[发明专利]一种基于图向量的专家组合推荐方法

摘要

本专利公开发明了一种基于图向量的专家组合推荐算法，首先从专家审查数据中抽取实体和关系，构建领域知识图谱，再运用图向量算法将知识图谱投射到多维空间，得到实体向量集。运用独热码将领域标签转换成多维标签向量。构建神经网络进行多标签分类。对实体向量集，运用余弦相似度算法计算得到TopN个最相关实体，定义用未通过降维处理的数据所形成的推荐列表和降维后运用不同相似度算法得到的推荐列表形成最终推荐列表。通过知识库中存在的历史关系数据，通过搭建CNN和RESNET网络对历史数据进行拟合。用搭建的模型对输入的实体向量数据进行隐藏关系的挖掘。最终利用距离度量算法形成最终的推荐列表。本发明可精确地在项目审查中进行领域专家推荐。

主权项

1.一种基于图向量的专家组合推荐算法，其特征在于，具体步骤如下：(1)从专家审查数据中抽取实体VecID和关系ReID，构建领域知识图谱G；(2)运用deepwalk算法将知识图谱投射到64维空间，得到实体向量集V1；运用独热码将领域标签转换成7维标签向量；构建神经网络进行多标签分类；(3)分别运用node2vec算法deepwalk算法将知识图谱投射到128维空间和64维空间；再分别运用皮尔逊相关度算法和曼哈顿距离度量公式计算得TopN个最相关实体集合U；(4)取实体向量集V1，利用PCA分别降维到2维和7维空间；得到2维向量数据集R和7维向量数据集Q；运用余弦相似度算法计算得到TopN个最相关实体U1，U2；定义得到的推荐列表为Recommend＝U1∩U2；(5)取实体向量集V1，基于知识图谱中实体间关系，搭建CNN,RESNET模型对实体间关系进行学习，使得模型能够拟合知识库中的实体关系数据；基于此模型，对输入的实体向量挖掘知识库中的隐藏关系；得到推荐列表U3；(6)用未通过降维处理的数据所形成的推荐列表U和降维后运用不同算法得到的推荐列表Recommend以及通过模型预测的推荐列表U3得到最终的推荐列表Result＝U∪Recommend∪U3；定义Set＝{set1,set2,…,setA}，计算组合推荐的准确率previous＝(set∩Result)/Result；得到最终推荐结果和推荐准确率。