本發(fā)明涉及信息檢索和智能匹配技術(shù)，特別是涉及一種基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法。

背景技術(shù)：

1、在科研項(xiàng)目管理中，常常需要為科技項(xiàng)目篩選合適的項(xiàng)目負(fù)責(zé)人或合作者。良好的科研合作有助于提高研究質(zhì)量，從而推動(dòng)項(xiàng)目高質(zhì)量、高效率的完成?？蒲泻献骺偸强梢詭韰f(xié)同效應(yīng)，即一群學(xué)者專家的綜合專業(yè)知識(shí)往往可以產(chǎn)生遠(yuǎn)超個(gè)人能力的卓越成果。因此，如何為科研項(xiàng)目選擇合適的學(xué)者專家將會(huì)直接影響到相關(guān)工作的質(zhì)量。然而，為不同的項(xiàng)目匹配合適的專家往往非常復(fù)雜，因?yàn)椴煌瑢W(xué)者的專業(yè)知識(shí)、研究興趣和項(xiàng)目經(jīng)歷具有多樣性，且通常會(huì)隨著時(shí)間的推移不斷變化，這使得評(píng)估專家與項(xiàng)目的適配性相當(dāng)具有挑戰(zhàn)性。

2、基于信息檢索技術(shù)計(jì)算項(xiàng)目與專家匹配度的方法是通過將學(xué)者信息與科研項(xiàng)目信息通過數(shù)據(jù)挖掘技術(shù)轉(zhuǎn)化為多維向量，進(jìn)而借助向量相似度來衡量二者之間的匹配度。該方法衍生出了多種不同的算法，如信息檢索、協(xié)同過濾算法等。此外，伴隨著檢索技術(shù)的不斷進(jìn)步，越來越多的相關(guān)技術(shù)被提出，如數(shù)據(jù)挖掘、向量空間模型和潛在語義檢索等智能技術(shù)。這些算法主要是為了提升專家與項(xiàng)目之間的匹配精度，進(jìn)而實(shí)現(xiàn)減少繁瑣人工操作的目的。而隨著匹配問題的深入研究，基于最優(yōu)解思想計(jì)算項(xiàng)目集與專家集之間相似度的方法被應(yīng)用于匹配問題中。例如，許多學(xué)者受到數(shù)學(xué)模型的啟發(fā)，將貪婪算法與進(jìn)化算法、關(guān)系圖譜、二部圖譜等引入專家匹配過程。

3、然而，現(xiàn)有的科研項(xiàng)目專家智能匹配技術(shù)存在諸多局限性。一方面，現(xiàn)有研究主要聚焦于算法的優(yōu)化上，雖然在精度上有一定的提升，但是面臨著運(yùn)算量和運(yùn)營成本高等問題，難以應(yīng)用與實(shí)際工作中。另一方面，專家學(xué)者的過往研究經(jīng)歷和興趣領(lǐng)域信息未被充分挖掘，大部分算法主要借助合作網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)來進(jìn)行鏈路預(yù)測，進(jìn)而達(dá)到項(xiàng)目專家推薦或匹配的功能。由于學(xué)者側(cè)的特征信息沒有得到有效利用，導(dǎo)致匹配的結(jié)果并不理想。

4、需要說明的是，在上述背景技術(shù)部分公開的信息僅用于對(duì)本技術(shù)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于克服上述背景技術(shù)中存在的缺陷，提供一種基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法，包括以下步驟：

4、s1.構(gòu)建表示科研合作網(wǎng)絡(luò)的動(dòng)態(tài)復(fù)雜網(wǎng)絡(luò)圖，包括學(xué)者節(jié)點(diǎn)和表示合作關(guān)系的有向邊，以及與邊相關(guān)聯(lián)的時(shí)間戳；其中，以論文為連邊，其第一作者為中心節(jié)點(diǎn)，其他作者為鄰居節(jié)點(diǎn)，連邊的方向從論文的第一作者指向其他作者，時(shí)間戳表示論文發(fā)表的時(shí)間；

5、s2.為網(wǎng)絡(luò)中的每個(gè)學(xué)者節(jié)點(diǎn)學(xué)習(xí)一個(gè)特征向量，該向量用于捕捉節(jié)點(diǎn)的屬性；

6、s3.利用預(yù)訓(xùn)練語言模型對(duì)節(jié)點(diǎn)特征向量進(jìn)行初始化；

7、s4.根據(jù)構(gòu)建的動(dòng)態(tài)復(fù)雜網(wǎng)絡(luò)圖和節(jié)點(diǎn)關(guān)系，將每篇論文的第一作者節(jié)點(diǎn)及其相關(guān)鄰居節(jié)點(diǎn)的信息進(jìn)行整合，構(gòu)建用于transformer模型訓(xùn)練的查詢序列和鍵值對(duì)數(shù)據(jù)；

8、s5.通過transformer模型的多頭注意力機(jī)制，對(duì)查詢序列和鍵值對(duì)數(shù)據(jù)進(jìn)行處理，以學(xué)習(xí)科研項(xiàng)目與專家學(xué)者之間的匹配性；

9、s6.在模型訓(xùn)練完成后，固定模型參數(shù)，通過推理過程得到學(xué)者節(jié)點(diǎn)的表征向量，為科研項(xiàng)目匹配最合適的專家學(xué)者。

10、進(jìn)一步地，步驟s3具體包括：

11、在模型訓(xùn)練前，采用預(yù)熱方法，從預(yù)訓(xùn)練語言模型中提煉信息，以用于節(jié)點(diǎn)特征向量的初始化；

12、將節(jié)點(diǎn)的初始向量與預(yù)訓(xùn)練語言模型的詞嵌入向量空間進(jìn)行對(duì)齊，以提高模型訓(xùn)練的效率；

13、將初始向量設(shè)置為低維度，以防止過擬合，同時(shí)為模型訓(xùn)練提供合適的起點(diǎn)；

14、將預(yù)熱后的低維度向量投影到高維向量空間，以對(duì)齊文本嵌入向量，確保節(jié)點(diǎn)表征與模型輸出向量維度一致。

15、進(jìn)一步地，所述預(yù)熱方法的操作包括：在損失函數(shù)中引入負(fù)樣本集，增強(qiáng)模型對(duì)正負(fù)樣本的區(qū)分能力，提升節(jié)點(diǎn)初始向量的質(zhì)量，采用對(duì)數(shù)幾率的形式來計(jì)算節(jié)點(diǎn)特征向量與文本向量之間的相似度，并通過優(yōu)化這一相似度來學(xué)習(xí)初始向量；由此，為每個(gè)節(jié)點(diǎn)學(xué)習(xí)到一個(gè)有價(jià)值的初始向量。

16、進(jìn)一步地，所述預(yù)熱方法的實(shí)現(xiàn)公式為：

17、

18、其中，表示富文本連邊構(gòu)成的負(fù)樣本集，表示與之對(duì)應(yīng)的文本向量；為作者節(jié)點(diǎn)學(xué)習(xí)到有價(jià)值的初始向量。

19、進(jìn)一步地，步驟s4中，利用bert模型處理論文文本，提取文本特征向量；確定每篇論文的第一作者作為中心節(jié)點(diǎn)，其他作者作為鄰居節(jié)點(diǎn)，通過拼接中心節(jié)點(diǎn)的文本特征向量與鄰居節(jié)點(diǎn)的表征，構(gòu)建查詢序列；并利用中心作者節(jié)點(diǎn)的表征向量作為鍵（key），與其歷史項(xiàng)目經(jīng)歷的向量表示作為值（value），構(gòu)建鍵值對(duì)數(shù)據(jù)，所述鍵值對(duì)數(shù)據(jù)用于transformer模型的訓(xùn)練，以學(xué)習(xí)中心作者節(jié)點(diǎn)與其歷史項(xiàng)目經(jīng)歷之間的關(guān)聯(lián)性，從而增強(qiáng)模型對(duì)科研項(xiàng)目與專家學(xué)者匹配性的學(xué)習(xí)。

20、進(jìn)一步地，步驟s4中，查詢序列的構(gòu)建具體包括：

21、通過bert模型處理中心節(jié)點(diǎn)關(guān)聯(lián)的文本，生成中心文本連邊的特征向量，并將該特征向量與鄰居節(jié)點(diǎn)的表征向量進(jìn)行拼接，構(gòu)建用于transformer模型訓(xùn)練的查詢序列，用于匹配科研項(xiàng)目與專家學(xué)者；其中，在構(gòu)建查詢序列時(shí)，將中心節(jié)點(diǎn)的文本特征向量與鄰居節(jié)點(diǎn)的表征向量依次拼接，以整合鄰居節(jié)點(diǎn)的信息，形成完整的查詢序列；對(duì)于中心作者節(jié)點(diǎn)，將其表征向量與歷史項(xiàng)目經(jīng)歷的向量表示進(jìn)行拼接，形成另一個(gè)查詢序列，用于學(xué)習(xí)中心作者節(jié)點(diǎn)的詳細(xì)信息。

22、進(jìn)一步地，步驟s5中，通過transformer模型的多頭注意力機(jī)制處理查詢序列和鍵值對(duì)數(shù)據(jù)時(shí)，采用非對(duì)稱的注意力頭輸入數(shù)據(jù)，以適應(yīng)科研項(xiàng)目專家匹配任務(wù)。

23、進(jìn)一步地，步驟s6中，通過推理過程得到學(xué)者節(jié)點(diǎn)的表征向量包含中心作者節(jié)點(diǎn)的過往科研合作歷史和與查詢序列相近的向量結(jié)構(gòu)。

24、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序由處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法。

25、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序由處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法。

26、本發(fā)明具有如下有益效果：

27、本發(fā)明提出了一種基于動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)的科研項(xiàng)目專家匹配方法，創(chuàng)新地結(jié)合了動(dòng)態(tài)學(xué)術(shù)合作網(wǎng)絡(luò)圖表征學(xué)習(xí)和transformer模型，實(shí)現(xiàn)科研項(xiàng)目與專家學(xué)者之間的高效匹配。通過構(gòu)建一個(gè)綜合考慮學(xué)者過往研究歷史和合作經(jīng)歷的文本復(fù)雜網(wǎng)絡(luò)，本發(fā)明不僅提升了匹配精度，而且在兩個(gè)基于dblp數(shù)據(jù)庫構(gòu)建的數(shù)據(jù)集中達(dá)到了80%以上的匹配精度，而標(biāo)準(zhǔn)化折扣累積收益更是在89%以上。本發(fā)明的方法通過將復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)重構(gòu)為序列數(shù)據(jù)，利用transformer的多頭注意力機(jī)制，有效地捕捉了學(xué)者節(jié)點(diǎn)的多維特征，包括時(shí)間特性和合作信息，從而簡化了匹配過程并提高了效率。此外，本發(fā)明解決了現(xiàn)有技術(shù)中忽視學(xué)者側(cè)特征信息的問題，通過深入挖掘?qū)＜覍W(xué)者的過往研究經(jīng)歷和興趣領(lǐng)域信息，提供了一個(gè)更為全面和精準(zhǔn)的匹配框架。與現(xiàn)有技術(shù)相比，本發(fā)明在技術(shù)、成本和效率上都顯示出明顯優(yōu)勢，尤其是在處理具有時(shí)域和文本異質(zhì)的動(dòng)態(tài)網(wǎng)絡(luò)時(shí)，能夠更好地建模并提高匹配精度。這種方法的實(shí)用性和創(chuàng)新性為科研項(xiàng)目管理領(lǐng)域帶來了新的解決方案，為學(xué)術(shù)社交網(wǎng)絡(luò)應(yīng)用中推薦合適合作者的過程提供了強(qiáng)有力的技術(shù)支持。

28、本發(fā)明實(shí)施例中的其他有益效果將在下文中進(jìn)一步述及。