融合多特征和双向图分类的专家推荐方法

专家推荐是推荐系统领域的一个研究热点，专家信息特征提取的合理性直接影响到推荐的准确性。然而多数专家推荐方法未对多源信息构建特征关系文本图，忽略了属性特征之间的相关性，以及无法依据关联性拓展知识领域特征。针对以上问题本文提出了一种融合多特征和双向图分类的专家推荐方法CMFBG。首先通过多源信息融合获取专家个体多特征信息，并对不同属性特征构建类内文本图；然后分别使用基于Transformer的双向编码器表示（Bidirectional encoder representation from transformer， BERT）模型和图卷积神经网络（Graph convolutional network， GCN）模型对特征提取并融合；最后通过双向注意力机制增强源数据对图特征的扩展，实现图结构上的分类。在同一专家数据集上进行实验分析，结果表明在图分类任务中CMFBG精确率高于其他算法，达到了91.71%。