[发明专利]一种基于卷积神经网络的面向智能专家推荐的用户画像方法

说明书

本发明公开了一种基于卷积神经网络的面向智能专家推荐的用户画像方法。本方法为：1)利用选定的专家个人信息，获取一专家信息数据集；2)对该专家信息数据集中的每一条专家信息处理为一个由词语序列构建而成的句子；3)将使用词向量对步骤2)处理后的专家信息进行文本表示；4)将专家信息对应的词向量训练卷积神经网络；5)根据待构建画像专家的文本信息生成该待构建画像专家的词向量，利用训练后的卷积神经网络对该待构建画像专家的词向量进行分类，生成该待构建画像专家的用户画像。本发明勾画用户画像准确性高。

技术领域

本发明属于文本信息处理与识别领域，尤其涉及一种基于卷积神经网络的面向智能专家推荐的用户画像方法。

背景技术

用户画像(personas)源于企业自身发展运营的客观需求，是根据用户个人信息抽象出来的标签化用户模型。在实际的产品开发运营过程中，由于目标用户定位不明确，用户需求不清晰等诸多原因，产品的开发运营过程往往不是一帆风顺的。为解决这一问题，用户画像技术应运而生。用户画像技术可以抽象用户信息，勾画用户属性，从用户信息中提取高度精炼的特征，并根据这些特征“标记”用户以实现对用户的标签化。用户画像在定位目标用户，减少开发人员分歧，提高产品开发效率等方面有诸多优势。因此，用户画像技术在工业界和学术界引起了广泛的专注。

而面向智能专家推荐的用户画像，顾名思义，目标人群是专家。随着国家对科学研究领域的发展日益关注，各式科学研究项目不计其数，而申请这些科研项目的相关领域专家更是数不胜数。因此，如何自动化地衡量专家的科研能力，实现智能化推荐专家以完成项目成为亟待解决的问题。而在智能推荐专家过程中，针对人数众多繁杂的专家的学术画像分类是不可或缺的步骤。

现有的用户画像技术方案主要分为两大类——定性描述和基于分类的方法。前者往往通过调研问卷、电话访谈等手段获得用户的定性特征。例如，技术人员首先确定好待建立用户画像的目标人群以及列出能勾画目标人群用户画像的相关问题，如用户的年龄、性别、爱好等，然后通过问卷调查、走访交谈等方式收集记录目标人群对这些问题的回答。最终，在目标人群的答案的基础上，剔除无效冗余信息，提取高度精炼的特征，实现对用户的“标签化”，建立目标人群的用户画像。

而后者则通常是将机器学习中的经典分类算法，如k最近邻、朴素贝叶斯、支持向量机等应用于用户画像技术方案中。首先，收集大量关于用户的文本信息，图像信息等数据。这些数据本身往往蕴含了大量丰富的语义信息，所以用户画像技术问题自然而然的被转换为文本分析问题或者图像分析问题。然后，实现机器学习中的分类算法，如k最近邻、朴素贝叶斯、支持向量机等。它们已经在文本挖掘、图像分析等诸多领域取得了令人满意的成果。通过实现以上一种算法，或者实现以上多种算法并结合的方式，在收集的用户数据上建立模型并训练，最后使用训练完毕的模型从用户数据中提取特征，对样本进行分类，即生成“标签”，“标记”用户，进而勾画用户画像。

在大数据时代，数据规模不断扩大，数据结构日益复杂。而现有的用户画像技术方案中，定性描述虽然能勾画目标人群的用户画像，但存在着效率低，用户画像准确性不高、缺乏说服力等诸多缺点。这些缺点导致定性描述方法愈发无法满足实际需求。而基于分类的方法，如k最近邻，朴素贝叶斯、支持向量机等，虽然有着坚实的理论基础，拥有一定的说服力，但仍然存在需人工提取特征，成本高，准确性不高等不足。此外，由于隐私、安全等诸多外在因素的限制，缺乏国内各高校和科研院所专家的数据，阻碍了专家学术画像的构建。

发明内容

本申请提出一种基于卷积神经网络的面向智能专家推荐的用户画像的方法。其基本思想是，通过开放式数据获取技术得到专家信息(文本形式)，自主构建大规模专家数据集，并利用近年来在文本、图像等诸多领域取得优异表现的卷积神经网络技术，以文本分类的形式从专家信息中自动提取高度精炼的特征并对用户进行“标记”，以文本分类的形式输出样本类别，生成用户“标签”，勾画专家的用户画像。