【技術實現步驟摘要】
本申請涉及專家推薦，具體涉及一種專家推薦方法、系統、電子設備及存儲介質。
技術介紹
1、在科技創新與技術研發領域，項目的成功與否往往在很大程度上取決于專業人才或專家的參與和貢獻。為了確保項目的順利進行和技術難題的解決，需要精準地匹配到具有相應專業背景和豐富經驗的專家。
2、然而，傳統的專家推薦方式大多依賴于人工篩選和推薦，這種人工推薦方式不僅效率低下，難以適應快節奏的研發需求，而且極易受到推薦人員的主觀認知偏差及信息掌握不全面等局限性的影響，難以滿足快速、精準匹配專家的需求，從而在一定程度上制約了科技創新與技術研發的進程與成效。
技術實現思路
1、鑒于以上所述現有技術的缺點，本申請提供一種專家推薦方法、系統、電子設備及存儲介質，以解決上述人工推薦專家的方式效率低下，且易受推薦人員的主觀認知偏差及信息掌握不全面等局限性的影響，難以滿足快速且精準匹配專家的需求的技術問題。
2、本申請提供了一種專家推薦方法，所述方法包括：接收用戶端發送的目標項目的項目文本信息和所述目標項目的篩選條件；對所述項目文本信息進行特征提取，并將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配，以根據匹配結果生成初始的專家推薦列表；查詢所述初始的專家推薦列表中各專家的信譽度信息，基于信譽度信息對所述初始的專家推薦列表中的專家進行排序，并按照所述目標項目的篩選條件對排序后的專家推薦列表中的專家進行篩選，得到最終的專家推薦列表并發送至所述用戶端。
3、于
4、于本申請的一實施例中，將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配，包括：將所述項目特征向量和所述專家向量數據庫中各專家的專家特征向量輸入至語義匹配模型，通過所述語義匹配模型計算所述項目特征向量與所述專家向量數據庫中各專家的專家特征向量之間的相似度，其中，所述語義匹配模型預先基于各專家的歷史項目的歷史項目特征向量和各專家的專家特征向量訓練得到；將預設的相似度閾值與各相似度進行比較，根據比較結果確定與所述目標項目相關的專家，作為相關專家，并查詢各相關專家的專家文本信息，以基于所有相關專家以及各相關專家的專家文本信息生成所述初始的專家推薦列表。
5、于本申請的一實施例中，基于信譽度信息對所述初始的專家推薦列表中的專家進行排序，包括：基于所述初始的專家推薦列表中各專家的信譽度信息和對應的相似度，確定所述初始的專家推薦列表中各專家的綜合得分，以按照綜合得分對所述初始的專家推薦列表中各專家進行排序，得到所述排序后的專家推薦列表；其中，基于一專家的信譽度信息和對應的相似度，確定所述專家的綜合得分，包括，從所述專家的信譽度信息中提取所述專家的活躍度信息、歷史合作記錄信息和用戶反饋信息；根據所述專家的活躍度信息確定所述專家的活躍度得分，根據所述專家的歷史合作記錄信息確定所述專家的合作得分，根據所述專家的用戶反饋信息確定所述專家的用戶反饋得分，所述活躍度信息包括預設時間段內的研究活動數量、論文數量和科研項目數量中至少之一，所述歷史合作記錄信息包括合作頻率、合作成功率和項目完成質量中至少之一，所述用戶反饋信息包括用戶滿意度調查、用戶評價、用戶建議中至少之一；按照預設的分配權重對所述專家的活躍度得分、合作得分、用戶反饋得分和對應的相似度進行加權計算，得到所述專家的綜合得分。
6、于本申請的一實施例中，按照所述目標項目的篩選條件對排序后的專家推薦列表中的專家進行篩選，包括：根據所述目標項目的篩選條件構建所述目標項目的查詢語句，所述篩選條件包括
、預期成果、項目階段中至少之一；按照所述目標項目的查詢語句對所述排序后的專家推薦列表中各專家的專家文本信息進行檢索，根據檢索結果生成所述最終的專家推薦列表。
7、于本申請的一實施例中，得到最終的專家推薦列表并發送至所述用戶端之后，所述方法包括：接收所述用戶端發送的對所述最終的專家推薦列表的推薦反饋信息；根據所述推薦反饋信息進行參數調整，其中，所述參數調整包括調整所述相似度閾值、調整所述分配權重和調整所述語義匹配模型中至少之一。
8、于本申請的一實施例中，將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配之前，所述方法包括：獲取不同專家的專家文本信息；對各專家的專家文本信息進行預處理，得到處理后的各專家的專家文本信息；基于各專家的學術信息構建各專家的專家畫像，并將各專家的專家畫像轉換為向量，以基于轉換得到的所有專家的專家特征向量創建所述專家向量數據庫，其中，所述專家文本信息中至少包括所述學術信息。
9、于本申請的一實施例中，還提供一種專家推薦系統，所述系統包括：數據接收模塊，用于接收用戶端發送的目標項目的項目文本信息和所述目標項目的篩選條件；信息處理模塊，用于對所述項目文本信息進行特征提取，并將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配，以根據匹配結果生成初始的專家推薦列表；查詢所述初始的專家推薦列表中各專家的信譽度信息，基于信譽度信息對所述初始的專家推薦列表中的專家進行排序，并按照所述目標項目的篩選條件對排序后的專家推薦列表中的專家進行篩選，得到最終的專家推薦列表；數據發送模塊，用于將所述最終的專家推薦列表發送至所述用戶端。
10、于本申請的一實施例中，還提供一種電子設備，所述電子設備包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述電子設備實現如上所述的專家推薦方法。
11、于本申請的一實施例中，還提供一種計算機可讀存儲介質，其上存儲有計算機程序，當所述計算機程序被計算機的處理器執行時，使計算機執行如上所述的專家推薦方法。
12、本專利技術的有益效果：本專利技術提供一種專家推薦方法、系統、電子設備及存儲介質，該方法通過對用戶填報的項目文本信息進行特征提取，以分析用戶的項目需求和偏好，進而匹配合適的專家，可有效避免人工推薦的主觀認知偏差和信息缺失等局限性影響，實現了快速、精準的專家推薦。并且，根據專家自身的信譽度信息對專家推薦列表進行排序，能夠有效提高用戶滿意度，根據用戶個性化定制的篩選條件對專家推薦列表進行篩選，能夠更好地適應不同用戶的需求，增強推薦的個性化程度。
13、應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本申請。
本文檔來自技高網...【技術保護點】
1.一種專家推薦方法，其特征在于，所述方法包括：
2.根據權利要求1所述的專家推薦方法，其特征在于，對所述項目文本信息進行特征提取，包括：
3.根據權利要求1所述的專家推薦方法，其特征在于，將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配，包括：
4.根據權利要求3所述的專家推薦方法，其特征在于，基于信譽度信息對所述初始的專家推薦列表中的專家進行排序，包括：
5.根據權利要求3所述的專家推薦方法，其特征在于，按照所述目標項目的篩選條件對排序后的專家推薦列表中的專家進行篩選，包括：
6.根據權利要求4所述的專家推薦方法，其特征在于，得到最終的專家推薦列表并發送至所述用戶端之后，所述方法包括：
7.根據權利要求1-6中任一項所述的專家推薦方法，其特征在于，將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配之前，所述方法包括：
8.一種專家推薦系統，其特征在于，所述系統包括：
9.一種電子設備，其特征在于，所述電子設備包括：
<...【技術特征摘要】
1.一種專家推薦方法，其特征在于，所述方法包括：
2.根據權利要求1所述的專家推薦方法，其特征在于，對所述項目文本信息進行特征提取，包括：
3.根據權利要求1所述的專家推薦方法，其特征在于，將提取到的項目特征向量與預先創建的專家向量數據庫中各專家的專家特征向量進行匹配，包括：
4.根據權利要求3所述的專家推薦方法，其特征在于，基于信譽度信息對所述初始的專家推薦列表中的專家進行排序，包括：
5.根據權利要求3所述的專家推薦方法，其特征在于，按照所述目標項目的篩選條件對排序后的專家推薦列表中的專家進行篩選，包括：
6....
【專利技術屬性】
技術研發人員：王俊豪，張浩，曾建成，仲繼偉，劉冬，陳星植，謝文剛，王澤靖，劉仕琦，王溢，
申請(專利權)人：中冶賽迪信息技術重慶有限公司，
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。