摘要
全国人才资源总量上升，随之产生了大量科研成果。科研合作现象较为普遍，主要通过论文开展，且科研学者合作意愿较强。因此如何高效地为学者推荐合作者成为研究热点。 图神经网络在自然语言处理、数据挖掘和推荐等领域取得了丰硕的成果在科研合作推荐领域，图数据结构能同时表示出学者的属性信息和学者之间的合作关系。将图神经网络与科研合作推荐相结合，可以有效地提高推荐任务的精准度，从而为实际的科研合作提供数据支撑和参考依据。 因此，本课题基于图神经网络构建了一个科研合作推荐模型，使用并改进了相关深度学习算法以提升科研合作推荐的准确率。 本文的主要贡献内容如下: 1、针对公开数据集的滞后性导致推荐模型难以拟合真实的学者合作环境的问题，本文基于规则构建了科研合作者推荐的论文数据集。为在线获取学术论文网站数据的每个阶段设计了多项数据获取和处理规则，不仅保留了数据的原始特征信息，也过滤了许多影响推荐模型性能的无效信息。与公开数据集相比，本文构建的数据集在论文信息和学者信息方面具备相对较好的完整性和时效性。 2、针对传统模型对论文数据进行文本特征向量表示欠拟合的问题，本文提出了一种改进的基于BERT-DNN的文本特征表示模型。该模型通过词性正反馈完成文本重建任务，充分利用上下文信息挖掘出论文摘要中潜在的特征信息，得到文本的特征向量表示。在已有模型BERT的结构中加入DNN网络，不仅能够充分捕获数据中潜在的特征信息，还降低了文本特征向量的维度，从而提升了模型的推荐性能。实验表明，与其他文本特征向量表示模型相比，BERT-DNN模型具有更好的性能表现。 3、针对科研合作者推荐模型无法适应于动态变化的实际合作问题，本文提出了一种基于改进的动态图神经网络IDGNN的科研合作者推荐模型。该模型在已有基础上融合了历史合作关系、科研成果摘要和属性等多角度信息，在训练时，不仅学习学者自身节点及其多跳邻居节点属性的特征，也考虑了时间属性下节点和交互关系的增加等动态变化过程。此外，IDGNN在对自身节点特征向量更新的同时，也将新的交互关系传播给其他邻居节点，使动态网络中节点的特征始终保持在更新后状态。实验表明，与其他推荐模型相比，本文的推荐模型具有更好的性能。
NETL