[发明专利]一种人才价值评估方法

权利要求书

1.一种人才价值评估方法，以专业人才发表的学术文献为基础，其特征在于：包括如下步骤：

S1，计算文献网络结构高阶邻近度特征矩阵：

基于网络结构构建邻接矩阵，计算其特征值和特征向量，映射到含有高阶邻近信息结构矩阵的特征值和特征向量，计算含有高阶邻近信息的结构矩阵奇异值分解结果，完成网络结构高阶邻近度的初始化嵌入特征矩阵计算；

S2，计算文献网络低维特征矩阵：

设计网络结构特征矩阵和节点内容特征矩阵的更新规则，迭代计算，获得它们的特征嵌入矩阵，将两个特征矩阵按比例相加融合，获取最终的文献网络特征矩阵；

S2的具体步骤如下：

S21，网络节点内容数据建模：

取文献节点的内容矩阵为C，设为n×d阶矩阵，将文献节点中标题、关键词和摘要抽取出来构建词袋模型，C则基于该词袋模型计算而成，在词袋模型中，会删除停用字，并将词干提取作为预处理步骤进行，该矩阵的每一行都是对应节点上文本内容的tfidf向量；

S22，设计网络结构特征矩阵和节点内容特征矩阵的更新规则：

分别对A、C做非负矩阵分解，则有

A≈B₁B₂ (8)

C≈UV (9)

在公式(8)和公式(9)中，B₁是n×k阶矩阵，B₂是k×n阶矩阵，嵌入矩阵U是n×k阶矩阵，V是k×d阶矩阵，应用于网络嵌入中，有k＜＜n，其中，

其中，α₂,α₃,β₂,β₃≥0对应于各部分的权重，

基于内容给出一个嵌入矩阵U，为了使B₁向U靠近，通过最小化以下成本函数，得到基于链接结构的嵌入矩阵B₁：

其中，D₁(B₁,B₂)代表结构内容靠近函数；

为了利用结构和内容的一致性，会将B₁向U靠近，权重α₁≥0决定优化结构嵌入矩阵时内容的重要性，新的B₁和B₂获取如下：

同样，给定一个基于结构的嵌入矩阵B₁，为了使U向B₁靠近，通过最小化下面的成本函数，可以找到基于内容的嵌入矩阵U：

其中，D₂(U,V)代表内容结构靠近函数；

不允许内容嵌入矩阵U明显偏离给定的结构嵌入矩阵B₁，权重β₁≥0决定优化内容嵌入矩阵时结构的重要性，新的U和V计算如下：

多次迭代公式(13)和公式(15)的计算完成优化，获得网络的最终嵌入矩阵，

设置初始B₁为B₁^*，B₁值的更新与B₁^*无关，下面将推导出必要的更新规则，以解决公式(13)和公式(15)中的优化问题，在公式(13)中，如果以B₁为自变量，B₂为常量，则该函数是一个凹函数，为了求极小值，求偏导为0，得等式

I是单位矩阵，是半正定矩阵，的逆矩阵一定存在，为了确保B₁的非负性，进一步设置B₁的更新规则为：

式中[X]₊表示矩阵X的每一个元素X_ij完成以下公式：

那么，以B₂为自变量，求极小值，求偏导为0，得等式：

同理求U、V，得：

U＝[(CV^T+β₁B₁)(VV^T+β₁I+β₂I)^-1]₊ (23)

V＝[(U^TU+β₃I)^-1U^TC]₊ (24)

更新规则设计完成，得到了网络的两个不同的嵌入矩阵B₁和U，B₁为结构嵌入矩阵，U为内容嵌入矩阵；

S23，获取最终的网络嵌入矩阵：

为了获取最终的网络嵌入矩阵，则考虑以下情况：

a、如果结构和内容一致，矩阵B₁和U相似，在这种情况下，两个矩阵中的任何一个，或两个矩阵的凸组合形式(γ×B₁+(1-γ)×U),0≤γ≤1将是网络最终表示的选择，γ为最终网络嵌入矩阵的两个组成部分分别所占的比例；

b、如果有关于结构和内容质量的先验信息，可以相应地选择矩阵，当只有很少的关键词可用，作为引文网络中每篇文献的内容，而网络的链接结构良好，选择B₁作为网络的最终表示γ＝1，则不加入U的考量，反之亦然，更重视内容而忽视结构的影响；

S3，谱聚类完成文献网络节点聚类：

将最终的网络嵌入矩阵作为谱聚类的输入矩阵，选择全连接法构建数据节点的相似矩阵，依次计算出邻接矩阵、度矩阵和拉普拉斯矩阵，对拉普拉斯聚类完成标准化操作，选择K-Means聚类方法进行网络节点聚类；

S4，计算人才价值数值：

在每一类别中，分别计算文献作者的总影响力数值及活跃度数值，设计权重将两个数值结合，计算人才价值数值。