买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：本发明提供了一种基于关系感知和语义增强的论文推荐方法，属于智能推荐系统领域，采用了先进的预训练和微调技术，包括Bert‑LSTM、Bert‑ATT和ChatGLM，构建了一个高效的论文学科分类器；通过这种方式，为推荐论文池中的每一篇论文赋予了伪标签；设计了一个基于用户‑论文交互的辅助任务，旨在预测两篇论文是否属于同一学科；本发明采用了对比学习方法，这种方法通过提高同学科论文或用户嵌入之间的相似性，同时拉远不同学科表示之间的距离；还采用了分步更新的策略；最终，使用收敛后的模型来计算用户对论文的评分，并生成个性化的推荐列表。本发明在充分利用语义关系的基础上，不仅提高了推荐系统的新颖性和用户满意度，而且实现了更精准、个性化的论文推荐。

主权项：1.一种基于关系感知和语义增强的论文推荐方法，其特征在于，包括以下步骤：S1、根据和鲸社区-ChatGLM实践大赛-论文学科分类获得学科分类数据集PaperSubject，获得不同学科的论文的标题、摘要、及学科分类信息；同时使用AMiner、DBLP、及CiteULike数据集，获取用户、论文的交互数据信息；S2、根据上述数据集PaperSubject，同时利用大型语言模型ChatGLM-6B对数据集中的数据进行精细调整，开发用于学术论文学科分类的分类器；S3、使用上述分类器，为AMiner、DBLP、及CiteULike三个数据集中的论文标注伪学科标签；同时根据用于阅读论文的伪学科标签为用户标注伪学科列表；S4、构建图神经网络模型，该模型包括编码器和学科判别器；S5、选取样本论文，然后随机选取另一篇论文，预测选取的两篇论文是否为同一学科领域；上述预测任务以真实标签为基准，通过计算预测损失评估图神经网络模型的性能；S6、选择同一学科的用户论文作为其正样本，同时选择不同学科领域的用户论文作为负样本，通过计算预测损失评估图神经网络模型在区分不同学科领域方面的性能；S7、利用用户与论文之间的交互数据，将用户互动过的论文标记为正样本，而用户未互动的论文则作为负样本，基于贝叶斯个性化排名方法，计算BPR损失；然后结合S5计算出的预测损失和S6计算出的对比损失，计算出图神经网络模型最终的整体损失；S8、采用反向传播算法来更新模型，并持续进行训练，直至图神经网络模型达到收敛状态；在图神经网络模型训练完成后，使用最终获得的嵌入向量来为用户和论文计算评分；基于这些评分，输出推荐列表，向用户提供个性化的学术推荐服务。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于关系感知和语义增强的论文推荐方法