【技術實現步驟摘要】
本專利技術涉及大數據分析和預測，特別涉及一種基于科研大數據預測的可視化推薦系統及方法。
技術介紹
1、當前，基于大數據分析進行目標對象相關的趨勢預測，已經成為一種重要的技術手段，其基本原理是通過收集、清洗、整合大量的數據，從數據中提取出目標對象的多維度特征，并根據特征的重要性和時間相關性從中選擇最能夠反映趨勢變化的特征作為預測特征，進而選擇合適的預測模型，在基于歷史數據完成模型訓練和優化基礎上，對形成了可靠預測能力的模型導入以上預測特征，實現趨勢預測。以上大數據分析基礎上的趨勢預測，可以應用于各個領域。基于預測能夠向用戶推薦更有針對性和前瞻性的信息，從而便于用戶的決策。例如，在電子商務平臺，通過分析歷史銷售數據、用戶搜索和瀏覽產品數據等，可以預測未來一定時段的用戶更為關注的商品，推薦給商戶進行生產、庫存等方面的計劃。在社交網絡中，通過分析社交媒體數據、用戶行為數據，可以預測用戶的興趣話題，以便進行個性化內容推薦。
2、科研大數據是在論文、專利、學術會議報告、研究報告等對象中包含的數據信息，包括這些對象的正文內容，也包括作者或專利技術人、單位、引用記錄、被引用記錄、摘要、關鍵詞、所屬領域、發表時間、期刊名、會議名等標引字段的信息。科研大數據是非常重要的數據資源，可以用于判斷某一學科的研究熱點、發展趨勢和前沿方向，了解了解某一科研機構及其涵蓋各個學科的發展狀況，揭示科研機構及其研究者之間的學術合作關系網絡，實現學術資源的管理和推薦。
3、為了便于對科研大數據的檢索、查閱、摘引、注釋、分類、管理以及分析，目前存
4、但是，以上針對科研大數據的數據庫和相關工具，在基于科研大數據實現對象研究能力發展趨勢的預測，以及基于以上預測進行推薦的方面，仍然存在比較大的空白。具體來說，一方面，特定對象的研究能力發展趨勢，特別是對于某些領域新且發展快的細分學科而言，具有比較強的動態變化性，受到該特定對象在具體細分學科研發能力的內在積累、外在輸出以及全學科整體作用的綜合影響。傳統的指標維度和統計評估方法，主要依靠發表數量、引用和被引用次數等少數現有指標，只能表征特定對象在細分學科的研發能力現狀，對未來發展趨勢的預測性不足。另一方面，現有的科研數據庫和工具在排序展示推薦的功能上，主要是依據用戶查詢關鍵詞與科研信息的匹配程度、引證和被引證頻次、時間因素、科研機構的學術排名等因素計算排名順序和推薦優先級的，而沒有將對象研究能力發展趨勢預測納入排序和推薦的考慮范疇。
技術實現思路
1、針對現有技術中存在的不足，本專利技術提供了一種基于科研大數據預測的可視化推薦系統及方法。本專利技術面向目標對象針對性整合科研大數據，從中提取與所述目標對象的研究能力發展趨勢具備時間相關性的預測特征序列；進而基于訓練優化的預測模型，獲得所述目標對象研究能力發展趨勢的量化表征；根據量化表征，在可視化交互界面上顯示針對目標對象的推薦信息。
2、本專利技術提供的一種基于科研大數據預測的可視化推薦系統，其特征在于，包括：
3、用戶查詢接口，用于提供可視化交互界面，通過所述可視化交互界面接收用戶輸入的查詢條件，解析所述查詢條件形成查詢請求數據；
4、數據檢索匯集單元，用于在存儲科研大數據的數據庫中利用所述查詢請求數據進行檢索，并以目標對象為單位匯集檢索命中的科研數據信息，形成與目標對象相對應的對象數據集，所述對象數據集包含目標對象在一個或多個細分學科上的科研數據信息；
5、預測特征序列建立模塊，用于針對所述目標對象，通過統計對應的對象數據集中包含的科研數據信息，獲得所述目標對象在一個或多個細分學科的分布特征；并判斷所述分布特征與所述目標對象的研究能力發展趨勢的時間相關性，根據時間相關性強度確定所述目標對象的研究能力發展趨勢的預測特征；進而根據所述預測特征在時間維度上的分布，建立所述目標對象的研究能力發展趨勢的預測特征序列；
6、量化預測模塊，用于將所述目標對象的預測特征序列輸入訓練優化后的預測模型，獲得所述目標對象研究能力發展趨勢的量化表征字段；所述預測模型是以訓練集中包含的樣本對象的預測特征序列和量化表征字段執行訓練優化后獲得的神經網絡模型；
7、可視化推薦模塊，用于根據所述目標對象研究能力發展趨勢的量化表征字段，在可視化交互界面上顯示針對目標對象的推薦信息。
8、優選的是，所述預測特征序列建立模塊利用多元回歸分析方法、主成分分析方法、基于模型的l1正則化方法中的至少一種，判斷所述分布特征與所述目標對象的研究能力發展趨勢的時間相關性，根據時間相關性強度確定所述目標對象的研究能力發展趨勢的預測特征。
9、優選的是，所述預測特征序列建立模塊將所述預測特征在時間維度上的分布表示為：；
10、其中表示第一預測特征在時間維度上的分布，表示第二預測特征在時間維度上的分布，表示第一預測特征相對于第二預測特征的權重比例系數在時間維度上的分布。
11、優選的是，所述量化預測模塊的所述預測模型包括序列特征編碼器和字段特征編碼器，所述序列特征編碼器和字段特征編碼器均采用resnet神經網絡。
12、優選的是，所述序列特征編碼器表示為，其中為所述預測特征序列，為該序列特征編碼器的resnet神經網絡的全部網絡參數構成的參數向量。
13、優選的是，所述字段特征編碼器表示為，其中為表示目標對象細分學科研究能力發展趨勢的量化表征字段，為該字段特征編碼器的resnet神經網絡的全部參數構成的參數向量。
14、優選的是，所述訓練集中樣本對象的預測特征序列和量化表征字段表示為；其中為預測特征序列的序列元素，為以上預測特征序列的序列元素各自對應的量化表征字段。
15、優選的是，量化預測模塊在訓練所述預測模型的過程中，將訓練集隨機劃分為大小為的多個子集,其中子集數;這里第個子集；進行多輪訓練，每輪訓練依次采用一個子集；對于第個子集，將其中每個輸入序列特征編碼器，每個輸入字段特征編碼器，獲得的特征編碼以及的特征編碼；和分別表示本輪訓練時序列特征編碼器和字段特征編碼器的參數向量；進而，利用第個子集中的每個和所得的特征編碼，形成2組特征編碼序列,?；再對以上2組特征編碼序列進行線性投影和歸一化：
16、這里和表示本輪訓練時線性投影矩陣的參數和，函數表示把一個矩陣進行歸一化；通過以上特征編碼序列和的相似度，構建訓練所述預測模型的損失函數如下：
17、
18、這里，是余弦相似度矩陣的第個元素，該矩陣為：
19、其中是預先設定值的超參數；計算損失函數相對于序列特征編碼器、字段特征編碼器以及線性投影矩陣的全部參數的梯度：
20、這里表示所有參數組成的參數向量；進而，基于該梯度更新下一輪訓練中本文檔來自技高網...
【技術保護點】
1.一種基于科研大數據預測的可視化推薦系統，其特征在于，包括：
2.根據權利要求1所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述預測特征序列建立模塊利用多元回歸分析方法、主成分分析方法、基于模型的L1正則化方法中的至少一種，判斷所述分布特征與所述目標對象的研究能力發展趨勢的時間相關性，根據時間相關性強度確定所述目標對象的研究能力發展趨勢的預測特征。
3.根據權利要求2所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述預測特征序列建立模塊將所述預測特征在時間維度上的分布表示為：
4.根據權利要求3所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述量化預測模塊的所述預測模型包括序列特征編碼器和字段特征編碼器，所述序列特征編碼器和字段特征編碼器均采用ResNet神經網絡。
5.根據權利要求4所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述序列特征編碼器表示為，其中為所述預測特征序列，為該序列特征編碼器的ResNet神經網絡的全部網絡參數構成的參數向量。
6.根據權利要求5所述的基于科研大數
7.根據權利要求6所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述訓練集中樣本對象的預測特征序列和量化表征字段表示為；其中為預測特征序列的序列元素，為以上預測特征序列的序列元素各自對應的量化表征字段。
8.根據權利要求7所述的基于科研大數據預測的可視化推薦系統，其特征在于，量化預測模塊在訓練所述預測模型的過程中，將訓練集隨機劃分為大小為的多個子集,其中子集數;這里第個子集；進行多輪訓練，每輪訓練依次采用一個子集；對于第個子集，將其中每個輸入序列特征編碼器，每個輸入字段特征編碼器，獲得的特征編碼以及的特征編碼；和分別表示本輪訓練時序列特征編碼器和字段特征編碼器的參數向量；進而，利用第個子集中的每個和所得的特征編碼，形成2組特征編碼序列,?；再對以上2組特征編碼序列進行線性投影和歸一化：
9.根據權利要求8所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述量化預測模塊將目標對象研究能力發展趨勢的量化表征字段模板，輸入訓練好的字段特征編碼器并通過參數的線性投影形成特征編碼序列；該量化表征字段模板包含優勢學科、傳統學科、潛力學科、弱勢學科的字段；量化預測模塊將預測特征序列建立模塊建立的所述目標對象的研究能力發展趨勢的預測特征序列輸入訓練好的序列特征編碼器并通過參數的線性投影形成特征編碼；量化預測模塊基于以上特征編碼和特征編碼序列相互求內積，確定序列中與特征編碼內積值最大的特征編碼，則將所述目標對象的研究能力發展趨勢識別為特征編碼序列中該內積值最大的特征編碼對應的字段。
10.一種基于科研大數據預測的可視化推薦方法，其特征在于，包括：
...【技術特征摘要】
1.一種基于科研大數據預測的可視化推薦系統，其特征在于，包括：
2.根據權利要求1所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述預測特征序列建立模塊利用多元回歸分析方法、主成分分析方法、基于模型的l1正則化方法中的至少一種，判斷所述分布特征與所述目標對象的研究能力發展趨勢的時間相關性，根據時間相關性強度確定所述目標對象的研究能力發展趨勢的預測特征。
3.根據權利要求2所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述預測特征序列建立模塊將所述預測特征在時間維度上的分布表示為：
4.根據權利要求3所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述量化預測模塊的所述預測模型包括序列特征編碼器和字段特征編碼器，所述序列特征編碼器和字段特征編碼器均采用resnet神經網絡。
5.根據權利要求4所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述序列特征編碼器表示為，其中為所述預測特征序列，為該序列特征編碼器的resnet神經網絡的全部網絡參數構成的參數向量。
6.根據權利要求5所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述字段特征編碼器表示為，其中為表示目標對象細分學科研究能力發展趨勢的量化表征字段，為該字段特征編碼器的resnet神經網絡的全部參數構成的參數向量。
7.根據權利要求6所述的基于科研大數據預測的可視化推薦系統，其特征在于，所述訓練集中樣本對象的預測特征序...
【專利技術屬性】
技術研發人員：楊代慶，王璐，
申請(專利權)人：中國科學技術信息研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。