[发明专利]一种面向电力领域知识学习的文献推荐方法及装置

说明书

本发明公开了一种面向电力领域知识学习的文献推荐方法及装置，该方法包括：获取用户历史阅读文献，通过TF‑RPD和TF‑IDF两套算法抽取文献中的关键词构成文献关键词集；基于关键词计算文献词向量；基于文献词向量计算用户间的相似性；基于用户间的相似性排序形成当前用户的邻居用户，将邻居用户的阅读文献进行相互推荐。本发明通过TF‑RPD和TF‑IDF两套算法提取关键词，同时兼顾词频这一重要因素，提高了电力领域关键词提取的准确性。同时，利用文献词向量计算用户间的相似性，进一步优化相似度计算算法，提高了文献推荐的准确性。

技术领域

本发明属于电力知识培训技术领域，具体为一种面向电力领域知识学习的文献推荐方法及装置。

背景技术

目前在电力知识培训领域，存在着知识资源比较庞大，增长速度快的问题。并且，电力岗位学员在进行岗位知识学习时只能通过人工搜索方式进行，效率低下，学员需要一种更加智能的知识发现机制。随着推荐技术的不断发展，推荐引擎已经在电子商务平台和基于社交的资讯站点取得了很大的成功。与此同时，在教育领域也涌现了很多基于推荐算法的学习资源分享平台(如CSDN、知网等)。

目前的推荐引擎的工作原理都是基于物品或者用户的相似集进行推荐，根据不同的数据源发现数据相关性的方法可以分为以下三类：

(1)根据系统用户的基本信息发现用户的相关程度，这种被称为基于人口统计学的推荐(Demographic-based Recommendation)；

(2)根据推荐物品或内容的元数据，发现物品或者内容的相关性，这种被称为基于内容的推荐(Content-based Recommendation)；

(3)根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，这种被称为基于协同过滤的推荐(Collaborative Filtering-basedRecommendation)。

其中协同过滤算法是一种基于用户协作的推荐方式，不需要开发者挖掘项目的内容，技术易于实现且可为用户提供新异推荐，所以，在学术界得到深入研究，而且在工业界得到广泛应用。但是，随着网站的资源信息量和用户人数在不断攀升，网站的结构也越来越复杂，使得基于协同过滤的推荐系统面临着一系列问题。其中，稀疏性问题是推荐系统面临的主要问题，也是导致推荐系统质量下降的重要原因。在一些大型网站用户评价过的项目数量相对网站中总项目数量可谓是冰山一角，这就导致了用户-项目评分矩阵的数据极端稀疏，在计算用户或项目的最近邻时准确率就会比较低甚至找不到相似用户，从而使得推荐系统的推荐质量急剧下降。稀疏性问题直接影响这推荐系统的质量问题，针对稀疏性问题，相关研究提出了很多解决方案，包括空值补填、聚类、降维、矩阵分解等。这些常用的方案习惯在原有的稀疏矩阵基础上利用数学方法进行“补救”，难以保证准确性，也降低了系统的可解释性，无法从根本上解决稀疏性问题。

发明内容

本发明的目的在于提供一种面向电力领域知识学习的文献推荐方法及装置，通过提取文献的关键词扩充项目属性以解决数据稀疏性问题。

为了达到上述目的，本发明采用的技术方案如下：

本发明一方面提供一种面向电力领域知识学习的文献推荐方法，包括：

获取用户历史阅读文献，抽取文献中的关键词构成文献关键词集；

基于文献关键词计算文献词向量；

基于文献词向量计算用户间的相似性；

基于用户间的相似性排序形成当前用户的邻居用户，将邻居用户的阅读文献进行相互推荐。

进一步的，所述抽取文献中的关键词构成文献关键词集，包括：

计算文献中每个词的频率：