基于知识图谱的专家画像生成与推荐方法研究与应用
这是一篇关于专家推荐,知识图谱,文本聚类,K-means,TransR,矩阵分解的论文, 主要内容为随着我国科学技术的全面发展,需要进行评估、决策的发展战略、研究课题、工程项目迅速增长。其中,评审专家的遴选和推荐是决定项目评审质量的核心环节。为保证专家推荐的合理性、准确性,智能化专家推荐方法的研究与应用,已经成为研究热点之一。为此,本文深入研究了已有的专家推荐方法与系统,研究应用先进的知识图谱技术来生成专家画像,对推荐模型开展优化研究,并设计和实现了一个基于知识图谱的专家管理与推荐系统。本文主要研究工作和成果如下:1、设计了基于文本的专家信息抽取技术,通过分词和词性标注、并列词性再识别、命名实体识别、专家信息提取四个步骤,将非结构化的专家信息文本转化成结构化的数据。2、提出了一种基于专家画像的实体消歧算法(Entity Disambiguation Based on Expert Persona,EDEP)。针对专家的重复信息,通过构建专家画像,建立多维度的特征模型,基于特征相似度进行层次聚类,最后得到描述专家特征的统一特征模型。实验结果表明,该算法弥补了传统算法不适合实体属性多或者存在大量空属性的不足。3、提出了一种基于聚类知识图谱的协同过滤推荐算法(Collaborative Filtering Recommendation Algorithm Based on Clustering Knowledge Graph,CKG-CF)。使用K-means算法挖掘实体之间的隐藏关系,并通过Trans R算法将学习到的关系嵌入到知识图谱中,最后和基于矩阵分解的协同过滤算法进行融合。实验结果表明,与传统算法相比,该算法可以提升RSME和MAE的指标。4、基于上述研究成果,采用Spring Boot+My Batis+Vue框架,设计开发了一个基于知识图谱的专家管理与推荐系统。该系统可以实现专家信息的存储、维护、检索,可以提供专家基本信息、相关研究领域及其成果等信息,可以比较准确地推荐不同领域的专家。主要贡献:提出了一种基于专家画像的实体消歧算法,提出了一种基于聚类知识图谱的协同过滤推荐算法,设计开发了一个基于知识图谱的专家管理与推荐系统。
基于知识图谱的专家画像生成与推荐方法研究与应用
这是一篇关于专家推荐,知识图谱,文本聚类,K-means,TransR,矩阵分解的论文, 主要内容为随着我国科学技术的全面发展,需要进行评估、决策的发展战略、研究课题、工程项目迅速增长。其中,评审专家的遴选和推荐是决定项目评审质量的核心环节。为保证专家推荐的合理性、准确性,智能化专家推荐方法的研究与应用,已经成为研究热点之一。为此,本文深入研究了已有的专家推荐方法与系统,研究应用先进的知识图谱技术来生成专家画像,对推荐模型开展优化研究,并设计和实现了一个基于知识图谱的专家管理与推荐系统。本文主要研究工作和成果如下:1、设计了基于文本的专家信息抽取技术,通过分词和词性标注、并列词性再识别、命名实体识别、专家信息提取四个步骤,将非结构化的专家信息文本转化成结构化的数据。2、提出了一种基于专家画像的实体消歧算法(Entity Disambiguation Based on Expert Persona,EDEP)。针对专家的重复信息,通过构建专家画像,建立多维度的特征模型,基于特征相似度进行层次聚类,最后得到描述专家特征的统一特征模型。实验结果表明,该算法弥补了传统算法不适合实体属性多或者存在大量空属性的不足。3、提出了一种基于聚类知识图谱的协同过滤推荐算法(Collaborative Filtering Recommendation Algorithm Based on Clustering Knowledge Graph,CKG-CF)。使用K-means算法挖掘实体之间的隐藏关系,并通过Trans R算法将学习到的关系嵌入到知识图谱中,最后和基于矩阵分解的协同过滤算法进行融合。实验结果表明,与传统算法相比,该算法可以提升RSME和MAE的指标。4、基于上述研究成果,采用Spring Boot+My Batis+Vue框架,设计开发了一个基于知识图谱的专家管理与推荐系统。该系统可以实现专家信息的存储、维护、检索,可以提供专家基本信息、相关研究领域及其成果等信息,可以比较准确地推荐不同领域的专家。主要贡献:提出了一种基于专家画像的实体消歧算法,提出了一种基于聚类知识图谱的协同过滤推荐算法,设计开发了一个基于知识图谱的专家管理与推荐系统。
基于知识图谱的专家画像生成与推荐方法研究与应用
这是一篇关于专家推荐,知识图谱,文本聚类,K-means,TransR,矩阵分解的论文, 主要内容为随着我国科学技术的全面发展,需要进行评估、决策的发展战略、研究课题、工程项目迅速增长。其中,评审专家的遴选和推荐是决定项目评审质量的核心环节。为保证专家推荐的合理性、准确性,智能化专家推荐方法的研究与应用,已经成为研究热点之一。为此,本文深入研究了已有的专家推荐方法与系统,研究应用先进的知识图谱技术来生成专家画像,对推荐模型开展优化研究,并设计和实现了一个基于知识图谱的专家管理与推荐系统。本文主要研究工作和成果如下:1、设计了基于文本的专家信息抽取技术,通过分词和词性标注、并列词性再识别、命名实体识别、专家信息提取四个步骤,将非结构化的专家信息文本转化成结构化的数据。2、提出了一种基于专家画像的实体消歧算法(Entity Disambiguation Based on Expert Persona,EDEP)。针对专家的重复信息,通过构建专家画像,建立多维度的特征模型,基于特征相似度进行层次聚类,最后得到描述专家特征的统一特征模型。实验结果表明,该算法弥补了传统算法不适合实体属性多或者存在大量空属性的不足。3、提出了一种基于聚类知识图谱的协同过滤推荐算法(Collaborative Filtering Recommendation Algorithm Based on Clustering Knowledge Graph,CKG-CF)。使用K-means算法挖掘实体之间的隐藏关系,并通过Trans R算法将学习到的关系嵌入到知识图谱中,最后和基于矩阵分解的协同过滤算法进行融合。实验结果表明,与传统算法相比,该算法可以提升RSME和MAE的指标。4、基于上述研究成果,采用Spring Boot+My Batis+Vue框架,设计开发了一个基于知识图谱的专家管理与推荐系统。该系统可以实现专家信息的存储、维护、检索,可以提供专家基本信息、相关研究领域及其成果等信息,可以比较准确地推荐不同领域的专家。主要贡献:提出了一种基于专家画像的实体消歧算法,提出了一种基于聚类知识图谱的协同过滤推荐算法,设计开发了一个基于知识图谱的专家管理与推荐系统。
基于知识图谱的个性化食谱推荐算法研究与实现
这是一篇关于知识图谱,个性化推荐,推荐算法,RippleNet改进,TransR的论文, 主要内容为随着中国经济高速发展,人们对美好饮食的需求日益增长。个性化、多样化的食谱推荐能更好的满足人们的饮食需求,进而刺激食品消费,助力国内大循环、国内国际双循环和经济发展。因此,设计高效获取个性化食谱的推荐成为有现实意义的课题。本研究主要基于知识图谱实现个性化食谱推荐,主要贡献如下:(1)提出了一种利用知识图谱扩散偏好的数据集增强方法。针对自制食谱数据集用户-食谱交互记录稀疏的问题,利用Ripple Net偏好传播思想,将偏好扩散知识图谱上的高频共有属性实体采样放入正样本,无共有属性实体采样放入负样本以增强用户-食谱交互记录。(2)提出了利用共有属性采样改进的Ripplenet-CA模型。针对Ripple Net兴趣传播深度受限问题和推荐结果多样性不足的问题,Ripple Net-CA模型从采样方法和评估指标方面进行改进。利用共有属性频率的随机采样,保留特征中的共有属性频率信息以增强推荐多样性和准确率。其次设计控制采样力度的误差门限和多样性指标以验证改进模型对推荐多样性的影响。(3)提出了联合Trans R损失函数进行训练的Ripple Net-Trans R模型。针对Ripple Net模型原知识图谱损失函数Rescal对知识图谱头尾实体和关系间带的交互刻画能力差的问题,添加Trans R知识图谱损失函数。Trans R损失函数旨在优化模型的知识图谱头尾节点交互关系感知能力,使得训练得到的知识图谱嵌入能更好的表示食谱知识图谱的结构。这种改进使得模型更加准确地预测用户的偏好,并能够更好地进行推荐排序。同时,Trans R损失函数还能够防止模型出现过拟合的情况,提高了模型的泛化能力。(4)使用Neo4j构建了食谱知识图谱并完成个性化食谱推荐。针对关系型数据库对于图模型处理能力弱的问题,使用Neo4j构建基于图模型的知识图谱,在食谱知识图谱上进行食谱推荐。综上所述,本研究通过训练用户偏好和待推荐食谱的嵌入向量、计算偏好和食谱的相似度并排序得到推荐列表。其中,数据集增强方法降低了食谱数据集的稀疏性;Ripple Net-CA模型提升了推荐结果的多样性;Ripple Net-Trans R模型提升了Ripple Net模型对不同关系的感知能力;基于Neo4j的个性化食谱推荐提高了数据库查询效率,增强了推荐结果的可解释性。这些改进可以帮助推荐更好地满足用户需求,提升用户体验,从而刺激人们的食品消费。
基于知识图谱的专家画像生成与推荐方法研究与应用
这是一篇关于专家推荐,知识图谱,文本聚类,K-means,TransR,矩阵分解的论文, 主要内容为随着我国科学技术的全面发展,需要进行评估、决策的发展战略、研究课题、工程项目迅速增长。其中,评审专家的遴选和推荐是决定项目评审质量的核心环节。为保证专家推荐的合理性、准确性,智能化专家推荐方法的研究与应用,已经成为研究热点之一。为此,本文深入研究了已有的专家推荐方法与系统,研究应用先进的知识图谱技术来生成专家画像,对推荐模型开展优化研究,并设计和实现了一个基于知识图谱的专家管理与推荐系统。本文主要研究工作和成果如下:1、设计了基于文本的专家信息抽取技术,通过分词和词性标注、并列词性再识别、命名实体识别、专家信息提取四个步骤,将非结构化的专家信息文本转化成结构化的数据。2、提出了一种基于专家画像的实体消歧算法(Entity Disambiguation Based on Expert Persona,EDEP)。针对专家的重复信息,通过构建专家画像,建立多维度的特征模型,基于特征相似度进行层次聚类,最后得到描述专家特征的统一特征模型。实验结果表明,该算法弥补了传统算法不适合实体属性多或者存在大量空属性的不足。3、提出了一种基于聚类知识图谱的协同过滤推荐算法(Collaborative Filtering Recommendation Algorithm Based on Clustering Knowledge Graph,CKG-CF)。使用K-means算法挖掘实体之间的隐藏关系,并通过Trans R算法将学习到的关系嵌入到知识图谱中,最后和基于矩阵分解的协同过滤算法进行融合。实验结果表明,与传统算法相比,该算法可以提升RSME和MAE的指标。4、基于上述研究成果,采用Spring Boot+My Batis+Vue框架,设计开发了一个基于知识图谱的专家管理与推荐系统。该系统可以实现专家信息的存储、维护、检索,可以提供专家基本信息、相关研究领域及其成果等信息,可以比较准确地推荐不同领域的专家。主要贡献:提出了一种基于专家画像的实体消歧算法,提出了一种基于聚类知识图谱的协同过滤推荐算法,设计开发了一个基于知识图谱的专家管理与推荐系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://bishedaima.com/lunwen/54372.html
