论文部分内容阅读
随着学术成果的蓬勃发展，学术论文大量涌现，如何从最新的学术论文中挑选出自己感兴趣的学术论文，成为科研人员亟待解决的难题之一。传统的学术推荐系统面临着如下三个问题:(1)需要人工构造大量特征，定义复杂，依赖领域知识，可复用性差;(2)特征高维稀疏，通常采用精确匹配的方式，丢失了语义层面的匹配信息;(3)通常推荐固定数量的论文给用户。针对以上这些问题，本论文提出一种新的基于深度学习的个性化学术论文推荐模型，解决了人工构造特征工作量大，并且丢失了语义匹配信息的问题，在此之上，提出了一种联合学习方法，实现了根据用户和论文的匹配程度以及用户偏好，动态的决定推荐论文的数量。最后将模型进行部署与应用，搭建了论文推荐引擎，开发了智能学术助手Acad.Bot，验证了模型的有效性。论文的具体研究工作如下: 为了解决人工构造特征，工作量大，并且丢失了语义层面匹配信息的问题，论文提出了一种基于隐式反馈的扩展的卷积深度语义匹配论文推荐模型ECDSSM。该模型有如下几个优点:首先，该模型能够自动学习特征，避免了人工构造特征的代价。其次，该模型能够学习用户和论文的分布式语义表达，将用户和论文同时映射到同一个低维的语义空间计算相似度，实现语义层面的匹配。最后，模型是以排序为目标的端到端的有监督算法。通过实验证明，与其他模型相比，我们的模型效果最好，例如与基于人工构造特征的排序学习推荐算法相比，在效果上模型的NDCG提升了11.3％。 为了能够根据候选论文和用户的匹配程度以及不同的用户偏好，动态的推荐不同数量的论文。论文提出了一种联合学习框架，实现推荐数量的动态化。并且，论文把这个框架应用在我们提出的深度学习推荐模型上，扩展成了动态的深度学习推荐模型。线下实验结果表明推荐的F1-score比原来的模型提升26.7％，线上实验结果表明动态的深度学习推荐模型比原来模型的效用提升38.4％。 最后，为了满足用户对学术推荐的需求，论文将模型进行部署与应用，搭建了学术论文推荐引擎，开发了智能学术助手Acad.Bot。Acad.Bot能够自动收集用户信息和论文信息，每天给用户推送arXiv上最新发布的符合用户兴趣的K篇论文，并且能够根据用户的反馈日志更新用户的语义表示，提高推荐效果，形成有效的闭环。通过将论文提出的推荐模型应用到Acad.Bot中，验证了模型的有效性、可用性与智能性。