一种基于用户与专家耦合关系分析的协同过滤推荐方法技术

本发明专利技术属于专业人才选拔技术领域，尤其涉及一种基于用户与专家耦合关系分析的协同过滤推荐方法。本发明专利技术首先设计了两个基于用户与专家遴选过程耦合关系聚合性分析模型与基于用户与专家遴选过程耦合关系相对性分析模型；再将两个模型的输出作为输入，训练一个顶层DNN；最后将训练好的模型融合，并进行精调训练。本发明专利技术方法的精度优于目前已经公开的方法，具有良好的实用价值。能够有效针对国有大型企业在选拔人才、科技专家聘用方面存在的突出问题，大幅度提升各专业领域人才推荐效果和精度，促进公司业务建设和生产水平的全面提高。本发明专利技术为大型国有企业在科技项目评审、技术咨询以及项目建设和实施等多个领域都起到至关重要的作用。

【技术实现步骤摘要】
一种基于用户与专家耦合关系分析的协同过滤推荐方法
本专利技术属于专业人才选拔
，尤其涉及一种基于用户与专家耦合关系分析的协同过滤推荐方法。
技术介绍
由于国有企业业务体积庞大，各类专业领域繁多，专业性人才评价与人才选拔推荐等工作繁重。尤其是随着各行业新兴技术的不断发展，多领域交叉技术日新月异，对人才选拔和推荐提出了更高的要求，同时也增加了很大的难度。当前，实际工作多采用人工方式进行人才遴选和推荐。由于实际工作人员对领域知识的理解有限,且具有一定的主观性倾向,并且随着人才储备数量的不断增加,人工选择的效率和准确性逐渐降低。同时，专业人才库的信息缺乏有效的实时优化机制，信息结构和内容存在不合理等情况，无法满足不断变化的人才选拔需求。基于协同过滤思想的方法目前在专家推荐系统中应用较广，它主要依赖用户与专家之间的历史的交互关系，用来分析用户对专家的选择偏好，交互过程包括用户对专家的打分、浏览痕迹以及实际的选拔行为。用户与专家的评分矩阵表明了用户对专家的偏好，矩阵中的每一个元素表明了这种一对一的关系。因此，评分矩阵在专家推荐领域通常被用作主本文档来自技高网...

【技术保护点】
1.一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：包括以下步骤：/n步骤1：专家属性信息以及用户与专家遴选交互信息获取及预处理；/n步骤2：将数据集分割为三个部分：训练集用来训练模型，验证集用来验证训练结果；/n步骤3：构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型；/n步骤4：分别使用训练集训练步骤3的模型，同时使用验证集观察两个模型的训练效果，最后完成测试集的测试工作，证明两个模型的鲁棒性；/n步骤5：将已经训练好的步骤3的模型并行排列，将各单独模型的输出结点作为顶层DNN的输入连接到DNN隐层，最后缩小融合模...

【技术特征摘要】
1.一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：包括以下步骤：
步骤1：专家属性信息以及用户与专家遴选交互信息获取及预处理；
步骤2：将数据集分割为三个部分：训练集用来训练模型，验证集用来验证训练结果；
步骤3：构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型；
步骤4：分别使用训练集训练步骤3的模型，同时使用验证集观察两个模型的训练效果，最后完成测试集的测试工作，证明两个模型的鲁棒性；
步骤5：将已经训练好的步骤3的模型并行排列，将各单独模型的输出结点作为顶层DNN的输入连接到DNN隐层，最后缩小融合模型的学习率进行精调；
步骤6：使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；
步骤7：在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新数据加入训练集再次训练模型。


2.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤1所述专家属性信息以及用户与专家遴选交互信息获取及预处理，包括以下步骤：
步骤1.1：采集专家属性信息以及用户与专家遴选交互信息；
步骤1.2：对数据进行预处理，包括但不限于：缺失值均值插补、数据标准化、独热编码、时间戳转换；
步骤1.3：形成用户与专家遴选交互信息矩阵以及专家属性信息矩阵；
步骤1.4：以用户挑选关键词为代表的遴选需求信息为关键点来获取专家推荐列表，从而验证方法的有效性。


3.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤3所述构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型，包括以下步骤：
步骤3.1：基于用户与专家遴选过程耦合关系聚合性分析模型聚合了用户与专家遴选交互信息矩阵以及专家属性信息矩阵，共同作为网络的输入提取特征来对专家完成推荐；
步骤3.2：基于用户与专家遴选过程耦合关系相对性分析模型轮询了上述两个矩阵的行向量，同时将两条向量合并作为模型的数据，模型分析了两条向量的相对性特征，来完成领域专家的推荐工作；
步骤3.3：融合模型将步骤3.1与步骤3.2两个模型的结果做了特征融合，增强了模型的预测精度。


4.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤4所述分别使用训练集训练步骤3的模型和步骤5所述已经训练好的步骤3的模型并行排列，均包括：步骤3.1与步骤3.2的模型。


5.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：所述用户与专家遴选过程耦合关系聚合性分析模型图，包括以下步骤：
步骤1：数据预处理；
步骤2：设计用户与专家遴选交互信息与专家属性信息融合矩阵；
步骤3：融合矩阵通过卷积层抽取显著性特征，并通过局部池化层形成固定长度向量，表达局部的融合矩阵特征关系；
步骤4：融合矩阵直接通过池化层形成全局的特征向量；
步骤5：局部池化向量与全局池化向量进行融合形成对用户与专家交互过程的耦合性聚合关系分析；
步骤6：将数据集分割为两个部分：训练集用来训练模型，验证集用来验证训练结...

【专利技术属性】
技术研发人员：许言路，张明理，高靖，汪明达，杨博，朱赫炎，卢天琪，张素香，刘雯静，张子信，程孟增，吉星，巴林，
申请(专利权)人：国网辽宁省电力有限公司经济技术研究院，国家电网有限公司，国家电网有限公司信息通信分公司，
类型：发明
国别省市：辽宁;21