一种基于大数据技术的评审专家与评审材料的匹配方法组成比例

本发明专利技术公开了一种基于大数据技术的评审专家与评审材料的匹配方法，首先建立论文评审的大数据计算系统，通过大数据汇总专家所涉及的一级学科、二级学科和研究方向信息，形成专家的学术画像，然后构建自动化评审专家与评审材料匹配评估模型，将评审专家与评审材料的一级学科、二级学科、研究方向信息进行逐级匹配并分别赋值，通过匹配分值的高低，实现评审材料与专家的快速和精确匹配，最后对大数据计算系统内收集的专家信息进行模型训练和大数据补充，以便于寻找最适合细分领域的评审专家。以便于寻找最适合细分领域的评审专家。

【技术实现步骤摘要】
一种基于大数据技术的评审专家与评审材料的匹配方法


[0001]本专利技术属于互联网教育中高等教育论文评审大数据
，具体涉及一种基于大数据技术的评审专家与评审材料的匹配方法。

技术介绍

[0002]论文评审由评审专家从选题与综述、创新性及论文价值、科研能力与基础知识、论文规范性四个维度对论文进行评价打分，并附有专家评语。
[0003]传统的评审方法是人工选择论文评审专家进行送审，专家反馈评语。新冠疫情和信息化的发展催生了论文网络化评审。目前，人工选择论文评审专家送审，专家匹配度和效率亟待提升，且人为因素影响较大，不利于论文评审的公平公正，因此如何寻找最适合细分领域的论文评审专家，进行论文与评审专家的智能匹配是目前亟需解决的问题。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，一种基于大数据技术的评审专家与评审材料的匹配方法，以解决上述
技术介绍
中提出的寻找最适合细分领域的论文评审专家，进行论文与评审专家的智能匹配的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：进行论文与评审专家的智能匹配，包括以下步骤：
[0006]步骤一：建立论文评审专家大数据计算系统；
[0007]步骤二：对大数据计算系统内收集的专家信息进行汇总分类，汇总专家所涉及的一级学科、二级学科和研究方向信息，形成专家的学术画像；
[0008]步骤三：将评审专家与评审材料的一级学科、二级学科和研究方向信息进行逐级匹配并分别赋值，利用机器学习算法，构建评审专家与评审材料自动化匹配评估模型；
[0009]步骤四：对步骤三中的模型进行训练，得到训练完成的模型；
[0010]步骤五：向模型中筛选出的匹配度在85％以上且匹配度最高的专家发送需要进行评审的论文；
[0011]步骤六：将新的领域的专家信息进行入库并输入模型，对模型进行大数据补充，以便于寻找最适合细分领域的评审专家。
[0012]优选的，所述步骤一中，论文评审专家大数据计算系统主要计算论文与专家的匹配度；论文信息可分为一级学科、二级学科和研究方向三个种类。
[0013]优选的，所述步骤二中，专家的学术画像是基于标签排序的专家精准画像，用精准有效的一级学科、二级学科和研究方向标签刻画专家的学术专长。
[0014]优选的，所述步骤三中，将专家的研究方向进行分类时，可以系统的分为专家最擅长的研究方向、专家比较擅长的研究方向和专家相对擅长的研究方向三种情况。
[0015]优选的，所述步骤三中，评审专家与评审材料自动化匹配评估模型对专家最擅长的研究方向和论文的研究方向之间进行评估分析，并根据专家最擅长的研究方向和论文的
研究方向的匹配度进行打分。
[0016]优选的，所述步骤四中，对专家与论文匹配度模型进行训练，根据样本数据，需要找到一组(ω，b)的值，使得Loss取得最小值，损失函数在极值点处的导数为0，因此选择梯度下降法：为表示方便，以两个参数的优化过程为例：L＝L(ω5，ω9)
[0017]步骤如下：
[0018]随机的选一组初始值，例如：[ω5，ω9]＝[
‑
100.0，1
‑
00.0][0019]选取下一个点
[0020][ω5
′
，ω9
′
]，使得：L(ω5
′
，ω9
′
)<L(ω5，ω9)
[0021]重复上述步骤，直到损失函数几乎不再下降
[0022]其中，选择下一个点，[ω5
′
，ω9
′
]的至关重要
[0023](1)保证L是下降的；
[0024](2)下降的趋势要尽量快。
[0025]优选的，所述步骤四中，训练专家与论文匹配度模型中，梯度的计算代码如下：
[0026]gradient_w0＝(z1
‑
y1)*x1[0][0027]print(
‘
gradient_w0{}'.format(gradient_w0))。
[0028]优选的，所述步骤五中，模型中筛选出的专家和论文的匹配度需要在85％以上，且匹配度最高的专家对论文进行评审。
[0029]优选的，所述步骤六中，对大数据计算系统的数据进行补充时，数据的来源包括专家自己填写的专家信息、通过网络搜索的专家信息等。
[0030]与现有技术相比，本专利技术提供了一种基于大数据技术的评审专家与评审材料的匹配方法，具备以下有益效果：
[0031]本专利技术通过设置的大数据计算机系统，通过大数据技术系统对材料与专家的匹配度进行智能分析，通过一级学科、二级学科和研究方向这三级去匹配专家，通过大数据积累，通过对大数据的统计分布，对专家进行学术画像，专家最擅长的研究方向、比较擅长的研究方向，相对擅长的研究方向，都可以通过正态分布进行统计分析，专家的信息通过大数据进行精确分析之后，只需将论文的一级学科、二级学科和研究方向等去跟这些专家匹配，找到匹配度最高的专家，通过该专家对论文进行评审即可，其次通过大数据的匹配算法，系统根据一级学科、二级学科和研究方向去逐级匹配，提升匹配效率和精准度。
具体实施方式
[0032]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]本专利技术提供一种技术方案：一种基于大数据技术的评审专家与评审材料的匹配方法，包括以下步骤：
[0034]步骤一：建立论文评审专家大数据计算系统；
[0035]步骤二：对大数据计算系统内收集的专家信息进行汇总分类，汇总专家所涉及的一级学科、二级学科和研究方向信息，形成专家的学术画像；
[0036]步骤三：将评审专家与评审材料的一级学科、二级学科和研究方向信息进行逐级匹配并分别赋值，利用机器学习算法，构建评审专家与评审材料自动化匹配评估模型；
[0037]步骤四：对步骤三中的模型进行训练，得到训练完成的模型；
[0038]步骤五：向模型中筛选出的匹配度在85％以上且匹配度最高的专家发送需要进行评审的论文；
[0039]步骤六：将新的领域专家信息进行入库并输入模型，对模型进行大数据补充，以便于寻找最适合细分领域的评审专家。
[0040]优选的，所述步骤一中，论文评审专家大数据计算系统主要计算论文与专家的匹配度。论文信息可分为一级学科、二级学科和研究方向三个种类。
[0041]优选的，所述步骤二中，专家的学术画像是基于标签排序的专家精准画像，用精准有效的一级学科、二级学科和研究方向标签刻画专家的学术专长。
[0042]优选的，所述步骤三中，将专家的研究方向进行分类时，可以系统的分为专家最擅长的研究方向、专家比较擅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：包括以下步骤：步骤一：建立论文评审专家大数据计算系统；步骤二：对大数据计算系统内收集的专家信息进行汇总分类，汇总专家所涉及的一级学科、二级学科和研究方向信息，形成专家的学术画像；步骤三：将评审专家与评审材料的一级学科、二级学科和研究方向信息进行逐级匹配并分别赋值，利用机器学习算法，构建评审专家与评审材料自动化匹配评估模型；步骤四：对步骤三中的模型进行训练，得到训练完成的模型；步骤五：向模型中筛选出的匹配度在85％以上且匹配度最高的专家发送需要进行评审的论文；步骤六：将新的领域专家信息进行入库并输入模型，对模型进行大数据补充，以便于寻找最适合细分领域的评审专家。2.根据权利要求1所述的一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：所述步骤一中，大数据计算系统主要计算论文与专家的匹配度。3.根据权利要求1所述的一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：所述步骤二中，专家的学术画像是基于标签排序的专家精准画像，用精准有效的一级学科、二级学科和研究方向标签刻画专家的学术专长。4.根据权利要求1所述的一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：所述步骤三中，评审专家与评审材料自动化匹配评估模型，将专家的研究方向进行分类时，可以系统的分为专家最擅长的研究方向、专家比较擅长的研究方向和专家相对擅长的研究方向三种情况。5.根据权利要求1所述的一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：所述步骤三中，专家与论文匹配度模型内对专家信息和论文信息等样本进行特征向量提取。6.根据权利要求1所述的一种基于大数据技术的评审专家与评审材料的匹配方法，其特征在于：所述步骤三中：专家与论文匹配度模型内对专家最擅长的研究方向和论文的研究方向之间进行评审分析，并根据专家最擅长的研究方向和论文的...

【专利技术属性】
技术研发人员：徐德飞，
申请(专利权)人：合肥市凡科网络科技有限公司，
类型：发明
国别省市：