基于语义的科技专家推荐系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统研究现状 | 第12-13页 |
| 1.2.2 神经概率语言模型研究现状 | 第13-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 相关理论和技术 | 第16-28页 |
| 2.1 推荐算法 | 第16-19页 |
| 2.1.1 协同过滤推荐 | 第16-18页 |
| 2.1.2 基于内容的推荐 | 第18页 |
| 2.1.3 基于知识的推荐 | 第18-19页 |
| 2.1.4 混合推荐 | 第19页 |
| 2.2 推荐算法评估标准 | 第19-20页 |
| 2.2.1 预测准确度 | 第19页 |
| 2.2.2 分类准确度 | 第19-20页 |
| 2.2.3 排名准确度 | 第20页 |
| 2.3 神经概率语言模型 | 第20-27页 |
| 2.3.1 语言模型简介 | 第20-21页 |
| 2.3.2 神经网络语言模型 | 第21-24页 |
| 2.3.3 Word2Vec模型 | 第24-26页 |
| 2.3.4 Doc2Vec模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于PV-DM改进的文档向量模型研究 | 第28-37页 |
| 3.1 科技文档特性分析 | 第28-29页 |
| 3.2 基于PV-DM改进的文档向量模型 | 第29-32页 |
| 3.3 科技文档向量库构建 | 第32-33页 |
| 3.3.1 数据预处理 | 第32-33页 |
| 3.3.2 科技文档语义向量化 | 第33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.4.1 实验设计 | 第33-34页 |
| 3.4.2 数据集 | 第34页 |
| 3.4.3 评价指标 | 第34页 |
| 3.4.4 实验与分析 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 针对技术需求的专家能力评分模型 | 第37-41页 |
| 4.1 评分影响因素分析 | 第37-39页 |
| 4.2 成果相关度权重计算 | 第39页 |
| 4.3 针对技术需求的专家能力评分 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于语义的科技专家推荐系统 | 第41-44页 |
| 5.1 基于近似最近邻的候选集生成 | 第41-42页 |
| 5.1.1 构建向量索引 | 第41页 |
| 5.1.2 基于近似最近邻的候选集生成 | 第41-42页 |
| 5.2 专家排名 | 第42页 |
| 5.3 实验结果与分析 | 第42-43页 |
| 5.3.1 实验设计 | 第42页 |
| 5.3.2 评价指标 | 第42-43页 |
| 5.3.3 实验与分析 | 第43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 专家推荐系统的实现与应用 | 第44-49页 |
| 6.1 系统总体架构 | 第44-45页 |
| 6.1.1 语义特征提取 | 第44-45页 |
| 6.1.2 生成候选专家 | 第45页 |
| 6.1.3 对候选专家打分 | 第45页 |
| 6.2 系统实现 | 第45-46页 |
| 6.2.1 离线计算部分 | 第45页 |
| 6.2.2 在线推荐部分 | 第45-46页 |
| 6.3 实例展示 | 第46-48页 |
| 6.4 本章小结 | 第48-49页 |
| 第七章 总结和展望 | 第49-51页 |
| 7.1 工作总结 | 第49-50页 |
| 7.2 未来工作展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |
