[发明专利]时态感知学术信息的论文推荐方法、系统及介质

权利要求书

1.一种时态感知学术信息的论文推荐方法，其特征在于，包括：

对用户信息和论文信息进行特征提取，得到用户特征数据、论文特征数据和评分数据；

根据所述用户特征数据、论文特征数据和评分数据，对神经网络进行训练，得到初始推荐模型；

通过时态感知函数对所述初始推荐模型进行动态加权处理，得到目标推荐模型；

根据所述目标推荐模型，确定推荐的论文；

所述根据所述用户特征数据、论文特征数据和评分数据，对神经网络进行训练，得到初始推荐模型，包括：

通过时态感知矩阵分解模型对用户与论文之间的线性关系进行学习；

通过多层感知机对用户与论文之间的非线性关系进行学习；

根据所述线性关系与所述非线性关系的学习结果，确定用户与论文之间的交互结构；

所述通过时态感知矩阵分解模型对用户与论文之间的线性关系进行学习，包括：

将用户标识和被用户标记过的论文作为输入特征，将所述输入特征转换成具有单热点编码的二维稀疏向量；

通过嵌入层将所述稀疏向量映射到稠密向量的全连通层；

通过神经协同过滤层映射潜在向量的预测分数；

通过隐藏层和输出层得到论文的预测评分；

所述通过多层感知机对用户与论文之间的非线性关系进行学习，包括：

对于每一个用户，通过单热点编码得到用户的二进制向量；

将所有用户的二进制向量整合为内嵌矩阵；

将提取到的论文特征数据和所述内嵌矩阵嵌入至输入层；所述用户特征数据和论文特征数据包括交互特征、属性特征和文本特征；

将所述交互特征、属性特征和文本特征作为向量嵌入，输入至多层感知机中，对输入的低维稠密嵌入向量进行合并，确定用户和论文之间的非线性关系。

2.根据权利要求1所述的一种时态感知学术信息的论文推荐方法，其特征在于，所述通过时态感知函数对所述初始推荐模型进行动态加权处理，得到目标推荐模型，包括：

通过四种时态感知函数对初始推荐模型进行动态加权处理；

所述四种时态感知函数包括线性时态感知函数、逻辑时态感知函数、指数时态感知函数以及艾宾浩斯时态感知函数。

3.根据权利要求1所述的一种时态感知学术信息的论文推荐方法，其特征在于，所述对用户信息和论文信息进行特征提取，得到用户特征数据、论文特征数据和评分数据，包括：

对所述用户信息以及被用户标记过的论文信息进行特征提取，得到用户标识以及所述论文的评价标签数据；

将所述论文信息输入Doc2Vec的训练模型中，得到论文的文档向量数据，所述文档向量数据包括论文的标识、论文的主旨以及论文中的专业术语；

根据用户对论文标记的标签信息，确定用户-论文关系列表，所述用户-论文关系列表包括用户标识、论文标识、标记时间以及标签类别。

4.根据权利要求1所述的一种时态感知学术信息的论文推荐方法，其特征在于，将所述论文信息输入Doc2Vec的训练模型中，得到论文的文档向量数据，包括：

获取被用户标记过的论文信息；

将所述论文信息转换为多个向量；

将所述多个向量连接成句向量；

根据所述句向量以及相应的上下文信息，确定下一个词向量，直至得到论文的文档向量数据。

5.根据权利要求1所述的一种时态感知学术信息的论文推荐方法，其特征在于，根据所述目标推荐模型，确定推荐的论文，包括：

通过所述目标推荐模型确定预测概率，所述预测概率代表用户对自己没有打过标签的论文的感兴趣概率；

根据各个论文的预测概率，构建论文推荐列表；

根据所述论文推荐列表，通过Top-N推荐算法向用户推荐论文。