科研社交网络中跨学科情报推荐方法研究

摘要：

[目的/意义]科研社交网络是科研人员分享学术情报和寻找合作伙伴的重要平台,对跨学科合作有极大推动作用.虽然该类平台中的推荐系统能为用户提供符合其以往偏好的学术情报,但难以对围绕特定领域形成的学术社团推荐新颖的跨学科情报.[方法/过程]将用户的差异化信息传播贡献纳入考量,设计了侧重跨学科情报推荐的协同过滤算法.通过卷积神经网络预测候选情报与学术社团偏好的匹配度,从而优化推荐结果,并克服“数据稀疏”“冷启动”问题.[结果/结论]基于真实数据集进行实验,结果表明本方法对跨学科情报的推荐效果优于传统协同过滤,且推荐结果优化模型具有可扩展性.

关键词：科研社交网络、情报推荐、协同过滤、深度学习、推荐系统、跨学科研究

所属期刊栏目：38

分类号：G350(情报学、情报工作)

资助基金：北京市科学技术研究院萌芽项目“深度学习技术在情报检索用户群体行为分析中的应用研究”GS201804

在线出版日期：2019-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：186-194