[发明专利]一种基于深度对齐矩阵分解模型进行学术论文推荐的方法

权利要求书

1.一种基于深度对齐矩阵分解模型进行学术论文推荐的方法，其特征在于，包括如下步骤：

步骤1，构建论文与用户输入矩阵U、论文与单词输入矩阵P；

步骤2，通过第一个非线性多层感知器对输入矩阵U做矩阵分解，将用户和论文映射同一个低维空间上，分别得到用户的低维表示向量v_u和论文的低维表示向量v_p；通过第二个非线性多层感知器对输入矩阵P做矩阵分解，将论文和单词映射同一个低维空间上，分别得到论文的低维表示向量v’_p和单词的低维表示向量v_z；

步骤3，轮流训练第一个非线性多层感知器和第二个非线性多层感知器，通过两个非线性多层感知器，分别将用户和论文，论文和单词映射到相同维度的低维特征空间，通过最大化该维度下同一论文的两种表示之间的相似度，在每一个感知器中，都加入论文两种表示之间的相似度约束；

步骤4，根据每个用户的低维表示向量v_u和候选论文表示(v_p+v’_p)之间的内积值，给用户推荐论文。

2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：

步骤1-1，每一个用户由唯一的用户id标识，每一篇论文由唯一的论文id标识，每一个用户拥有一个在线收藏夹，其中存放着其感兴趣的论文；由用户的在线收藏夹构建论文与用户输入矩阵U_M*N：如果论文i在用户j的在线收藏夹中，则矩阵U的第i行第j列值U_ij为1，否则为0；

步骤1-2，论文的文本内容包括论文的标题和摘要，对每篇论文处理得到该论文的关键词列表，将所有论文的关键词列表一起构成关键词词典Vocab，Vocab中总共包含T个单词，其中从而构建论文与单词输入矩阵P_N*T：如果单词Vk(k∈[0,T-1])在论文i中，则矩阵P的第i行第k列值P_ik为1，否则为0。

3.根据权利要求2所述的方法，其特征在于，步骤1-2中，采用如下方法对每篇论文处理得到该论文的关键词列表：对论文中的每个单词求其tfidf值，然后对所有的单词按照其tfidf值的大小降序排序，选择tfidf值前10的单词作为关键词列表返回。