[发明专利]一种众包知识共享社区的资源推荐方法

说明书

本发明公开了一种众包知识共享社区的资源推荐方法，推荐前，先获取用户对资源的评分，包括如下步骤：先获取众包知识共享社区的用户对目标资源的社会化标注标签，建立基于共现关系的标签相似度矩阵，根据标签的共现关系建立结构化的标签树；在确定标签树的基础上，根据标签之间基于共现的共现语义相似度以及基于标签树的标签树语义相似度确定目标资源之间的资源语义相似度；用目标资源之间的资源语义相似度对用户的评分矩阵进行填充，根据填充后的用户评分矩阵找寻用户的邻近用户，通过邻近用户对资源的评分预测用户对资源的评分。本发明通过将社会化标注系统的语义挖掘与协同过滤算法相相融合，具有能够减少预测误差，提高推荐效率等优点。

技术领域

本发明涉及知识图谱技术领域，特别的涉及一种众包知识共享社区的资源推荐方法。

背景技术

众包是指将原本由特定群体(比如雇员或者承包商)完成的任务外包给不特定的社会大众群体完成，由大众群体的力量来完成原来属于少数专业人士的任务。众包是一种参与式的在线网络活动，个人、机构、非营利组织或公司通过公开的渠道，向一群具有不同知识、不同类型的个体，主动提出一项任务。众包可以看作是一种利用大众的知识解决问题的方式。为了接触到大众的知识，不少利用众包这一模式解决问题的组织给众包的参与者提供了进行知识交互与共享的知识共享社区。

对众包社区中的知识资源进行管理，可以方便用户对于知识资源的检索，从而提高知识共享效率以及众包的效率。现有的资源管理的方法主要有两种，专家分类法和大众分类法，专家分类法是由领域专家自上而下地建立资源分类体系，用户按照该资源分类体系对资源添加预设的标签；大众分类法是指允许用户对网站上的资源自由添加标签来对资源进行描述，即社会化标注，并与网站上的其他用户分享。相比于严谨的专家分类法，社会化标注过程中产生的标签集构成了一种缺乏结构性的分类体系。

由于众包的任务、尤其是复杂开放性任务，很难确定任务的执行过程，因此也难以确定众包过程中会进行共享的知识类别，无法很好地采用专家分类法预先设定标签，并且在众包过程中，会形成一些由参与众包的成员自己创建的知识分类术语。因此，大众分类法是一种更加适合于众包知识共享社区的知识管理方法。

随着知识共享社区中知识资源的累积，如何帮助参与众包的人员找到其所需的知识资源是知识共享社区面临的一个重要的挑战。基于一些推荐算法的推荐系统是解决这一问题的主要方案，推荐系统对用户尚未评价过的资源的评价情况进行预测，从而生成推荐列表。其中协同过滤算法是目前应用最为广泛的一种推荐算法。协同过滤算法依据用户对于资源的历史评价矩阵来确定相似用户或是相似资源，并依据相似用户或是相似资源的历史评价记录来实现推荐，并不考虑用户或是资源自身的特性。但是，随着资源数量的增加，用户评价过的资源往往占全部资源的比重较小、尤其是新用户，因此协同过滤算法常常面临用户数据稀疏以及冷启动问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够减少预测误差，提高推荐效率的众包知识共享社区的资源推荐方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种众包知识共享社区的资源推荐方法，其特征在于，推荐前，先获取用户对资源的评分，包括如下步骤：

S1、先获取众包知识共享社区的用户对目标资源的社会化标注标签，建立基于共现关系的标签相似度矩阵，根据标签的共现关系建立结构化的标签树；

S2、在确定标签树的基础上，根据标签之间基于共现的共现语义相似度以及基于标签树的标签树语义相似度确定目标资源之间的资源语义相似度；

S3、用目标资源之间的资源语义相似度对用户的评分矩阵进行填充，根据填充后的用户评分矩阵找寻用户的邻近用户，通过邻近用户对资源的评分预测用户对资源的评分。

进一步的，所述步骤S1中，采用如下步骤建立结构化的标签树：