12-10 2023-10-24 中国科学院深圳先进技术研究院 文献搜索方法、装置及电子设备
CN112905891B (zh) * 2021-03-05 2021-12-10 中国科学院计算机网络信息中心 基于图神经网络的科研知识图谱人才推荐方法及装置
CN113742495B (zh) * 2021-09-07 2024-02-23 平安科技（深圳）有限公司 基于预测模型的评级特征权重确定方法及装置、电子设备
CN114547275B (zh) * 2022-01-10 2023-04-25 华南理工大学 基于学者研究兴趣知识图谱的学者推荐方法、系统及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171213A (zh) * 2018-01-22 2018-06-15 北京邮电大学 一种适用图文知识图谱的关系抽取方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171213A (zh) * 2018-01-22 2018-06-15 北京邮电大学 一种适用图文知识图谱的关系抽取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李楠等.基于成果特征的学者学术专长识别方法.图书情报工作.2019,(第20期),全文. *

Also Published As

Publication number Publication date
CN111143672A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111143672B (zh) 基于知识图谱的专业特长学者推荐方法
CN110298037B (zh) 基于增强注意力机制的卷积神经网络匹配的文本识别方法
CN106776711B (zh) 一种基于深度学习的中文医学知识图谱构建方法
CN106844658B (zh) 一种中文文本知识图谱自动构建方法及系统
CN107180045B (zh) 一种互联网文本蕴含地理实体关系的抽取方法
CN105528437B (zh) 一种基于结构化文本知识提取的问答系统构建方法
CN108681557B (zh) 基于自扩充表示和相似双向约束的短文本主题发现方法及系统
CN102663129A (zh) 医疗领域深度问答方法及医学检索系统
CN112966091B (zh) 一种融合实体信息与热度的知识图谱推荐系统
CN105808768A (zh) 一种基于图书的概念-描述词知识网络的构建方法
CN110888991B (zh) 一种弱标注环境下的分段式语义标注方法
CN112507109A (zh) 一种基于语义分析与关键词识别的检索方法和装置
Sadr et al. Unified topic-based semantic models: A study in computing the semantic relatedness of geographic terms
CN113761890A (zh) 一种基于bert上下文感知的多层级语义信息检索方法
CN114048305A (zh) 一种基于图卷积神经网络的行政处罚文书的类案推荐方法
CN114997288A (zh) 一种设计资源关联方法
CN112632250A (zh) 一种多文档场景下问答方法及系统
CN114707516A (zh) 一种基于对比学习的长文本语义相似度计算方法
CN112417170B (zh) 面向不完备知识图谱的关系链接方法
CN112084312B (zh) 一种基于知识图构建的智能客服系统
CN112015907A (zh) 一种学科知识图谱快速构建方法、装置及存储介质
Wang et al. Understanding the spatial dimension of natural language by measuring the spatial semantic similarity of words through a scalable geospatial context window
Netisopakul et al. A survey of Thai knowledge extraction for the semantic web research and tools
CN116227594A (zh) 面向多源数据的医疗行业高可信度知识图谱的构建方法
CN113342950B (zh) 基于语义联合的答案选取方法及系统

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
GR01 Patent grant
GR01 Patent grant