【技术实现步骤摘要】
本专利技术涉及计算机信息处理，更具体地说，涉及一种专家推荐系统、方法、计算机设备及存储介质。
技术介绍
1、产学研是指产业界、高等教育机构和科学研究机构之间紧密合作的一种模式。高等教育院校具有丰富的知识资源、人才资源和研发能力，而企业则拥有经济基础和市场需求。通过校企合作的产学研模式，双方可以共享资源，实现优势互补，提高研发效率和创新能力，促进科技创新和经济增长的良性循环。近年来，我国中央包括多省政府都印发了多个有关促进校企合作、推进产学研发展的相关文件也从侧面验证了校企合作的重要性。
2、企业在实际生产中碰到技术性问题时，通常会因为专业知识与相关人才欠缺而以发布企业需求的方式向高校寻求合作。然而现有的专家推荐大多是聚焦于学术论文审稿、相似研究方向专家合作，并不适用于校企合作场景下的专家推荐。通过高校人工筛选相关专家又存在人员专业知识能力不足，耗费大量时间与人力成本，准确率低等缺点。
3、近年来，随着自然语言处理的发展，尤其是预训练语言模型的出现，为基于文本的推荐算法开辟了新的方向。预训练语言模型利用无标注的大规模语料库数据进行预训练，学习生成文本的内在表示，从而提供了一个出色的特征提取器。相较于传统的基于词向量的模型，它具有更强的上下文理解能力和更好的迁移效果，为面向企业需求的专家推荐提供了一种人工耗费少、准确性高的新途径。
4、企业通常面对的是具体、急迫的技术难题，这些难题需要迅速而准确地找到合适的专家进行解决。传统的专家推荐算法，如基于学术论文审稿和相似研究方向的推荐，无法完全满足这种需
5、目前的专家推荐算法主要具有三个不足：(1)专家个人信息的使用率低，现有的专家推荐方法主要是根据专家的研究领域方面的信息进行推荐，而专家的其他成果、参与的科研项目以及科研能力等方面的信息往往不会参与到推荐的过程中。(2)传统专家推荐算法忽略了专家研究主题的变化，例如早期研究无机材料的专家可能已经转而研究生物材料。(3)采取传统神经网络提取企业文本与专家的特征和单纯依靠相似度进行推荐由于忽略了专家之间语义层面的丰富的信息，并且训练更加耗费资源，效果不理想。
技术实现思路
1、1.要解决的技术问题
2、针对现有技术中存在的专家推荐方法效率低下、匹配准确性不高的问题，本专利技术提供了一种专家推荐系统、方法、计算机设备及存储介质，可以快速精确匹配到可以解决具体技术问题的专家，尤其适用于校企合作场景下的专家推荐。
3、2.技术方案
4、本专利技术的目的通过以下技术方案实现。
5、一种专家推荐系统，包括：数据采集模块、分类模块、存储模块、建模模块、推荐模块；
6、所述数据采集模块，采集企业需求数据，对企业需求数据预处理；
7、所述分类模块，构建基于bert模型的企业需求分类器，输入企业需求数据到基于bert模型的企业需求分类器中生成企业需求特征，通过企业需求特征判断企业需求的所属需求领域；
8、所述存储模块，存储专家信息数据，将专家信息数据分类得到专家的特征字段；
9、所述建模模块，通过专家的特征字段构建基于lda模型的专家建模器，所述基于lda的专家建模器输出专家特征；
10、所述推荐模块，包括深度学习推荐模块和指标推荐模块；所述深度学习推荐模块计算企业需求特征和专家特征的向量关系以及企业需求隐藏特征和专家隐藏特征的隐藏关系得到匹配分数，所述指标推荐模块对专家其他指标进行量化计算得到匹配分数，根据深度学习推荐模块输出的匹配分数和指标推荐模块输出的匹配分数计算推荐优先度。
11、进一步地，所述输入企业需求数据到基于bert模型的企业需求分类器中生成企业需求特征，通过企业需求特征判断企业需求的所属需求领域，其步骤包括：
12、输入企业需求到基于bert模型的企业需求分类器中生成企业需求特征；
13、通过全连接层将企业需求特征的向量维度转化为所属需求领域分类的类别数目，得到企业需求的所属需求领域的可能性向量集合；
14、将可能性向量集合通过softmax层得到企业需求的所属需求领域的概率向量，概率向量的计算公式为：
15、p＝softmax(fc(o))
16、其中，p表示概率向量，softmax表示激活函数，fc表示激活函数是relu激活函数的全连接层，o表示企业需求特征；
17、通过概率向量判断企业需求的所属需求领域。
18、进一步地，所述深度学习推荐模块包括需求--专家编码器和预测模块；所述需求--专家编码器将企业需求特征与专家特征映射到同一维度空间，进行特征提取与学习，得到企业需求特征与专家特征的向量关系，预测模块融合企业需求特征和专家特征的向量关系后降维输出匹配分数。
19、进一步地，需求--专家编码器将企业需求特征嵌入转换为企业需求特征的词向量，将企业需求特征的词向量通过编码器编码得到企业需求隐藏特征；
20、需求--专家编码器将专家特征嵌入转换为专家特征的词向量，将专家特征的词向量通过编码器编码得到专家隐藏特征；
21、计算企业需求隐藏特征和专家隐藏特征的隐藏关系得到匹配概率得分，计算公式为：
22、score(ve,vs)＝sigmoid(fc(vstve))
23、其中，ve表示企业需求隐藏特征，vs表示专家隐藏特征，score(ve,vs)表示匹配概率得分，sigmoid表示sigmoid激活函数，t表示转置操作，fc表示全连接层函数。
24、进一步地，结合企业需求特征和专家特征的向量关系输出的匹配分数以及企业需求隐藏特征和专家隐藏特征的隐藏关系输出的匹配概率得分，得到深度学习推荐模块的匹配分数。
25、进一步地，对专家其他指标进行量化计算，专家其他指标包括专家课题、学术成果和相关背景，计算公式为：
26、s＝(p+q+g)/3
27、其中，s表示指标推荐模块输出的匹配分数，p表示专家课题部分权重，q表示学术成果部分权重，g表示相关背景部分权重。
28、进一步地，通过深度学习推荐模块输出的匹配分数和指标推荐模块输出的匹配分数计算推荐优先度，计算公式为：
29、m＝α×scorei+β×si
30、其中，m表示推荐优先度，i表示专家，scorei表示专家i的深度学习推荐模块输出的匹配分数，α表示深度学习推荐模块输出的匹配分数所占的权重，si表示专家i的指标推荐模块输出的匹配分数，β表示指标推荐模块输出的匹配分数本文档来自技高网...
【技术保护点】
1.一种专家推荐系统，其特征在于，包括：数据采集模块、分类模块、存储模块、建模模块、推荐模块；
2.根据权利要求1所述的一种专家推荐系统，其特征在于，所述输入企业需求数据到基于BERT模型的企业需求分类器中生成企业需求特征，通过企业需求特征判断企业需求的所属需求领域，其步骤包括：
3.根据权利要求2所述的一种专家推荐系统，其特征在于，所述深度学习推荐模块包括需求--专家编码器和预测模块；所述需求--专家编码器将企业需求特征与专家特征映射到同一维度空间，进行特征提取与学习，得到企业需求特征与专家特征的向量关系，预测模块融合企业需求特征和专家特征的向量关系后降维输出匹配分数。
4.根据权利要求3所述的一种专家推荐系统，其特征在于，需求--专家编码器将企业需求特征嵌入转换为企业需求特征的词向量，将企业需求特征的词向量通过编码器编码得到企业需求隐藏特征；
5.根据权利要求4所述的一种专家推荐系统，其特征在于，结合企业需求特征和专家特征的向量关系输出的匹配分数以及企业需求隐藏特征和专家隐藏特征的隐藏关系输出的匹配概率得分，得到深度学习推荐模块
6.根据权利要求5所述的一种专家推荐系统，其特征在于，对专家其他指标进行量化计算，专家其他指标包括专家课题、学术成果和相关背景，计算公式为：
7.根据权利要求6所述的一种专家推荐系统，其特征在于，通过深度学习推荐模块输出的匹配分数和指标推荐模块输出的匹配分数计算推荐优先度，计算公式为：
8.一种专家推荐方法，包括以下步骤：
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种专家推荐系统，其特征在于，包括：数据采集模块、分类模块、存储模块、建模模块、推荐模块；
2.根据权利要求1所述的一种专家推荐系统，其特征在于，所述输入企业需求数据到基于bert模型的企业需求分类器中生成企业需求特征，通过企业需求特征判断企业需求的所属需求领域，其步骤包括：
3.根据权利要求2所述的一种专家推荐系统，其特征在于，所述深度学习推荐模块包括需求--专家编码器和预测模块；所述需求--专家编码器将企业需求特征与专家特征映射到同一维度空间，进行特征提取与学习，得到企业需求特征与专家特征的向量关系，预测模块融合企业需求特征和专家特征的向量关系后降维输出匹配分数。
4.根据权利要求3所述的一种专家推荐系统，其特征在于，需求--专家编码器将企业需求特征嵌入转换为企业需求特征的词向量，将企业需求特征的词向量通过编码器编码得到企业需求隐藏特征；
5.根据权利要求4所述的一种专家推荐系统，其特征在于，结...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。