考虑全局和局部信息的科研人员科研行为立体精准画像构建方法

doi:10.3772/j.issn.1000-0135.2019.10.002

情报学报

2019, Vol. 38

Issue (10): 1012-1021 DOI: 10.3772/j.issn.1000-0135.2019.10.002

专题约稿

本期目录 | 过刊浏览 | 高级检索

考虑全局和局部信息的科研人员科研行为立体精准画像构建方法

张亚楠, 黄晶丽, 王刚

合肥工业大学管理学院，合肥 230009

A Method Considering Local and Global Information for Constructing Stereoscopic and Accurate Portraits of Scientific Researchers

Zhang Yanan, Huang Jingli, Wang Gang

School of Management, Hefei University of Technology, Hefei 230009

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (2622 KB) HTML (103 KB)
输出: BibTeX | EndNote (RIS)

摘要通过为科研人员构建科研行为画像，科研人员能够便捷地使用各种个性化科研服务，促进科研人员提高科研效率。已有的研究往往将画像问题简单地抽象为多分类问题，没有考虑到信息的充分利用和画像更新问题。为此，本研究提出了一种考虑全局和局部信息的科研人员科研行为画像方法，引入深度学习方法，借助深度学习自动从数据中提取高度抽象特征的特点，提取科研人员局部画像，结合全局信息构建科研人员的立体精准画像。最后，使用科研社交平台科研之友上的科研人员科研行为数据，对本研究提出的方法进行验证，证明了本研究提出方法的有效性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张亚楠
	黄晶丽
	王刚

关键词 ：科研创新, 深度学习, 用户画像, 主题模型

收稿日期: 2019-04-24

基金资助:中国科学技术信息研究所情报工程实验室开放基金；国家自然科学基金项目（71471054,91646111）；安徽省质量工程项目（2016msgzs053，2017ppzy02）；合肥工业大学质量工程项目（JYZD1710）。

作者简介: 张亚楠，男，1995年生，博士研究生，研究方向为深度学习和用户画像

引用本文:

张亚楠, 黄晶丽, 王刚. 考虑全局和局部信息的科研人员科研行为立体精准画像构建方法[J]. 情报学报, 2019, 38(10): 1012-1021.
Zhang Yanan, Huang Jingli, Wang Gang. A Method Considering Local and Global Information for Constructing Stereoscopic and Accurate Portraits of Scientific Researchers. 情报学报, 2019, 38(10): 1012-1021.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.10.002 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I10/1012

1 创新引领发展, 建设科技强国[N]. 经济日报2017-11-03(010).
2 涂静. 科研合作网络中知识共享的演化研究[J]. 情报理论与实践, 2018, 41(2): 39-45.
3 FawcettT, ProvostF J. Combining data mining and machine learning for effective user profiling[C]//Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining. Palo Alto: AAAI Press, 1996: 8-13.
4 袁莎, 唐杰, 顾晓韬. 开放互联网中的学者画像技术综述[J]. 计算机研究与发展, 2018, 55(9): 1903-1919.
5 余传明, 田鑫, 郭亚静, 等. 基于行为-内容融合模型的用户画像研究[J]. 图书情报工作, 2018, 62(13): 54-63.
6 姚迪, 张超, 黄建辉, 等. 时空数据语义理解: 技术与应用[J]. 软件学报, 2018, 29(7): 2018-2045.
7 黄文彬, 吴家辉, 徐山川, 等. 数据驱动的移动用户行为研究框架与方法分析[J]. 情报科学, 2016, 34(7): 14-20, 40.
8 BurgerJ D, HendersonJ, KimG, et al. Discriminating gender on Twitter[C]//Proceedings of the Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2011: 1301-1309.
9 曾春, 邢春晓, 周立柱. 个性化服务技术综述[J]. 软件学报, 2002, 13(10): 1952-1961.
10 何娟. 基于用户个人及群体画像相结合的图书个性化推荐应用研究[J]. 情报理论与实践, 2019, 42(1): 129-133, 160.
11 王凌霄, 沈卓, 李艳. 社会化问答社区用户画像构建[J]. 情报理论与实践, 2018, 41(1): 129-134.
12 林燕霞, 谢湘生. 基于社会认同理论的微博群体用户画像[J]. 情报理论与实践, 2018, 41(3): 142-148.
13 张海涛, 崔阳, 王丹, 等. 基于概念格的在线健康社区用户画像研究[J]. 情报学报, 2018, 37(9): 912-922.
14 MisloveA, ViswanathB, GummadiK P, et al. You are who you know: Inferring user profiles in online social networks[C]//Proceedings of the Third ACM International Conference on Web Search and Data Mining. New York: ACM Press, 2010: 251-260.
15 BleiD M, NgA Y, JordanM I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3(1): 993-1022.
16 RamageD, HallD, NallapatiR, et al. Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora[C]// Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2009: 248-256.
17 GravesA, MohamedA R, HintonG. Speech recognition with deep recurrent neural networks[C]// Proceedings of the 2013 IEEE International Conference on Acoustics, Speech and Signal Processing. New York: IEEE, 2013: 6645-6649.
18 HochreiterS, SchmidhuberJ. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
19 LuZ Y, TanH H, LiW J. An evolutionary context-aware sequential model for topic evolution of text stream[J]. Information Sciences, 2019, 473: 166-177.
20 RiedmillerM. Advanced supervised learning in multi-layer perceptrons—from backpropagation to adaptive learning algorithms[J]. Computer Standards & Interfaces, 1994, 16(3): 265-278.
21 ZhangX, ZhaoJ B, LeCunY. Character-level convolutional networks for text classification[C]//Proceedings of the Conference on neural Information Processing Systems. 2015, 28: 649-657.