[发明专利]一种基于用户行为的学术资源推荐方法

说明书

本发明公开了一种基于用户行为的学术资源推荐方法，特点是：包括步骤：①对资源库中所有学术资源从资源类型、学科分布、关键词分布和LDA主题分布四个维度建模，得到学术资源模型；②根据筛选规则，得到待推荐的学术资源集合；③获取用户浏览记录，计算用户对浏览过的每条学术资源产生的行为系数；④基于行为系数与学术资源模型构建用户兴趣模型；⑤计算每条待推荐学术资源与用户兴趣模型的相似度；⑥根据相似度，从待推荐学术资源集合中对用户进行Top‑N推荐，优点是：能同时推荐多种类型的学术资源，推荐范围全面；从三个维度对学术资源的质量值进行衡量，为用户推荐感兴趣且高质量的学术资源；从四个维度对学术资源建模更能准确挖掘其内容信息。

技术领域

本发明涉及个性化学术推荐技术领域，尤其涉及一种基于用户行为的学术资源推荐方法。

背景技术

21世纪是大数据时代，每天都有海量的多类型学术资源实时涌现，这些多类型学术资源主要包括：学术论文、学术会议、学术专利、学术新闻和学术书籍等，这些学术资源对于用户精准、高效地掌握感兴趣领域的科研现状意义重大。但是由于多类型学术资源的特点是异质、异构，且不断增长，利用传统的Google Scholar、Software Academic Search、Web of Science和百度学术等学术搜索引擎查找目标资源既费时费力，又不能满足用户的个性化需求。因此，个性化学术推荐技术的出现很好的解决了这一问题，它根据用户的兴趣偏好，快速主动地为用户推送其感兴趣的学术资源。

近年来，在学术资源推荐领域，科研人员提出了一系列推荐算法，如协同过滤(Collaborative Filtering,CF)、内容过滤(Content-Based Filtering,CBF)及其混合模型。在实际工业界，诸如学术资源等文本推荐服务通常采用CBF+X的混合模型：例如YouTobe推荐使用CBF+ItemCF的方案，豆瓣图书推荐采用CBF+Weight-CF的方案。由于CBF有助于解决新项目的冷启动问题,使CBF成为文本推荐服务必不可少的一部分。

现有技术中，Wang等人主要基于论文的关键词分布(由TF-IDF算法得出)为用户推荐学术论文，综合考虑学术论文之间的文本相似性、作者相似性、亲密度和影响力等因素提出两种算法，为用户推荐有价值的学术论文。Zhao等人基于研究者的背景知识和研究目标之间的差距为其推荐有效的学术论文。上述研究主要专注于学术论文而对其他诸类型的学术资源如学术专利、学术会议、学术新闻和学术书籍等研究较少，更缺少对多种类型的学术资源同时进行个性化推荐的研究，推荐的学术资源类型单一，不够全面。

A Daud等人基于LDA主题模型，提出一种考虑词语内在结构和关系的组主题建模方法，但作者没有考虑学术论文的学科主题分布，而学术论文的学科专业性很强，通常一篇学术论文能够归属到一个或几个学科门类下，因此该算法的推荐结果不够准确。

Pera将用户行为，如引用论文、显示评分加入内容过滤算法，为用户推荐感兴趣的学术论文。Felix等人根据现有的科研社区数据设计了社区推荐系统，意图根据作者之间的社交关系，为用户推荐学术会议。上述研究主要专注于为用户推荐感兴趣的或者与其研究方向相关的学术资源，但是对科研人员而言，不仅注重学术资源是否符合其研究兴趣或方向，同时也注重学术资源的高质性，因此上述研究在推荐高质量的学术资源方面仍存在缺陷。

发明内容

为了解决上述现有技术中存在的不足，本发明提供一种基于用户行为的学术资源推荐方法，该方法能够使用户快速准确地同时获取感兴趣、高质量的多类型学术资源。

本发明解决上述技术问题所采用的技术方案为：一种基于用户行为的学术资源推荐方法，包括以下步骤：

①对资源库中的所有学术资源从资源类型、学科分布、关键词分布和LDA主题分布共四个维度进行建模，得到学术资源模型；

②根据筛选规则，对资源库中的所有学术资源进行筛选，得到待推荐的学术资源集合；