欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202310555397X
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:提出一种时间跨度动态感知的多任务推荐方法MDRec包括以下步骤:步骤1:构建学术异构信息网络图,将数据集建模为所述学术异构信息网络图,其中包括用户、论文、发表地、关键词四种节点以及写作关系、阅读关系、引用关系、从属关系、发表关系等节点之间的关系;通过学术异构信息网络子图提取函数,从预设时间段角度,获取长时间跨度下的学术异构信息网络子图,通过所述提取函数,从预设年份角度获取短时间跨度下的学术异构信息网络子图;

步骤2:异构实体特征表示学习,根据所述学术异构信息网络图,先使用经典语言模型BERT并为其输出添加全连接层来学习关键词语义特征,再通过自注意力机制聚合每篇论文中的关键词语义特征得到论文内容特征;为捕捉用户研究方向特征的动态变化,分别将用户在长时间跨度和短时间跨度内所发表的论文内容特征通过自注意力机制聚合,得到长时间跨度和短时间跨度下用户研究方向特征;在长时间跨度和短时间跨度两个学术异构信息网络子图中嵌入GNN网络,分别捕获长时间和短时间两种跨度下论文受众偏好特征和用户阅读偏好特征;

步骤3:多时间跨度下特征的动态性挖掘,以LSTM为基础,在所述LSTM的输入中,添加所述步骤2中学习到的长时间跨度下的用户研究方向特征、论文受众偏好特征和用户阅读偏好特征,构建与所预测特征相应的预测器,通过向对应预测器内分别输入长时间跨度和短时间跨度下用户研究方向特征以及受众偏好特征与用户阅读偏好特征,得到所预测的用户研究方向特征以及所预测的论文受众偏好特征和用户阅读偏好特征;

步骤4:概率预测,点乘所述论文内容特征和所述步骤3中预测的用户研究方向特征,得到用户的研究方向与论文内容之间的匹配程度,即时效性下的匹配度;点乘通过所述步骤3中预测的论文受众偏好特征和预测的用户阅读偏好特征,得到用户阅读偏好与论文受众偏好之间的匹配程度,即偏好匹配度分数;通过线性融合所述时效性分数和所述偏好匹配度分数得到推荐论文被阅读的概率。

2.根据权利要求1所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:构建所述步骤1学术异构信息网络子图,包括:将数据集中涉及的所有年份按照从小到大的次序排列成集合YL,即YL=[y0,y1,y2,…];

使用学术异构信息网络子图提取函数SubHIN(HIN,Year),提取第l年时间即短时间跨度下的学术异构信息网络子图为Gl=SubHIN(G,YL[l]),其中l∈[0,|YL|),|YL|为所述集合YL的长度;

提取过去m年时间即长时间跨度下的学术异构信息网络子图为Gsub_l=SubHIN(G,YL[max(l-m,0):l]),其中YL[max(l-m,0):l],m∈[0,|YL|)用于控制长时间跨度级别。

3.根据权利要求2所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:为学习所述步骤2中论文内容特征,定义数据集中涉及的所有关键词组成的集合为KL,对经典语言模型BERT的输出添加全连接层,将集合KL输出到语言模型BERT,得到关键词ki的语义特征其中KL=[k0,k1,k2,…],表示所述全连接层的可学习参数矩阵;σ为非线性激活函数;dBERT=768是BERT的输出维度,dK是关键词的最终嵌入维度;为关键词ki的语义特征表示;

为使添加全连接层后的经典语言模型BERT输出的关键词语义特征更贴合论文推荐的场景,设计一预训练任务对所述全连接层进行训练:以三元组的形式构造关键词语义训练集其中当时表示关键词ki和关键词kj被同一篇论文讨论过,否则关键词没有存在于同一篇论文中;定义预训练损失函数为:其中|DK|表示集合DK的个数,表示预测的关键词ki和关键词kj之间的相关性;

根据所述步骤2,通过自注意力机制聚合论文的关键词语义特征就可获取论文内容特征,定义为论文pi的关键词集,为论文内容特征即:其中为论文pi的关键词个数,SA(*)表示自注意力机制,其定义如下:

其中为输入向量,分别表示可学习的查询权重参数矩阵和关键词权重参数矩阵。

4.根据权利要求3所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:根据所述步骤2为获取用户的研究方向的动态变化,首先收集用户ui在短时间跨度下发表的论文以及在长时间跨度下发表的论文通过自注意力机制分别将两个时间跨度下的用户论文内容特征进行融合,得到用户ui在短时间跨度下用户研究方向特征以及用户ui在长时间跨度下用户研究方向特征即

5.根据权利要求4所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:根据所述步骤2为有效捕捉论文的受众偏好特征和用户的阅读偏好特征变化,将长时间跨度和短时间跨度两个学术异构信息网络子图嵌入GNN网络得到:其中表示用户ui在短时间跨度下的阅读偏好特征,表示论文pi在短时间跨度下的受众偏好特征;表示用户ui在长时间跨度下的阅读偏好特征,表示论文pi在长时间跨度下的受众偏好特征,dG为偏好特征的嵌入维度。

6.根据权利要求5所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:为实现所述步骤3多时间跨度下的动态特征挖掘,设计所述步骤3中的预测器为cfLSTM预测器,在所述cfLSTM预测器内输入用户ui当年短时间跨度下研究方向的特征和当年长时间跨度下研究方向的特征可以预测得到用户ui在YL[l+1]年的研究方向特征…

其中是第l个cfLSTM单元格的输出状态,保留第l个cfLSTM单元格的一些数据特征,并作为输入传入下一个cfLSTM单元进行计算;和初始化为0,并且认为没有在YL[l]年发布论文,则默认短时间跨度下用户研究方向特征与前一年相同,即若用户在YL[l]年及之前m年内没有发表论文,则默认长时间跨度下用户研究方向特征也与前一年相同,即如果l=0,那么在长时间跨度下和短时间跨度下用户研究方向特征均为0;cfLSTMl公式如下:其中操作表示拼接,⊙表示Hadamard乘积,为可学习的参数,zl,fl,ol分别是第l个cfLSTM单元的输入门、遗忘门、输出门。

7.根据权利要求6所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:在所述cfLSTM预测器中,使用每年预测的用户研究方向特征和真实的用户研究方向特征之间的余弦相似性来定义用户研究方向特征的损失函数loss2:A1=|U|×|YL|,

其中|U|表示用户数量。

8.根据权利要求7所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:定义通过所述cfLSTM预测器得到用户ui在YL[l]年的阅读偏好特征的预测值为论文pj在YL[l]年的受众偏好特征的预测值为使用与真实的用户阅读偏好特征之间的余弦相似性来定义用户阅读偏好特征的损失函数loss3;使用与真实的论文受众偏好特征之间的余弦相似性来定义论文受众偏好特征的损失函数loss4:A2=|U|×|YL|,A3=|P|×|YL|,

其中

9.根据权利要求8所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:根据步骤4所述,预测用户ui在YL[l]年阅读论文pj的概率为在YL[l]年,通过所述cfLSTM预测器得到的用户研究方向特征的预测值为阅读偏好特征的预测值为和论文pj的受众偏好特征的预测值为通过注意力机制聚合关键词语义特征得到论文内容特征为定义阅读概率:其中,的值表示用户ui的研究方向与论文pj的内容之间的匹配程度,即时效性下的匹配度,的值表示用户ui的阅读偏好与论文pj的受众偏好之间的匹配度,即偏好匹配度分数,α是由模型学习的权重参数,是综合考虑和获得的最终阅读预测值。

10.根据权利要求9所述的一种基于时效性辅助任务驱动的个性化论文推荐方法,其特征在于:对所述阅读概率的预测值,设计一训练任务对其进行训练,以三元组的形式构造训练集D即(ui,rij,pj),其中rij∈{0,1},当rij=0时,表示用户ui没有阅读过论文pj,当rij=1时,表示用户ui阅读过论文pj;

将损失函数定义为:

通过最小化目标函数Θ,使得被推荐给用户的论文具有时效性,Θ定义如下:

Θ=loss5+β(loss4+loss3+loss2)+λL2

其中,β和λ是人为设置的超参数,L2是用于防止模型过拟合的正则化项。