面向產(chǎn)學(xué)研的推薦算法與推薦系統(tǒng)研究.pdf

1、隨著國(guó)家大力推進(jìn)產(chǎn)學(xué)研合作，企業(yè)與學(xué)校、研究所之間如何建立聯(lián)系，企業(yè)如何轉(zhuǎn)化研究人員的研究成果，成為亟待解決的問題。而僅僅依靠企業(yè)在互聯(lián)網(wǎng)上搜索符合自身需求的研究人員的方式，耗時(shí)很長(zhǎng)且效率較低。
　　本文重點(diǎn)圍繞如何根據(jù)專家發(fā)表的論文為企業(yè)推薦專家的問題，對(duì)專家推薦中涉及到的文本表示模型與相似度計(jì)算進(jìn)行研究、分析與實(shí)現(xiàn)。在實(shí)現(xiàn)專家推薦之前，本文首先研究了聚類中如何選擇文本表示模型以及如何進(jìn)行相似度計(jì)算。聚類與推薦有一個(gè)共同的特點(diǎn)，

2、在確定文本表示模型之后，都需要計(jì)算文本相似度，但是聚類結(jié)果有多種評(píng)價(jià)方法，而推薦的評(píng)價(jià)則需要?dú)v史數(shù)據(jù)的支撐。本文根據(jù)聚類結(jié)果的好壞，選擇一個(gè)最優(yōu)的文本表示模型及相似度計(jì)算方法，并將該種方法應(yīng)用于專家推薦中，實(shí)現(xiàn)為企業(yè)推薦專家專家的目標(biāo)。
　　本文的主要工作如下:
　　(1)獲取專家論文摘要數(shù)據(jù)集與企業(yè)需求數(shù)據(jù)集，專家摘要數(shù)據(jù)集來自虛擬現(xiàn)實(shí)領(lǐng)域近五年的論文，該部分?jǐn)?shù)據(jù)從中國(guó)知網(wǎng)爬取。企業(yè)需求數(shù)據(jù)集來自昆山科技局委托三螺旋產(chǎn)學(xué)研

3、大數(shù)據(jù)服務(wù)中心，從中人工挑選了500條虛擬現(xiàn)實(shí)領(lǐng)域的企業(yè)需求。
　　(2)針對(duì)文本表示模型進(jìn)行研究對(duì)比，分析了傳統(tǒng)的文本表示模型的不足，提出利用內(nèi)容向量與語義向量共同表示文本的方法，并在計(jì)算文本相似度時(shí)將不同向量模型得到的相似度計(jì)算結(jié)果進(jìn)行加權(quán)，得到最終的文本相似度。
　　(3)針對(duì)(2)中研究的問題進(jìn)行實(shí)驗(yàn)論證。根據(jù)文本的聚類結(jié)果對(duì)比不同模型的優(yōu)劣，實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)的文本表示模型及相似度計(jì)算方法，TF-IDF&LD

4、A的聚類效果最好，但是計(jì)算時(shí)間較長(zhǎng)。Word2Vec&LDA的聚類效果略差于TF-IDF&LDA，但是耗時(shí)很短。
　　(4)通過(3)的研究工作，本文得出了最優(yōu)的文本表示模型及相似度計(jì)算方法，將該成果應(yīng)用于專家推薦中，并計(jì)算推薦結(jié)果的F值，評(píng)價(jià)推薦結(jié)果的好壞。
　　(5)設(shè)計(jì)并實(shí)現(xiàn)了本文的專家推薦系統(tǒng)，企業(yè)在推薦系統(tǒng)的輸入界面上，本系統(tǒng)就可以輸出相關(guān)專家。
　　本課題最終設(shè)計(jì)實(shí)現(xiàn)了專家推薦系統(tǒng)，經(jīng)過實(shí)驗(yàn)表明，該系統(tǒng)具有