CN117235373A - 基于信息熵的科研热点推荐方法 - Google Patents
基于信息熵的科研热点推荐方法 Download PDFInfo
- Publication number
- CN117235373A CN117235373A CN202311510648.9A CN202311510648A CN117235373A CN 117235373 A CN117235373 A CN 117235373A CN 202311510648 A CN202311510648 A CN 202311510648A CN 117235373 A CN117235373 A CN 117235373A
- Authority
- CN
- China
- Prior art keywords
- expert
- scientific research
- hot spot
- information entropy
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011160 research Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于信息熵的科研热点推荐方法，包括如下步骤：S1：进行专家属性数据采集的步骤；S2：进行专家聚类计算的步骤；S3：进行专家群体推荐热点的步骤。本发明引入了同行评议机制，能够有效利用专家群体的知识积累和经验积累，能够更加科学客观地对提交的科研热点进行推荐。本发明基于信息熵的原理，对推荐指标的客观权重进行优化，能够从统计学角度，反映出推荐指标的客观分布，有效消除群决策带来的主观性偏差。传统的推荐算法大多需要采用神经网络计算，计算代价较大，本发明的计算过程不涉及复杂数学运算，可通过计算机程序快速实现，应用前景广。
Description
技术领域
本发明具体涉及一种基于信息熵的科研热点推荐方法。
背景技术
推荐***的主要任务是通过分析用户信息、物品信息或者其他辅助信息，获得用户对物品的偏好特征，并据此为用户进行物品推荐。学术界尚无科研热点推荐模型和算法的研究成果，使得科研人员在开展研究工作时，会花费大量时间在检索研究热点上，使得这种需求在科研领域很迫切。现有的推荐算法多应用于电商领域，根据用户的偏好进行个性化的商品推荐，但针对科研领域的推荐模型和推荐算法研究很少见。究其原因，是因为科研领域需要考虑因素众多且会动态变化，需要借助先验知识和专家的经验积累，才能提供给科研工作者更为精准的热点方向推荐，而如何在推荐***中构建专家决策模型是技术难点，尤其是避免实践层面专家决策偏于主观性等因素。
综上所述，提出一种基于信息熵的科研热点推荐方法以解决上述问题。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于信息熵的科研热点推荐方法，该基于信息熵的科研热点推荐方法可以很好地解决上述问题。
为达到上述要求，本发明采取的技术方案是：提供一种基于信息熵的科研热点推荐方法，该基于信息熵的科研热点推荐方法包括如下步骤：
S1：进行专家属性数据采集的步骤；
S2：进行专家聚类计算的步骤；
S3：进行专家群体推荐热点的步骤。
该基于信息熵的科研热点推荐方法具有的优点如下：
（1）本发明引入了同行评议机制，能够有效利用专家群体的知识积累和经验积累，能够更加科学客观地对提交的科研热点进行推荐。
（2）本发明基于信息熵的原理，对推荐指标的客观权重进行优化，能够从统计学角度，反映出推荐指标的客观分布，有效消除群决策带来的主观性偏差。
（3）传统的推荐算法大多需要采用神经网络计算，计算代价较大，本发明的计算过程不涉及复杂数学运算，可通过计算机程序快速实现，应用前景广。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示意性地示出了根据本申请一个实施例的基于信息熵的科研热点推荐方法的流程示意图。
实施方式
为使本申请的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本申请作进一步地详细说明。
在以下描述中，对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度，但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外，重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例，但并非必然指代相同的实施例。
为简单起见，以下描述中省略了本领域技术人员公知的某些技术特征。在本申请中的记号、缩写与符号说明如下：
为待推荐的科研热点集合，包括具体的技术方向和关键词。例如；
F为推荐指标集，推荐指标包括：近三年发表论文的数量、近三年引用率、申报项目数量、发表论文刊物等级分布、工程应用前景等指标；
为推荐指标/>的权重，根据专家的偏好制定，后续可以根据专家群体决策分布情况进行调整；
为同行专家集，/>；/>，其中/>为专家注册时的属性，包括学历、专业、现从事方向、工作单位、近三年主持参研项目、发表论文等。
根据本申请的一个实施例，提供一种基于信息熵的科研热点推荐方法，如图1所示，其中三个主要步骤分别由专家属性数据采集模块、专家聚类模块及专家群体推荐模块进行。其中，专家属性信息采集模块自动采集科研管理***中专家注册时的属性，包括学历、专业、现从事方向、工作单位、近三年主持参研项目、发表论文等信息，形成专家属性集；专家聚类模块利用专家注册信息特征向量进行聚类，基于余弦相似度公式计算专家之间的相似度，遴选出研究水平、背景、基础相似专家的集合；专家群体推荐模块组成则是由遴选出的专家群体对科研热点进行在线打分，基于信息熵理论给出了群决策权重计算方法，输出群体决策条件下推荐的科研热点方向。
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法包括如下步骤：
S1：进行专家属性数据采集的步骤；
S2：进行专家聚类计算的步骤；
S3：进行专家群体推荐热点的步骤。
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法的步骤S2具体包括：
S21：任意专家（/>）可单独形成一个集合，即/>，完成初始化；
S22：集合中专家之间的相似度采用余弦相似度进行计算，即，其中/>和/>分别表示专家/>和/>的第k个属性；设置阀值M，若，则/>；
S23：令，/>，当所有专家形成的集合均遍历完成，则停止聚类算法，遴选出研究水平、背景、基础相似专家的集合/>；若专家没有遍历完，则转向步骤S22。
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法的步骤S3具体包括：
S31：由聚类算法遴选出专家集合，由/>中的专家群体对科研热点进行推荐评分，并记录分数；依据打分结果构建专家推荐评分矩阵/>，即/>，/>；其中/>为专家/>对科研热点/>的属性/>进行打分的结果。
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法的步骤S31之后还包括：
S32：计算推荐指标出现的概率为/>；
根据信息熵理论，评价指标的信息熵越小，在群体决策结果的变异程度越大，提供的信息量越多，在群体评价中所能起到的作用也越大，其权重也就越大，可给出指标的熵权为/>；
定义信息效用值A，其中，可有效反馈信息效用值与信息量的正相关关系；将信息效用值进行归一化处理，可得出每个指标的熵权，即指标/>的权重为；
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法的步骤S32之后还包括：
S33：使用加权和公式，计算单个专家对各科研热点的打分为/>，构建群决策模型为/>，/>为所有专家对科研热点，基于指标权重打分获得的群决策分数；
用的值代替/>，根据群决策模型，计算专家群体决策条件下，科研热点/>的评分为/>，根据这个评分进行排序推荐，评分最高的为推荐申报或关注的热点研究方向。
根据本申请的一个实施例，该基于信息熵的科研热点推荐方法的具体方式如下：首先完成***的初始化（***由专家属性信息采集模块、专家聚类模块、专家群体推荐模块组成），自动采集专家的属性信息，包括学历、专业、现从事方向、工作单位、近三年主持参研项目、发表论文等信息，形成专家属性集；然后完成步骤S2专家聚类计算的步骤，采用余弦相似度方法，遴选出研究水平、背景、基础相似专家的集合；最后完成步骤专家群体推荐热点的步骤，由研究背景相似的专家形成群体，利用专家群体推荐算法实现群决策，实现研究背景类似的专家，通过集体智慧，推荐出科研热点。
以上所述实施例仅表示本发明的几种实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。
Claims (5)
1.一种基于信息熵的科研热点推荐方法，其特征在于，包括如下步骤：
S1：进行专家属性数据采集的步骤；
S2：进行专家聚类计算的步骤；
S3：进行专家群体推荐热点的步骤。
2.根据权利要求1所述的基于信息熵的科研热点推荐方法，其特征在于，所述S2具体包括：
S21：任意专家（/>）可单独形成一个集合，即/>，完成初始化；
S22：集合中专家之间的相似度采用余弦相似度进行计算，即，其中/>和/>分别表示专家/>和/>的第k个属性；设置阀值M，若/>，则/>；
S23：令，/>，当所有专家形成的集合均遍历完成，则停止聚类算法，遴选出研究水平、背景、基础相似专家的集合/>；若专家没有遍历完，则转向步骤S22。
3.根据权利要求1所述的基于信息熵的科研热点推荐方法，其特征在于：所述步骤S3具体包括：
S31：由聚类算法遴选出专家集合，由/>中的专家群体对科研热点进行推荐评分，并记录分数；依据打分结果构建专家推荐评分矩阵/>，即/>，/>；其中/>为专家/>对科研热点/>的属性/>进行打分的结果；
为待推荐的科研热点集合，其中n是自然数，表示科研热点数量；
为推荐指标集，其中m是自然数，表示指标的数量。
4.根据权利要求3所述的基于信息熵的科研热点推荐方法，其特征在于，所述步骤S31之后还包括：
S32：计算推荐指标出现的概率为/>；根据信息熵理论，评价指标的信息熵越小，在群体决策结果的变异程度越大，提供的信息量越多，在群体评价中所能起到的作用也越大，其权重也就越大，可给出指标/>的熵权为；
定义信息效用值A，其中，可有效反馈信息效用值与信息量的正相关关系；将信息效用值进行归一化处理，可得出每个指标的熵权，即指标/>的权重为；
为推荐指标/>的权重，/>。
5.根据权利要求4所述的基于信息熵的科研热点推荐方法，其特征在于，所述S32之后还包括：
S33：使用加权和公式，计算单个专家对各科研热点的打分为/>，构建群决策模型为/>，/>为所有专家对科研热点，基于指标权重打分获得的群决策分数；
用的值代替/>，根据群决策模型，计算专家群体决策条件下，科研热点/>的评分为，根据这个评分进行排序推荐，评分最高的为推荐申报或关注的热点研究方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311510648.9A CN117235373B (zh) | 2023-11-14 | 2023-11-14 | 基于信息熵的科研热点推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311510648.9A CN117235373B (zh) | 2023-11-14 | 2023-11-14 | 基于信息熵的科研热点推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235373A true CN117235373A (zh) | 2023-12-15 |
| CN117235373B CN117235373B (zh) | 2024-03-15 |
Family
ID=89084625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311510648.9A Active CN117235373B (zh) | 2023-11-14 | 2023-11-14 | 基于信息熵的科研热点推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235373B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254201A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种科技项目评审专家的推荐方法 |
| US20220108074A1 (en) * | 2020-10-01 | 2022-04-07 | Crowdsmart, Inc. | Managing and measuring semantic coverage in knowledge discovery processes |
| CN115238168A (zh) * | 2022-06-02 | 2022-10-25 | 郑州大学 | 一种自适化远程医疗专家推荐方法 |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和*** |
| CN115936455A (zh) * | 2022-11-10 | 2023-04-07 | 河南大学 | 基于相关系数和改进熵的概率语言多属性群决策方法 |
| CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源***调度评价方法 |
-
2023
- 2023-11-14 CN CN202311510648.9A patent/CN117235373B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220108074A1 (en) * | 2020-10-01 | 2022-04-07 | Crowdsmart, Inc. | Managing and measuring semantic coverage in knowledge discovery processes |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和*** |
| CN114254201A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种科技项目评审专家的推荐方法 |
| CN115238168A (zh) * | 2022-06-02 | 2022-10-25 | 郑州大学 | 一种自适化远程医疗专家推荐方法 |
| CN115936455A (zh) * | 2022-11-10 | 2023-04-07 | 河南大学 | 基于相关系数和改进熵的概率语言多属性群决策方法 |
| CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源***调度评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 叶光辉;李纲;: "面向应急决策的专家意见融合研究", 情报学报, no. 03, pages 32 - 42 * |
| 惠淑敏;: "论文推荐-传播模型构建及评价指标研究", 科研管理, no. 10, pages 148 - 154 * |
| 祝凌凌: "基于多属性智能决策方法的个人理财决策支持***的设计与实现", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 03, pages 138 - 601 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235373B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lo et al. | Service selection based on fuzzy TOPSIS method | |
| Wan et al. | A hesitant fuzzy mathematical programming method for hybrid multi-criteria group decision making with hesitant fuzzy truth degrees | |
| Subbian et al. | Recommendations for streaming data | |
| JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
| CN106934493B (zh) | 一种电力客户价值评估模型的构建方法 | |
| Xiao et al. | Multistage decision support framework for sites selection of solar power plants with probabilistic linguistic information | |
| US20130159325A1 (en) | Bi-model recommendation engine for recommending items and peers | |
| Teng et al. | Transportation investment project selection using fuzzy multiobjective programming | |
| Amami et al. | A graph based approach to scientific paper recommendation | |
| CN111144831B (zh) | 一种适用于人员招聘的人选精准甄别***及其甄别方法 | |
| CN111078859A (zh) | 一种基于引用次数的作者推荐方法 | |
| Wang et al. | Collaborative filtering recommendation based on fuzzy clustering of user preferences | |
| CN110750572A (zh) | 一种科技成果启发式评价的自适应方法和装置 | |
| CN115438886A (zh) | 家政从业人员服务评价和匹配方法及*** | |
| CN117235373B (zh) | 基于信息熵的科研热点推荐方法 | |
| Hamdani et al. | A method of weight update in group decision-making to accommodate the interests of all the decision makers | |
| CN108491477A (zh) | 基于多维云和用户动态兴趣的神经网络推荐方法 | |
| Ahmed et al. | Machine learning approach for effective ranking of researcher assessment parameters | |
| Văduva | On solving some types of multiple attribute decision making problems | |
| Zhu et al. | Integrating a prospect theory-based consensus-reaching process into large-scale quality function deployment and its application in the evaluation of contingency plan | |
| Iyengar et al. | A collaborative filtering based model for recommending graduate schools | |
| Guo et al. | K-loop free assignment in conference review systems | |
| Wang et al. | A pso-based web document classification algorithm | |
| Liu et al. | Clothing similarity computation based on TLAC | |
| Wang | Fairness Metrics for Recommender Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |