基于动态多任务学习的科技文献推荐模型构建及实证研究

[目的/意义]为实现科技文献推荐场景要素的交互增强,将各要素交互特性捕捉问题转化为多任务共同优化学习问题,构建基于动态多任务学习的科技文献推荐模型,以进一步提升科技文献推荐性能。[方法/过程]采用多任务学习方法,针对科技文献推荐要素可采集的关键特征进行子任务解构,借助多头注意力机制,进行子任务交互关系的动态学习,在动态学习各任务交互关系的基础上设计科技文献推荐模型。[结果/结论]根据CiteULike数据实验结果,所构建的DMRSTL模型在3个评价指标上均显著优于对比模型,最高差值为AUC指标提升15.51%,MRR指标提升11.90%,nDCG@5指标提升16.45%,且通过任务组合对比实验进一步表明,借助推荐要素的交互增强,可以有效提升科技文献的推荐性能。

基于作者偏好和异构信息网络的科技文献推荐方法研究

【目的】采用异构信息网络理论和作者偏好,提高科技文献推荐质量。【方法】基于异构信息网络理论,提出一种可以融合多语义信息的科技文献推荐方法。首先,结合作者偏好信息为科技文献异构信息网络中的元路径加权;其次,采用DPRel算法计算作者与文献之间的相关度。在此基础上,构建加权作者-文献矩阵,按相关度降序排列得到推荐列表。【结果】从Web of Science中收集实验数据集,实验结果表明,在三个数据集中所提方法相较于基于单条元路径计算作者-文献相关度的推荐方法在平均成功推荐率上分别提高了6%、8%、6%,并且文献成功推荐提高率分别为14.8%、27.6%、13.0%。【局限】在数据预处理阶段由人工进行关键词统一,对于海量数据,人工处理关键词不现实。【结论】所提推荐方法提高了异构信息网络中科技文献推荐的质量。

循证理论在科技文献推荐中的可行性研究

为提高科技文献推荐系统的精准性,打破目前推荐系统普遍存在的用户针对性低、依据性差的问题,引入在医学上证明普遍有效的循证理论,其通过构建治疗证据体系,将自然科学方法理论引入到以经验为主的诊疗过程。类似的,将其用于科技文献推荐模型,能够构建层次化的推荐依据,使推荐结果更具有说服力和精准性。将该方法应用于真实开放数据集上,通过线性回归的机器学习方法给证据打分并分层,从而构建层次化的推荐证据体系,证明该方法具有有效性和可实施性。