CN111813918A - 一种科技资源推荐处理方法及装置 - Google Patents
一种科技资源推荐处理方法及装置 Download PDFInfo
- Publication number
- CN111813918A CN111813918A CN202010559080.XA CN202010559080A CN111813918A CN 111813918 A CN111813918 A CN 111813918A CN 202010559080 A CN202010559080 A CN 202010559080A CN 111813918 A CN111813918 A CN 111813918A
- Authority
- CN
- China
- Prior art keywords
- scientific
- user
- technological
- interest
- model
- 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
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种科技资源推荐信息处理方法及装置,其中方法包括:获取科技信息资源并建立科技资源库;基于科技资源库中的科技信息资源构建技术图谱并动态更新;基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。与现有技术相比,本发明基于技术图谱和用户的兴趣模型进行推荐信息的生成,无需建立独立的数据库,用技术图谱系统共享资源数据库,提高了系统的响应速度和推荐的准确率。
Description
技术领域
本发明涉及计算机系统领域,尤其是涉及一种科技资源推荐处理方法及装置。
背景技术
在信息流订阅系统中,通常都会有基于兴趣的推荐算法,其目的是为了向用户推荐其感兴趣的内容,包括但不限于资讯、知识等。
但是传统的信息流订阅系统,通常是基于用户的搜索关键词、用户浏览内容的标签及停留时长,或者再叠加一些发表内容的语义识别结果进行信息流的匹配,这种信息流订阅系统尚无法应用于一些例如科研等专业领域,其存在推荐结果不准确,或者推荐的信息流无法满足用户的需求的问题。
对此,一些现有技术期望解决上述技术问题,例如中国专利CN111160699A公开了一种专家推荐方法及系统,该方法包括:根据基础关键词,获取关键词序列;将关键词序列输入到若干现有专家推荐系统中,获取推荐结果集合;对于任一推荐结果序列中的任一专家,根据任一现有专家推荐系统的类型、任一专家在任一推荐结构序列中的推荐程度,获取任一专家的推荐评分;根据每一专家的推荐评分,获取专家推荐结果。本发明实施例提供的一种专家推荐方法及系统,可以在不依赖于本地数据库的前提下,在多个现有的专家推荐系统的基础上,给用户呈现更加全面、标准更加统一的推荐结果序列,从而有效降低科研项目评审管理者的项目管理难度,提升管理效率。然而,上述专家推荐方法及系统由于数据库需要独立维护,因此存在实时性差、稀疏性、冷启动等缺点。
发明内容
本发明的目的就是为了提供一种科技资源推荐信息处理方法及装置,基于技术图谱和用户的兴趣模型进行推荐信息的生成,无需建立独立的数据库,用技术图谱系统共享资源数据库,提高了系统的响应速度和推荐的准确率。
本发明的目的可以通过以下技术方案来实现:
一种科技资源推荐信息处理方法,包括:
获取科技信息资源并建立科技资源库;
基于科技资源库中的科技信息资源构建技术图谱并动态更新;
基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;
基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。
进一步的,所述方法还包括:根据科技信息资源的关联作者和机构,分别建立专家模型和机构模型;
所述推荐信息还包括感兴趣的专家和感兴趣的机构,具体的,基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息还包括:基于兴趣模型和专家模型的匹配,向用户推荐感兴趣的专家,以及基于兴趣模型和机构模型的匹配,向用户推荐感兴趣的机构。
进一步的,所述方法还包括:
基于用户兴趣模型,基于协同过滤推荐算法,获取推荐信息;
将基于协同过滤推荐算法获取的推荐信息,以及基于兴趣模型得到的推荐信息进行融合,并将融合后的推荐信息推送给用户。
进一步的,所述基于科技资源库中的科技信息资源构建技术图谱,包括:
基于科技信息资源,提取实体对象,其中,所述实体对象包括研究领域、研究方向、研究主题、研究者、研究机构、术语、学科分类、关键词、国家、引文文献、引文作者、引文期刊;
通过实体属性自动构建实体间的关系,得到技术图谱。
进一步的,所述方法包括:引用遗忘因子实时更新用户的兴趣模型。
一种科技资源推荐信息处理装置,包括存储器、处理器,以及存储于存储器中并由所属处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
获取科技信息资源并建立科技资源库;
基于科技资源库中的科技信息资源构建技术图谱并动态更新;
基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;
基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。
与现有技术相比,本发明具有以下有益效果:
1)基于技术图谱和用户的兴趣模型进行推荐信息的生成,无需建立独立的数据库,用技术图谱系统共享资源数据库,提高了系统的响应速度和推荐的准确率。
2)还可以实现专家和机构的推荐,拓宽了应用领域。
3)通过混合推荐算法,结合用户平台内外的社会化属性,缓解推荐系统中数据稀疏性和冷启动问题,融合用户知识模型和技术图谱的推荐结果,提高推荐系统的性能,具有较高的研究价值和应用前景。
附图说明
图1为本发明实施方式的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种科技资源推荐信息处理方法,该方法由计算机系统实现,具体的,如图1所示,该方法包括:
获取科技信息资源并建立科技资源库,具体的,从同方知网、国研网、自建资源库、内部项目及科技成果数据、政策法规数据、行业动态数据、专利数据及行业标准数据获取科技信息资源的元数据,进行整合,形成统一的科技创新资源元数据库;
基于科技资源库中的科技信息资源构建技术图谱并动态更新;
基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;
基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。
其中,本实施例中,方法还包括:根据科技信息资源的关联作者和机构,分别建立专家模型和机构模型;与之对应的,推荐信息还包括感兴趣的专家和感兴趣的机构,具体的,基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息还包括:基于兴趣模型和专家模型的匹配,向用户推荐感兴趣的专家,以及基于兴趣模型和机构模型的匹配,向用户推荐感兴趣的机构。
因此,除了实现技术的推荐以外,还可以实现专家和机构的推荐,拓宽了应用领域,从而可以建立专家、机构和技术的专题推荐内容。
通过获取用户注册信息和用户反馈作为显示数据;从用户的浏览行为、内容以及社群信息等获取隐式反馈数据,综合起来可以得到更加准确、可用的用户知识信息。基于标签向量空间模型为基础,即根据用户的标签频率和其他相关数据,将用户兴趣分为具有两个层次的标签树形结构,分别为兴趣主题层,兴趣标签层,以此构建用户知识模型。同时,利用遗传控制法,引用遗忘因子实时更新用户兴趣模型。
基于科技资源库中的科技信息资源构建技术图谱,包括:基于科技信息资源,提取实体对象,其中,实体对象包括研究领域、研究方向、研究主题、研究者、研究机构、术语、学科分类、关键词、国家、引文文献、引文作者、引文期刊;通过实体属性自动构建实体间的关系,得到技术图谱。
方法还包括:基于用户的兴趣模型和基于协同过滤推荐算法,分别获取推荐信息;将两种推荐信息进行融合,并将融合后的推荐信息推送给用户。基于混合推荐算法,通过技术图谱辅助计算出专家、技术、研究及机构的相似度,结合协同过滤推荐算法,可以缓解协同过滤算法数据稀疏性问题。通过融合因子将协同过滤算法得出的推荐结果与基于用户兴趣的知识图谱得出的推荐结果相融合,作为最终的推荐结果向用户推荐。
Claims (10)
1.一种科技资源推荐信息处理方法,其特征在于,包括:
获取科技信息资源并建立科技资源库;
基于科技资源库中的科技信息资源构建技术图谱并动态更新;
基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;
基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。
2.根据权利要求1所述的一种科技资源推荐信息处理方法,其特征在于,所述方法还包括:根据科技信息资源的关联作者和机构,分别建立专家模型和机构模型;
所述推荐信息还包括感兴趣的专家和感兴趣的机构,具体的,基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息还包括:基于兴趣模型和专家模型的匹配,向用户推荐感兴趣的专家,以及基于兴趣模型和机构模型的匹配,向用户推荐感兴趣的机构。
3.根据权利要求1所述的一种科技资源推荐信息处理方法,其特征在于,所述方法还包括:
基于用户兴趣模型,基于协同过滤推荐算法,获取推荐信息;
将基于协同过滤推荐算法获取的推荐信息,以及基于兴趣模型得到的推荐信息进行融合,并将融合后的推荐信息推送给用户。
4.根据权利要求1所述的一种科技资源推荐信息处理方法,其特征在于,所述基于科技资源库中的科技信息资源构建技术图谱,包括:
基于科技信息资源,提取实体对象,其中,所述实体对象包括研究领域、研究方向、研究主题、研究者、研究机构、术语、学科分类、关键词、国家、引文文献、引文作者、引文期刊;
通过实体属性自动构建实体间的关系,得到技术图谱。
5.根据权利要求1所述的一种科技资源推荐信息处理方法,其特征在于,所述方法包括:引用遗忘因子实时更新用户的兴趣模型。
6.一种科技资源推荐信息处理装置,包括存储器、处理器,以及存储于存储器中并由所属处理器执行的程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取科技信息资源并建立科技资源库;
基于科技资源库中的科技信息资源构建技术图谱并动态更新;
基于用户输入的兴趣类型建立用户的兴趣模型,并根据用户的浏览记录更新用户的兴趣模型;
基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息。
7.根据权利要求6所述的一种科技资源推荐信息处理装置,其特征在于,所述处理器执行所述程序时还实现:根据科技信息资源的关联作者和机构,分别建立专家模型和机构模型;
所述推荐信息还包括感兴趣的专家和感兴趣的机构,具体的,基于兴趣模型在向用户推送包括科技信息资源在内的推荐信息还包括:基于兴趣模型和专家模型的匹配,向用户推荐感兴趣的专家,以及基于兴趣模型和机构模型的匹配,向用户推荐感兴趣的机构。
8.根据权利要求1所述的一种科技资源推荐信息处理装置,其特征在于,所述处理器执行所述程序时还实现:
基于用户兴趣模型,基于协同过滤推荐算法,获取推荐信息;
将基于协同过滤推荐算法获取的推荐信息,以及基于兴趣模型得到的推荐信息进行融合,并将融合后的推荐信息推送给用户。
9.根据权利要求1所述的一种科技资源推荐信息处理装置,其特征在于,所述基于科技资源库中的科技信息资源构建技术图谱,包括:
基于科技信息资源,提取实体对象,其中,所述实体对象包括研究领域、研究方向、研究主题、研究者、研究机构、术语、学科分类、关键词、国家、引文文献、引文作者、引文期刊;
通过实体属性自动构建实体间的关系,得到技术图谱。
10.根据权利要求1所述的一种科技资源推荐信息处理装置,其特征在于,所述处理器执行所述程序时还实现:引用遗忘因子实时更新用户的兴趣模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559080.XA CN111813918A (zh) | 2020-06-18 | 2020-06-18 | 一种科技资源推荐处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559080.XA CN111813918A (zh) | 2020-06-18 | 2020-06-18 | 一种科技资源推荐处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111813918A true CN111813918A (zh) | 2020-10-23 |
Family
ID=72846195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010559080.XA Pending CN111813918A (zh) | 2020-06-18 | 2020-06-18 | 一种科技资源推荐处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813918A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131288A (zh) * | 2023-09-07 | 2023-11-28 | 苏州椿之硕信息科技有限公司 | 一种产学研用推荐系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8504583B1 (en) * | 2012-02-14 | 2013-08-06 | Microsoft Corporation | Multi-domain recommendations |
CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及系统 |
CN106557560A (zh) * | 2016-11-11 | 2017-04-05 | 天翼爱音乐文化科技有限公司 | 基于用户兴趣的层次音乐推荐方法 |
CN106802915A (zh) * | 2016-12-09 | 2017-06-06 | 宁波大学 | 一种基于用户行为的学术资源推荐方法 |
CN109388751A (zh) * | 2018-10-08 | 2019-02-26 | 南方电网科学研究院有限责任公司 | 一种智能情报收集推送系统、模块及方法 |
CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 广东宜学通教育科技有限公司 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
-
2020
- 2020-06-18 CN CN202010559080.XA patent/CN111813918A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8504583B1 (en) * | 2012-02-14 | 2013-08-06 | Microsoft Corporation | Multi-domain recommendations |
CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及系统 |
CN106557560A (zh) * | 2016-11-11 | 2017-04-05 | 天翼爱音乐文化科技有限公司 | 基于用户兴趣的层次音乐推荐方法 |
CN106802915A (zh) * | 2016-12-09 | 2017-06-06 | 宁波大学 | 一种基于用户行为的学术资源推荐方法 |
CN109388751A (zh) * | 2018-10-08 | 2019-02-26 | 南方电网科学研究院有限责任公司 | 一种智能情报收集推送系统、模块及方法 |
CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 广东宜学通教育科技有限公司 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
张迪: "基于知识图谱的教学资源推荐方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131288A (zh) * | 2023-09-07 | 2023-11-28 | 苏州椿之硕信息科技有限公司 | 一种产学研用推荐系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Domain-aware Mashup service clustering based on LDA topic model from multiple data sources | |
Liu et al. | Combined mining of Web server logs and web contents for classifying user navigation patterns and predicting users’ future requests | |
US8874552B2 (en) | Automated generation of ontologies | |
Zhang et al. | Personalized social image recommendation method based on user-image-tag model | |
Guo et al. | SOR: An optimized semantic ontology retrieval algorithm for heterogeneous multimedia big data | |
US20210342541A1 (en) | Stable identification of entity mentions | |
Chen et al. | Research on personalized recommendation hybrid algorithm for interactive experience equipment | |
US20230090050A1 (en) | Search architecture for hierarchical data using metadata defined relationships | |
Kwapong et al. | A knowledge graph based framework for web API recommendation | |
Mearaj et al. | Data conversion from traditional relational database to MongoDB using XAMPP and NoSQL | |
Giuzio et al. | INDIANA: An interactive system for assisting database exploration | |
Bellandi et al. | Toward a general framework for multimodal big data analysis | |
DE112016004967T5 (de) | Automatisiertes Auffinden von Informationen | |
CN111813918A (zh) | 一种科技资源推荐处理方法及装置 | |
Walke et al. | The importance of graph databases and graph learning for clinical applications | |
Samih et al. | Translational-randomwalk embeddings-based recommender systems: a pragmatic survey | |
Motohashi et al. | Technological competitiveness of China's internet platformers: comparison of Google and Baidu by using patent text information | |
Ma | A new aggregated search method | |
US20180150543A1 (en) | Unified multiversioned processing of derived data | |
Azzini et al. | Performances of OLAP operations in graph and relational databases | |
Hu et al. | MDT: A Multi-Description Topic based clustering approach for composite-service discovery | |
US10572522B1 (en) | Database for unstructured data | |
US7657417B2 (en) | Method, system and machine readable medium for publishing documents using an ontological modeling system | |
Awangga et al. | Ontology design based on data family planning field officer using OWL and RDF | |
Tejasree et al. | An improved differential bond energy algorithm with fuzzy merging method to improve the document clustering for information mining |
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 |