基于知识图谱的论文推荐算法的研究与设计
这是一篇关于学术论文推荐,知识图谱,图神经网络的论文, 主要内容为随着科学技术的不断进步,每年都会有各个领域的大量论文得以发表,如何从海量的论文数据中挑选出符合科研用户兴趣和需要的论文,以减少用户的搜索成本,是一个亟待解决的问题。在人工智能技术的浪潮下,设计一个针对学术论文的推荐系统逐渐成为解决上述问题的有效途径。现有的论文推荐系统大多是基于引用网络、合著关系或者信息内容进行推荐,然而对于具有多种类型特征信息的学术论文而言,仅仅采用这种方式得到的推荐结果往往差强人意。基于学术论文复杂的特征信息,本文将构建学术论文的知识图谱,并将其引入到推荐系统中。而由于知识图谱数据结构的复杂性,一般的推荐系统中无论是基于嵌入的方法还是基于元路径的方法都无法有效利用知识图谱中的信息。为此,本文提出了一种基于学术论文知识图谱和图注意力神经网络的论文推荐模型——PKGAT,主要工作可以概括为以下两个部分:1.构建学术论文知识图谱,并设计基于知识图谱和图神经网络的论文推荐算法。为了有效利用用户交互信息,提出新的图模型,将用户交互信息和论文知识图谱结合成为协同知识图谱,然后对图神经网络结构进行了改进,引入了类型感知的邻域信息聚合方式,实验结果证明新网络能更加有效利用用户-论文交互信息和学术论文知识图谱中的信息,在实际的论文推荐场景下能达到良好的推荐效果。2.根据实际的应用场景需求,本文设计了并实现了群智开放创新平台的相关功能。群智开放创新平台将PKGAT模型应用于Web端,能够实现学术论文的推荐检索,并结合推荐结果,为各类科研创新项目比赛赋能。该网站的运行结果验证了本文研究和设计工作的正确性和有效性。
基于知识图谱的论文推荐算法的研究与设计
这是一篇关于学术论文推荐,知识图谱,图神经网络的论文, 主要内容为随着科学技术的不断进步,每年都会有各个领域的大量论文得以发表,如何从海量的论文数据中挑选出符合科研用户兴趣和需要的论文,以减少用户的搜索成本,是一个亟待解决的问题。在人工智能技术的浪潮下,设计一个针对学术论文的推荐系统逐渐成为解决上述问题的有效途径。现有的论文推荐系统大多是基于引用网络、合著关系或者信息内容进行推荐,然而对于具有多种类型特征信息的学术论文而言,仅仅采用这种方式得到的推荐结果往往差强人意。基于学术论文复杂的特征信息,本文将构建学术论文的知识图谱,并将其引入到推荐系统中。而由于知识图谱数据结构的复杂性,一般的推荐系统中无论是基于嵌入的方法还是基于元路径的方法都无法有效利用知识图谱中的信息。为此,本文提出了一种基于学术论文知识图谱和图注意力神经网络的论文推荐模型——PKGAT,主要工作可以概括为以下两个部分:1.构建学术论文知识图谱,并设计基于知识图谱和图神经网络的论文推荐算法。为了有效利用用户交互信息,提出新的图模型,将用户交互信息和论文知识图谱结合成为协同知识图谱,然后对图神经网络结构进行了改进,引入了类型感知的邻域信息聚合方式,实验结果证明新网络能更加有效利用用户-论文交互信息和学术论文知识图谱中的信息,在实际的论文推荐场景下能达到良好的推荐效果。2.根据实际的应用场景需求,本文设计了并实现了群智开放创新平台的相关功能。群智开放创新平台将PKGAT模型应用于Web端,能够实现学术论文的推荐检索,并结合推荐结果,为各类科研创新项目比赛赋能。该网站的运行结果验证了本文研究和设计工作的正确性和有效性。
面向学术论文推荐的深度对齐矩阵分解模型及应用
这是一篇关于学术论文推荐,学术论文表示,学术论文分类,深度学习的论文, 主要内容为在信息爆炸的时代,让研究人员高效地找到其感兴趣的学术论文,已经成为学术界和工业界亟需解决的一个问题。学术论文推荐系统可以在一定程度上解决这个问题。推荐系统通过对用户和学术论文进行建模,进而找到与某个特定用户兴趣相匹配的若干论文并予以推荐。学术论文推荐算法大体上可以分为基于内容的学术论文推荐算法、基于协同过滤的学术论文推荐算法和基于多数据源的混合学术论文推荐算法。其中基于内容的学术论文推荐算法是最早被广泛使用一种方法,旨在向用户推荐和其已交互的学术论文具有相似的文本内容的学术论文。使用这种算法做出的学术论文推荐一定程度上能让用户满意,然而仅仅推荐内容上相似的论文,推荐结果相对单一,缺乏多样性。近些年,CiteULike和Mendeley等学术社交网络提供了大量的“用户-论文”交互数据。利用这些交互数据,基于矩阵分解的协同过滤推荐算法成为学术论文推荐的主流方法,然而这类方法通常面临严重的交互数据稀疏和冷启动的问题。针对基于内容和基于协同过滤方法各自存在的问题,多数据源混合的推荐算法引起了大家的广泛关注,它们可以融合内容和交互两种信息,充分利用两种信息弥补相互的不足,从而可以获得更好的推荐效果。然而,如何有机地融合多数据源,充分利用不同数据源之间的相关性和互补性,仍然是值得深入研究的问题。针对这一问题,本文基于内容数据和交互数据,首次提出一种基于对齐的深度矩阵分解模型,并用于学术论文推荐。论文的主要工作包括:1.面向学术论文推荐任务,提出了一种深度对齐矩阵分解模型,该模型可以更有效地利用多数据源的异构性和相关性。首先,考虑到数据源之间的异构性,利用深度矩阵分解模型,分别从不同的数据源学习到用户和学术论文的低维向量表示。其次,为充分利用数据源之间的相关性,达到信息互补的目的,本文首次提出一种“对齐”的思想,“对齐”是指从两个不同数据源学到的两种论文表示尽可能的相近。通过“对齐”可以更好地融合不同的数据源,做到信息的相互补充。在学术论文推荐领域的两个标准数据集上的实验表明,相比较其它主流方法,本文提出的深度对齐矩阵分解模型有效地提高了学术论文推荐的性能。2.为了进一步验证本文提出的深度对齐矩阵分解模型的有效性和通用性,本文将该模型应用于学术论文的表示学习。从论文的引用关系和论文的内容两种数据源出发,学习学术论文的低维向量表示,并通过学术论文分类的任务,验证本文提出的模型可以学到更好的论文表示。此外,为了进一步研究模型中“论文-单词”矩阵的原始输入表示对于最终论文表示的影响,尝试利用0/1,tfidf,pmi及其变体等不同的方法去初始表示“论文-单词”矩阵,实验表明,0/1原始表示最终可以取得最好的论文表示结果。本文提出的深度对齐矩阵分解模型在学术论文推荐和学术论文表示上的应用的所有相关代码和数据都已放在了 http://114.212.189.51:2012/projects/damf。
基于知识图谱的论文推荐算法的研究与设计
这是一篇关于学术论文推荐,知识图谱,图神经网络的论文, 主要内容为随着科学技术的不断进步,每年都会有各个领域的大量论文得以发表,如何从海量的论文数据中挑选出符合科研用户兴趣和需要的论文,以减少用户的搜索成本,是一个亟待解决的问题。在人工智能技术的浪潮下,设计一个针对学术论文的推荐系统逐渐成为解决上述问题的有效途径。现有的论文推荐系统大多是基于引用网络、合著关系或者信息内容进行推荐,然而对于具有多种类型特征信息的学术论文而言,仅仅采用这种方式得到的推荐结果往往差强人意。基于学术论文复杂的特征信息,本文将构建学术论文的知识图谱,并将其引入到推荐系统中。而由于知识图谱数据结构的复杂性,一般的推荐系统中无论是基于嵌入的方法还是基于元路径的方法都无法有效利用知识图谱中的信息。为此,本文提出了一种基于学术论文知识图谱和图注意力神经网络的论文推荐模型——PKGAT,主要工作可以概括为以下两个部分:1.构建学术论文知识图谱,并设计基于知识图谱和图神经网络的论文推荐算法。为了有效利用用户交互信息,提出新的图模型,将用户交互信息和论文知识图谱结合成为协同知识图谱,然后对图神经网络结构进行了改进,引入了类型感知的邻域信息聚合方式,实验结果证明新网络能更加有效利用用户-论文交互信息和学术论文知识图谱中的信息,在实际的论文推荐场景下能达到良好的推荐效果。2.根据实际的应用场景需求,本文设计了并实现了群智开放创新平台的相关功能。群智开放创新平台将PKGAT模型应用于Web端,能够实现学术论文的推荐检索,并结合推荐结果,为各类科研创新项目比赛赋能。该网站的运行结果验证了本文研究和设计工作的正确性和有效性。
基于知识图谱的论文推荐算法的研究与设计
这是一篇关于学术论文推荐,知识图谱,图神经网络的论文, 主要内容为随着科学技术的不断进步,每年都会有各个领域的大量论文得以发表,如何从海量的论文数据中挑选出符合科研用户兴趣和需要的论文,以减少用户的搜索成本,是一个亟待解决的问题。在人工智能技术的浪潮下,设计一个针对学术论文的推荐系统逐渐成为解决上述问题的有效途径。现有的论文推荐系统大多是基于引用网络、合著关系或者信息内容进行推荐,然而对于具有多种类型特征信息的学术论文而言,仅仅采用这种方式得到的推荐结果往往差强人意。基于学术论文复杂的特征信息,本文将构建学术论文的知识图谱,并将其引入到推荐系统中。而由于知识图谱数据结构的复杂性,一般的推荐系统中无论是基于嵌入的方法还是基于元路径的方法都无法有效利用知识图谱中的信息。为此,本文提出了一种基于学术论文知识图谱和图注意力神经网络的论文推荐模型——PKGAT,主要工作可以概括为以下两个部分:1.构建学术论文知识图谱,并设计基于知识图谱和图神经网络的论文推荐算法。为了有效利用用户交互信息,提出新的图模型,将用户交互信息和论文知识图谱结合成为协同知识图谱,然后对图神经网络结构进行了改进,引入了类型感知的邻域信息聚合方式,实验结果证明新网络能更加有效利用用户-论文交互信息和学术论文知识图谱中的信息,在实际的论文推荐场景下能达到良好的推荐效果。2.根据实际的应用场景需求,本文设计了并实现了群智开放创新平台的相关功能。群智开放创新平台将PKGAT模型应用于Web端,能够实现学术论文的推荐检索,并结合推荐结果,为各类科研创新项目比赛赋能。该网站的运行结果验证了本文研究和设计工作的正确性和有效性。
基于知识图谱的论文推荐算法的研究与设计
这是一篇关于学术论文推荐,知识图谱,图神经网络的论文, 主要内容为随着科学技术的不断进步,每年都会有各个领域的大量论文得以发表,如何从海量的论文数据中挑选出符合科研用户兴趣和需要的论文,以减少用户的搜索成本,是一个亟待解决的问题。在人工智能技术的浪潮下,设计一个针对学术论文的推荐系统逐渐成为解决上述问题的有效途径。现有的论文推荐系统大多是基于引用网络、合著关系或者信息内容进行推荐,然而对于具有多种类型特征信息的学术论文而言,仅仅采用这种方式得到的推荐结果往往差强人意。基于学术论文复杂的特征信息,本文将构建学术论文的知识图谱,并将其引入到推荐系统中。而由于知识图谱数据结构的复杂性,一般的推荐系统中无论是基于嵌入的方法还是基于元路径的方法都无法有效利用知识图谱中的信息。为此,本文提出了一种基于学术论文知识图谱和图注意力神经网络的论文推荐模型——PKGAT,主要工作可以概括为以下两个部分:1.构建学术论文知识图谱,并设计基于知识图谱和图神经网络的论文推荐算法。为了有效利用用户交互信息,提出新的图模型,将用户交互信息和论文知识图谱结合成为协同知识图谱,然后对图神经网络结构进行了改进,引入了类型感知的邻域信息聚合方式,实验结果证明新网络能更加有效利用用户-论文交互信息和学术论文知识图谱中的信息,在实际的论文推荐场景下能达到良好的推荐效果。2.根据实际的应用场景需求,本文设计了并实现了群智开放创新平台的相关功能。群智开放创新平台将PKGAT模型应用于Web端,能够实现学术论文的推荐检索,并结合推荐结果,为各类科研创新项目比赛赋能。该网站的运行结果验证了本文研究和设计工作的正确性和有效性。
面向语义推理的多视角学术知识图谱构建方法研究与应用
这是一篇关于语义推理,知识图谱,图网络学习,学术论文推荐的论文, 主要内容为知识是人类创新的发展力。人们在实践中发现、研究知识并且创新知识,人类通过知识不断地改造社会。如今,网络世界的信息纷繁复杂,许多冗余、重复的信息干扰了人们的视线,因此,让学术人员快速、准确地定位到其感兴趣的知识是一项十分重要的任务。搜索与推荐可以帮助人们实现这一目标。但是,以往的搜索与推荐一般只是从统计的角度出发,经常被点击的项目具有更高的权重,而并不是从人类理解的角度出发,真正得到语义相关的知识。知识图谱的出现使这一问题迎刃而解。知识图谱将网络上的实体整合成一个语义网络,通过在知识图谱上的路径推理,系统可以将真正语义上有紧密联系的实体展示出来。在学术研究领域,学术论文是人们获取知识的中心来源,而学术论文以解决学术问题为宗旨。为了解决各种各样的问题,创新性的方法也是论文的主要贡献。由此可见,问题与方法都是理解论文的不同角度。从前,很少有人将论文的问题及方法抽取出来作为知识图谱中的节点,而如何从非结构化文本中抽取出这两种实体也是一个难点。与此同时,一般的实体抽取算法需要大量标注数据,这在大数据量的情况下十分损耗人力物力。因此,本文的目标是用少量标注数据完成大数据量下的问题及方法抽取,并构建一个将问题及方法作为节点的学术知识图谱,以进一步解决语义推理等问题。本文的主要工作如下:(1)提出了基于图神经网络的多视角概念抽取算法。已经有许多学者成功构建出学术知识图谱,但将问题与方法抽取出来作为节点的知识图谱少之又少。而与已有方法不同的是,本文提出了一种关于领域、问题及方法的假设,能够准确地区分问题及方法,在迭代自训练过程中应用由该假设所作的约束,实现半监督学习。针对论文中的每一个句子,给句子中的每个单词分配标签,标签是问题或方法。在学习特征向量的过程中,单词的上下文向量表示会与所属关键词在网络中的结构向量表示进行融合,使用神经网络学习融合后的特征,用两个不同的目标函数进行最终的预测;在模型自训练过程中加入由假设所做的约束,使模型能够自动向着分类结果更准确的方向发展,从而节省大量标注数据的工作。(2)提出了基于胶囊网络的学术论文推荐算法。以上一步构建出的知识图谱为辅助信息,根据某用户点击的论文,在知识图谱中得到与其语义上紧密相关的论文作为候选论文列表,通过用户的点击行为学习用户与论文的特征,使用胶囊网络提取上述特征,预测用户对于论文的评分,从而对候选论文进行评分排序,选取排名靠前的论文推荐给用户。在数据集上验证了实验结果的准确性。
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：毕设导航 ，原文地址：https://m.bishedaima.com/lunwen/56239.html
