[发明专利]一种基于树形结构表示的评审者推荐方法

权利要求书

1.一种基于树形结构表示的评审者推荐方法，其特征在于：所述方法包括以下步骤：

步骤A、生成评审者树：根据已有数据集属性与数据内在的层次关系，通过树形结构将不同的数据集组织起来；一位评审者的数据包括传记、所发表论文和论文引用参考文献，依据三种数据的特征信息的内在逻辑，构建“传记-论文-参考文献”三层评审者树；

步骤B、基于树形结构特征表示进行评审者推荐：首先进行评审者树的特征表示，基于树形结构，提取层级节点的相似信息与局部差异信息对节点进行重构，自底向上进行信息融合，最终得到树形结构的特征表示；最后通过计算特征表示之间的余弦距离得到推荐结果。

2.根据权利要求1所述的方法，其特征在于：所述步骤A包括以下步骤：

步骤A1、评审者树的构建：根据数据集本身所具有的层次逻辑结构，将数据组织成树形结构；评审者树的第一层根节点表示评审者的传记简介信息，所述传记简介信息包括评审者的教育经历、学术研究情况和工作职位信息，第二层每一个节点代表该评审者所写的一篇论文，第二层的节点总数代表评审者所发表的论文的总数，从第二层节点延伸出来的第三层节点表示该论文所引用的参考文献；

步骤A2、节点特征提取：每个样本被表示为一棵树，对于一棵树由许多节点组成，每个节点包含了节点的索引信息，即该节点是这颗树的第几个节点、节点在树中所处的层数、节点的父亲节点的索引、节点的孩子节点的索引以及节点的属性特征；所述节点的属性特征为使用Bert模型获取的文本的Embedding表示。

3.根据权利要求2所述的方法，其特征在于：所述步骤B包括以下步骤：

步骤B1、树形结构的特征表示：自倒数第二层向上对节点进行重构，直至达到顶层节点，此时重构后的根节点融合了下层孩子节点的信息，是最终的树形结构的特征表示；

步骤B2、对重构后的根节点特征向量计算余弦距离，得到两位评审者的相似度，基于相似度进行评审者推荐。

4.根据权利要求3所述的方法，其特征在于：在步骤B1中，所述节点重构的过程具体为：

步骤B11、使用K-means进行聚类，以该节点的所有孩子节点进行输入，获得c个聚簇中心，通过计算每个节点到其所属聚簇中心的距离与所属聚簇大小得到节点的全局判别信息权重，提取同层孩子节点相似信息；

步骤B12、建立局部感知重构模型，获取孩子节点对父亲节点的局部信息补充的权重，局部重构模型会有针对性的衡量一个孩子节点对父亲节点的信息补充能力，在信息补充的角度上，对父亲节点重构能力差的孩子节点，对父亲节点信息补充能力越强，具有更高的权重；

步骤B13、结合全局判别权重与局部信息补充权重对孩子节点的属性进行加权，得到当前节点的局部属性；

步骤B14、通过平衡系数调整局部属性的重要程度，将节点的局部属性与原始属性进行融合，从而得到节点最终的重构特征。