高校科研信息化管理平台及方法.pdf

《高校科研信息化管理平台及方法.pdf》由会员分享，可在线阅读，更多相关《高校科研信息化管理平台及方法.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410065225.9(22)申请日 2024.01.17(71)申请人 江西交通职业技术学院地址 330000 江西省南昌市昌北开发区双港东大街644支路395号(72)发明人 陈静茹邹曼娜(74)专利代理机构 南昌合达信知识产权代理事务所(普通合伙)36142专利代理师 陈龙(51)Int.Cl.G06Q 50/20(2012.01)G06F 18/24(2023.01)G06N 3/0464(2023.01)G06N 3/042(2023.01)G06N 3/0455(2023.01)。

2、(54)发明名称高校科研信息化管理平台及方法(57)摘要公开了一种高校科研信息化管理平台及方法。其首先获取被评估高校的多个部门的科研数据，接着，对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量，然后，对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑科研语义特征矩阵，接着，对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑科研语义特征矩阵进行基于图结构的关联编码以得到部门邻接拓扑科研语义特征，最后，基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签。这样，可以为学校科研管理决策提供科学有效的辅助支持，从而提升高校科研管理的效率和质。

3、量，促进科研成果的产出和转化。权利要求书3页 说明书11页 附图3页CN 117575865 A2024.02.20CN 117575865 A1.一种高校科研信息化管理平台，其特征在于，包括：数据采集模块，用于获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；科研数据语义分析模块，用于对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量；部门邻接拓扑关联分析模块，用于对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑特征矩阵；图结构关联编码模块，用于对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑特征矩阵进行基于图结。

4、构的关联编码以得到部门邻接拓扑科研语义特征；科研项目研究热点判断模块，用于基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签；其中，还包括用于对基于转换器的上下文语义理解器、基于卷积神经网络模型的部门关联特征提取器、图神经网络模型和分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括被评估高校的多个部门的训练科研数据，以及，用于表示被评估高校的科研项目研究热点类型标签的真实值；训练科研数据语义分析单元，用于对所述多个部门的训练科研数据进行语义编码和分析以得到多个训练科研数据项上下文语义特征向量；训练部门邻接拓扑关联分析。

5、单元，用于对所述多个部门进行邻接拓扑关联分析以得到训练部门邻接拓扑特征矩阵；训练图结构关联编码单元，用于对所述多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型以得到训练部门邻接拓扑科研语义特征矩阵；训练分类损失函数计算单元，用于将所述训练部门邻接拓扑科研语义特征矩阵通过分类器以得到分类损失函数值；训练预定损失函数计算单元，用于计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值；损失训练单元，用于计算所述分类损失函数值和所述预定损失函数值的加权和作为训练损失函数值来对所述基于转换器的上下文语义理解。

6、器、所述基于卷积神经网络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练；其中，所述训练预定损失函数计算单元，用于以损失计算公式计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的所述预定损失函数值；其中，所述损失计算公式为：其中，且是所述多个训练科研数据项上下文语义特征向量中的各个训练科研数据项上下文语义特征向量，是所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量，和分别是特征向量的1范数和2权利要求书1/3 页2CN 117575865 A2范数，是界阈值超参数，且特征向量均为行向量形式，表示向量减法，表示向量乘法，表示转。

7、置操作，表示所述预定损失函数值。2.根据权利要求1所述的高校科研信息化管理平台，其特征在于，所述科研数据语义分析模块，包括：各部门科研数据项语义编码单元，用于对每个所述部门的科研数据进行语义编码以得到科研数据项语义编码向量的序列；部门科研数据项语义关联分析单元，用于将所述科研数据项语义编码向量的序列通过基于转换器的上下文语义理解器以得到所述科研数据项上下文语义特征向量。3.根据权利要求2所述的高校科研信息化管理平台，其特征在于，所述部门邻接拓扑关联分析模块，包括：部门邻接矩阵构造单元，用于构建各个部门的部门邻接矩阵，所述部门邻接矩阵中非对角线上的各个位置的值表示相应的两个部门之间是否存在关联；。

8、部门邻接关联特征提取单元，用于将所述部门邻接矩阵通过基于卷积神经网络模型的部门关联特征提取器以得到所述部门邻接拓扑特征矩阵。4.根据权利要求3所述的高校科研信息化管理平台，其特征在于，所述图结构关联编码模块，用于：将所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑特征矩阵通过图神经网络模型以得到部门邻接拓扑科研语义特征矩阵作为所述部门邻接拓扑科研语义特征。5.根据权利要求4所述的高校科研信息化管理平台，其特征在于，所述科研项目研究热点判断模块，用于：将所述部门邻接拓扑科研语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被评估高校的科研项目研究热点类型标签。6.根据权利要求5所述。

9、的高校科研信息化管理平台，其特征在于，所述训练分类损失函数计算单元，用于：使用所述分类器以训练分类公式对所述训练部门邻接拓扑科研语义特征矩阵进行处理以生成训练分类结果；其中，所述训练分类公式为：其中，表示将所述训练部门邻接拓扑科研语义特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵；计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。7.一种高校科研信息化管理方法，其特征在于，包括：获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量。

10、；对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑科研语义特征矩阵；对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑科研语义特征矩阵权利要求书2/3 页3CN 117575865 A3进行基于图结构的关联编码以得到部门邻接拓扑科研语义特征；基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签；其中，还包括用于对基于转换器的上下文语义理解器、基于卷积神经网络模型的部门关联特征提取器、图神经网络模型和分类器进行训练的训练阶段；其中，所述训练阶段，包括：获取训练数据，所述训练数据包括被评估高校的多个部门的训练科研数据，以及，用于表示被评估高校的科研项目研究热点类型标。

11、签的真实值；对所述多个部门的训练科研数据进行语义编码和分析以得到多个训练科研数据项上下文语义特征向量；对所述多个部门进行邻接拓扑关联分析以得到训练部门邻接拓扑特征矩阵；对所述多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型以得到训练部门邻接拓扑科研语义特征矩阵；将所述训练部门邻接拓扑科研语义特征矩阵通过分类器以得到分类损失函数值；计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值；计算所述分类损失函数值和所述预定损失函数值的加权和作为训练损失函数值来对所述基于转换器的上下文语义理解器、所述基于卷。

12、积神经网络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练；其中，计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值，包括以损失计算公式计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的所述预定损失函数值；其中，所述损失计算公式为：其中，且是所述多个训练科研数据项上下文语义特征向量中的各个训练科研数据项上下文语义特征向量，是所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量，和分别是特征向量的1范数和2范数，是界阈值超参数，且特征向量均为行向量形式，表示向量减法，。

13、表示向量乘法，表示转置操作，表示所述预定损失函数值。8.根据权利要求7所述的高校科研信息化管理方法，其特征在于，对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量，包括：对每个所述部门的科研数据进行语义编码以得到科研数据项语义编码向量的序列；将所述科研数据项语义编码向量的序列通过基于转换器的上下文语义理解器以得到所述科研数据项上下文语义特征向量。权利要求书3/3 页4CN 117575865 A4高校科研信息化管理平台及方法技术领域0001本申请涉及信息管理领域，且更为具体地，涉及一种高校科研信息化管理平台及方法。背景技术0002随着高校科研投入和从事科研活动的人。

14、员的不断增加，高校科研管理的压力也越来越大。如今，教师参与科研活动几乎都需要依赖互联网资源。信息已然成为当今社会经济的重要载体，信息化更是提升高校科研水平的重要依托。0003高校科研管理处每年申报的各类科研项目的种类繁多，科研项目申报的数量年年均有大幅度的增长。而随着数据处理量的急剧增加及对数据分析的高要求，目前的手工方式已经显得不太适应形势的发展，无法满足高校科研管理的需求。因此，开发一个高校科研信息化管理平台至关重要。0004因此，期望一种高校科研信息化管理平台。发明内容0005有鉴于此，本申请提出了一种高校科研信息化管理平台及方法，其可以为学校科研管理决策提供科学有效的辅助支持，从而提升。

15、高校科研管理的效率和质量，促进科研成果的产出和转化。0006根据本申请的一方面，提供了一种高校科研信息化管理平台，其包括：数据采集模块，用于获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；科研数据语义分析模块，用于对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量；部门邻接拓扑关联分析模块，用于对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑特征矩阵；图结构关联编码模块，用于对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑特征矩阵进行基于图结构的关联编码以得到部门邻接拓扑科研语义特征；科研项目研究热点判断模块，用。

16、于基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签；其中，还包括用于对基于转换器的上下文语义理解器、基于卷积神经网络模型的部门关联特征提取器、图神经网络模型和分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括被评估高校的多个部门的训练科研数据，以及，用于表示被评估高校的科研项目研究热点类型标签的真实值；训练科研数据语义分析单元，用于对所述多个部门的训练科研数据进行语义编码和分析以得到多个训练科研数据项上下文语义特征向量；说明书1/11 页5CN 117575865 A5训练部门邻接拓扑关联分析单元，用于对所述多个部。

17、门进行邻接拓扑关联分析以得到训练部门邻接拓扑特征矩阵；训练图结构关联编码单元，用于对所述多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型以得到训练部门邻接拓扑科研语义特征矩阵；训练分类损失函数计算单元，用于将所述训练部门邻接拓扑科研语义特征矩阵通过分类器以得到分类损失函数值；训练预定损失函数计算单元，用于计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值；损失训练单元，用于计算所述分类损失函数值和所述预定损失函数值的加权和作为训练损失函数值来对所述基于转换器的上下文语义理解器、所述基于卷积神经网。

18、络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练；其中，所述训练预定损失函数计算单元，用于以损失计算公式计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的所述预定损失函数值；其中，所述损失计算公式为：其中，且是所述多个训练科研数据项上下文语义特征向量中的各个训练科研数据项上下文语义特征向量，是所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量，和分别是特征向量的1范数和2范数，是界阈值超参数，且特征向量均为行向量形式，表示向量减法，表示向量乘法，表示转置操作，表示所述预定损失函数值。0007根据本申请的另一方面，提供了一种高。

19、校科研信息化管理方法，其包括：获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量；对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑科研语义特征矩阵；对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑科研语义特征矩阵进行基于图结构的关联编码以得到部门邻接拓扑科研语义特征；基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签；其中，还包括用于对基于转换器的上下文语义理解器、基于卷积神经网络模型的部门关联特征提取器、图神经网络模型和分类器进行训练的训练。

20、阶段；其中，所述训练阶段，包括：获取训练数据，所述训练数据包括被评估高校的多个部门的训练科研数据，以及，用于表示被评估高校的科研项目研究热点类型标签的真实值；说明书2/11 页6CN 117575865 A6对所述多个部门的训练科研数据进行语义编码和分析以得到多个训练科研数据项上下文语义特征向量；对所述多个部门进行邻接拓扑关联分析以得到训练部门邻接拓扑特征矩阵；对所述多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型以得到训练部门邻接拓扑科研语义特征矩阵；将所述训练部门邻接拓扑科研语义特征矩阵通过分类器以得到分类损失函数值；计算所述训练部门邻接拓扑科研语义特征。

21、矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值；计算所述分类损失函数值和所述预定损失函数值的加权和作为训练损失函数值来对所述基于转换器的上下文语义理解器、所述基于卷积神经网络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练；其中，计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值，包括以损失计算公式计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的所述预定损失函数值；其中，所述损失计算公式为：其中，且是所述多个训练科研数据项上下文语义。

22、特征向量中的各个训练科研数据项上下文语义特征向量，是所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量，和分别是特征向量的1范数和2范数，是界阈值超参数，且特征向量均为行向量形式，表示向量减法，表示向量乘法，表示转置操作，表示所述预定损失函数值。0008根据本申请的实施例，其首先获取被评估高校的多个部门的科研数据，接着，对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量，然后，对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑科研语义特征矩阵，接着，对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑科研语义特征矩阵进行基于图结构的关联编码以得到部门邻接拓。

23、扑科研语义特征，最后，基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签。这样，可以为学校科研管理决策提供科学有效的辅助支持，从而提升高校科研管理的效率和质量，促进科研成果的产出和转化。0009根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。附图说明0010包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。0011图1示出根据本申请的实施例的高校科研信息化管理平台的框图。说明书3/11 页7CN 117575865 A70012图2示出根据本申请的实施例的高校科研信息化管理。

24、平台中所述科研数据语义分析模块的框图。0013图3示出根据本申请的实施例的高校科研信息化管理平台中所述部门邻接拓扑关联分析模块的框图。0014图4示出根据本申请的实施例的高校科研信息化管理方法的流程图。0015图5示出根据本申请的实施例的高校科研信息化管理方法的架构示意图。0016图6示出根据本申请的实施例的高校科研信息化管理平台的应用场景图。具体实施方式0017下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保。

25、护的范围。0018如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。0019以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。0020另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，。

26、本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。0021针对上述技术问题，在本申请的技术方案中，提出了一种高校科研信息化管理平台。高校科研信息化管理平台是一种利用信息技术手段，对高校科研活动进行有效管理和支持的系统，其目的是提高校科研水平和效率，促进高校科研成果的转化和应用，增强高校科研的竞争力和影响力。高校科研信息化管理平台的核心功能是能够自动收集和整合学校各个部门和系统中的科研相关数据，包括科研项目信息、经费使用情况、科研成果登记等，并对这些数据进行挖掘和分析，发现数据中的关联性、趋势和规律。例如，可以通过数据分析找出科。

27、研项目的研究热点、科研成果的影响力等。这样，能够为学校科研管理决策提供科学有效的辅助支持，从而提升高校科研管理的效率和质量，促进科研成果的产出和转化。0022图1示出根据本申请的实施例的高校科研信息化管理平台的框图示意图。如图1所示，根据本申请实施例的高校科研信息化管理平台100，包括：数据采集模块110，用于获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；科研数据语义分析模块120，用于对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量；部门邻接拓扑关联分析模块130，用于对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓。

28、扑特征矩阵；图结构关联编码模块140，用于对所述多个科研数据项上下文语义特征向量和所述部门邻接拓扑特征矩阵进行基于图结构的关联编码以得到部门邻接拓扑科研语义特征；以及，科研项目研究热点判断模块150，说明书4/11 页8CN 117575865 A8用于基于所述部门邻接拓扑科研语义特征，确定被评估高校的科研项目研究热点类型标签。0023具体地，在本申请的技术方案中，首先，获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果。接着，考虑到所述科研数据中的科研项目、科研经费和科研成果都包含有大量的文本语义信息。为了能够分别对于这些科研数据中的各个科研信息进行语义分。

29、析和理解，以便于后续的科研项目热点类型判断，在本申请的技术方案中，需要对每个所述部门的科研数据进行语义编码以得到科研数据项语义编码向量的序列。0024然后，考虑到对于每个所述部门的科研数据来说，所述科研数据中的科研项目语义、科研经费语义和科研成果语义之间具有着基于该部门的科研项目的语义关联关系。因此，进一步将所述科研数据项语义编码向量的序列通过基于转换器的上下文语义理解器中进行编码，以提取出每个所述部门的科研数据中的各个科研信息语义编码特征之间基于全局的上下文语义关联特征信息，从而得到科研数据项上下文语义特征向量，有利于对于所述各个部门的科研数据进行更为准确地语义理解。0025相应地，如图2所。

30、示，所述科研数据语义分析模块120，包括：各部门科研数据项语义编码单元121，用于对每个所述部门的科研数据进行语义编码以得到科研数据项语义编码向量的序列；以及，部门科研数据项语义关联分析单元122，用于将所述科研数据项语义编码向量的序列通过基于转换器的上下文语义理解器以得到所述科研数据项上下文语义特征向量。0026值得一提的是，上下文语义理解器是一种基于转换器（Transformer）的模型，用于对科研数据项语义编码向量的序列进行分析和理解，以获得科研数据项的上下文语义特征向量。它的主要作用是将各个科研数据项之间的语义关联进行分析，并提取出数据项的上下文语义特征。上下文语义理解器通过使用转换器。

31、模型，可以对输入的语义编码向量序列进行编码和解码，从而捕捉到数据项之间的关联信息。转换器模型是一种基于自注意力机制的神经网络模型，能够在序列数据中建立全局的上下文关系。通过自注意力机制，转换器模型可以对输入序列中的每个元素进行加权处理，从而更好地理解序列中各个元素的重要性和关联程度。上下文语义理解器的输出是科研数据项的上下文语义特征向量，这个向量包含了数据项的语义信息和上下文关联信息。这些特征向量可以用于进一步的分析和应用，比如进行数据挖掘、相似性计算、聚类分析等。通过上下文语义理解器，可以更好地理解科研数据项之间的关系，从而为科研数据的应用和分析提供更多的信息和洞察力。0027进一步地，考虑。

32、到在所述被评估高校中，每个部门的科研数据语义理解特征之间存在着隐含的关联关系，这种关联关系与部门之间的相关性有关。因此，为了能够更好地理解所述被评估高校中的各个部门的科研数据语义信息，需要构建所述各个部门的部门邻接矩阵，其中，所述部门邻接矩阵中非对角线上的各个位置的值表示相应的两个部门之间是否存在关联。继而，再将所述部门邻接矩阵通过基于卷积神经网络模型的部门关联特征提取器中进行特征挖掘，以提取出所述各个部门之间的邻接拓扑关联特征信息，从而得到部门邻接拓扑特征矩阵。0028相应地，如图3所示，所述部门邻接拓扑关联分析模块130，包括：部门邻接矩阵构造单元131，用于构建所述各个部门的部门邻接矩阵。

33、，所述部门邻接矩阵中非对角线上的各说明书5/11 页9CN 117575865 A9个位置的值表示相应的两个部门之间是否存在关联；以及，部门邻接关联特征提取单元132，用于将所述部门邻接矩阵通过基于卷积神经网络模型的部门关联特征提取器以得到所述部门邻接拓扑特征矩阵。0029值得一提的是，部门关联特征提取器是指基于卷积神经网络模型的组件，用于从部门邻接矩阵中提取部门之间的关联特征。它的主要作用是通过学习部门之间的邻接拓扑关系，从而得到部门之间的关联特征矩阵。部门关联特征提取器利用卷积神经网络（Convolutional Neural Network，CNN）模型，这是一种深度学习模型，专门用于处。

34、理具有网格结构的数据，在部门关联特征提取器中，卷积神经网络模型被用于处理部门邻接矩阵，以提取部门之间的关联特征。部门邻接矩阵是一个表示各个部门之间关联的二维矩阵，其中非对角线上的元素表示相应的两个部门之间是否存在关联。部门关联特征提取器通过对部门邻接矩阵进行卷积操作，可以捕捉到部门之间的关联模式和拓扑结构。卷积操作可以识别矩阵中的局部模式，并通过多层卷积层进行特征提取和抽象，最终得到部门之间的关联特征矩阵。部门关联特征矩阵包含了部门之间的关联特征，可以用于进一步的分析和应用。通过部门关联特征提取器，可以更好地理解和利用部门之间的关联信息，为科研数据的分析和应用提供更多的角度和方法。0030进而。

35、，以所述多个科研数据项上下文语义特征向量作为节点的特征表示，而以所述部门邻接拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个科研数据项上下文语义特征向量经二维排列得到的科研数据项上下文语义特征矩阵和所述部门邻接拓扑特征矩阵通过图神经网络模型以得到部门邻接拓扑科研语义特征矩阵。具体地，所述图神经网络模型通过可学习的神经网络参数对所述科研数据项上下文语义特征矩阵和所述部门邻接拓扑特征矩阵进行图结构数据编码以得到包含不规则的部门间邻接拓扑关联特征和所述各个部门的科研数据语义理解特征信息的所述部门邻接拓扑科研语义特征矩阵。0031相应地，所述图结构关联编码模块140，用于：将所述多个科研数据。

36、项上下文语义特征向量和所述部门邻接拓扑特征矩阵通过图神经网络模型以得到部门邻接拓扑科研语义特征矩阵作为所述部门邻接拓扑科研语义特征。0032值得一提的是，图神经网络模型是一种用于处理图结构数据的机器学习模型。与传统的神经网络模型不同，图神经网络模型能够有效地处理具有复杂拓扑结构的数据。图神经网络模型的核心思想是利用节点之间的关系和连接模式来学习节点的表示和特征。它通过在图结构中传播和聚合节点的信息来捕捉节点之间的关联和上下文信息。图神经网络模型通常由两个主要组件组成：节点表示学习和图结构信息传播。节点表示学习是图神经网络模型的第一步，它通过将每个节点映射到一个低维向量空间中来学习节点的表示。这。

37、个过程通常涉及到节点特征的提取和转换，可以使用传统的特征提取方法或者基于神经网络的方法。图结构信息传播是图神经网络模型的核心操作，它通过在图中传播节点的信息来更新节点的表示。这个过程通常通过迭代的方式进行，每一轮迭代都会更新节点的表示，使得节点能够聚合和传播周围节点的信息。常用的图结构信息传播方法包括图卷积网络（Graph Convolutional Network，GCN）、图注意力网络（Graph Attention Network，GAT）等。图神经网络模型的输出是经过学习的节点表示，这些表示可以用于节点分类、图分类、节点聚类、链路预测等任务。在科研数据中，图神经网络模型可以用于学习科研。

38、数据项之间说明书6/11 页10CN 117575865 A10的关联和语义信息，从而得到部门邻接拓扑科研语义特征矩阵。0033继而，再将所述部门邻接拓扑科研语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被评估高校的科研项目研究热点类型标签。具体地，在本申请的技术方案中，所述分类器的分类标签为被评估高校的科研项目研究热点类型标签，因此，在得到所述分类结果后，可以基于所述分类结果来判断所述被评估高校的科研项目研究热点类型。这样，能够为学校科研管理决策提供科学有效的辅助支持，从而提升高校科研管理的效率和质量。0034相应地，所述科研项目研究热点判断模块150，用于：将所述部门邻接拓扑科。

39、研语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被评估高校的科研项目研究热点类型标签。更具体地，将所述部门邻接拓扑科研语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被评估高校的科研项目研究热点类型标签，包括：将所述部门邻接拓扑科研语义特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。0035应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回。

40、归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multiclass classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。0036进一步地，在本申请的技术方案中，所述的高校科研信息化管理平台，其还包括用于对所述基于转换器的上下文语义理解器、所述基于卷积神经网络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练的训练模块。应可以理解，训练模块在高校科研信息化管理平台中扮演着重要的角色，它用于对各个组件（如上下文语义理解器、部门关联特征提取器、图神经网。

41、络模型和分类器）进行训练，以使它们能够适应特定的任务和数据。训练模块的主要作用如下：模型参数学习：训练模块通过使用标注的训练数据，对各个组件中的模型参数进行学习和调整。例如，在上下文语义理解器中，训练模块可以通过训练数据来学习转换器模型中的权重和偏置，以使其能够更好地理解和表示科研数据的语义信息。优化模型性能：训练模块通过迭代的训练过程，不断优化各个组件的性能。它可以使用各种优化算法和技术，如梯度下降、反向传播等，来最小化模型的损失函数，并提高模型在训练数据上的性能。适应特定任务和数据：训练模块可以根据不同的任务和数据，对各个组件进行定制化的训练。例如，在分类器中，训练模块可以根据具体的分类任。

42、务，通过训练数据来学习分类器的权重和阈值，以使其能够准确地对科研数据进行分类。通过训练模块的训练过程，各个组件可以逐步提升其性能和适应能力，从而更好地服务于高校科研信息化管理平台的需求。训练模块的使用可以帮助平台实现对科研数据的更准确、更全面的分析和应用，提高科研管理的效率和水平。0037相应地，在一个示例中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括被评估高校的多个部门的训练科研数据，以及，用于表示被评估高校的科研项目研究热点类型标签的真实值；训练科研数据语义分析单元，用于对所述多个部门的训练科研数据进行语义编码和分析以得到多个训练科研数据项上下文语义特征向量；。

43、说明书7/11 页11CN 117575865 A11训练部门邻接拓扑关联分析单元，用于对所述多个部门进行邻接拓扑关联分析以得到训练部门邻接拓扑特征矩阵；训练图结构关联编码单元，用于对所述多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型以得到训练部门邻接拓扑科研语义特征矩阵；训练分类损失函数计算单元，用于将所述训练部门邻接拓扑科研语义特征矩阵通过分类器以得到分类损失函数值；训练预定损失函数计算单元，用于计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的预定损失函数值；以及，损失训练单元，用于计算所述分类损失函。

44、数值和所述预定损失函数值的加权和作为训练损失函数值来对所述基于转换器的上下文语义理解器、所述基于卷积神经网络模型的部门关联特征提取器、所述图神经网络模型和所述分类器进行训练。0038其中，所述训练分类损失函数计算单元，用于：使用所述分类器以训练分类公式对所述训练部门邻接拓扑科研语义特征矩阵进行处理以生成训练分类结果；其中，所述训练分类公式为：；其中，表示将所述训练部门邻接拓扑科研语义特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。0039特别地，在本申请的技术方案中，所述多个训练科研数据项。

45、上下文语义特征向量中的每个训练科研数据项上下文语义特征向量表达相应部门的训练科研数据的数据项语义上下文关联的语义特征，由此，将多个训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑特征矩阵通过图神经网络模型后，可以进一步表示各个部门的训练科研数据的数据项语义特征在部门间关联拓扑特征下的拓扑关联表示，从而使得所述训练部门邻接拓扑科研语义特征矩阵的与所述训练科研数据项上下文语义特征向量对应的特征向量，例如行特征向量具有基于部门间全局关联拓扑的数据项语义特征表示。0040但是，考虑到在部门间全局拓扑关联混合维度下，所述训练部门邻接拓扑科研语义特征矩阵的各个行特征向量仍然需要提升与相应的所述训练科。

46、研数据项上下文语义特征向量的数据语义特征共享性，以此避免在全局拓扑关联混合维度下的语义特征分布稀疏化，本申请的申请人针对所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和相应的训练科研数据项上下文语义特征向量，引入预定损失函数。0041其中，在一个具体示例中，所述训练预定损失函数计算单元，用于以损失计算公式计算所述训练部门邻接拓扑科研语义特征矩阵的每个行特征向量和所述多个训练科研数据项上下文语义特征向量的所述预定损失函数值；其中，所述损失计算公式为：其中，且是所述多个训练科研数据项上下文语义特征向量中的各个训练科研数据项上下文语义特征向量，是所述训练部门邻接拓扑科研语义特征矩阵的相应行特征。

47、向量，和分别是特征向量的1范说明书8/11 页12CN 117575865 A12数和2范数，是界阈值超参数，且特征向量均为行向量形式，表示向量减法，表示向量乘法，表示转置操作，表示所述预定损失函数值。0042具体地，所述训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量之间的共享关键语义特征的强化可以看作全局特征集合的分布信息压缩，通过在基于所述训练科研数据项上下文语义特征向量和所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量间的结构表示来重构原始特征流形的相对形状关系的基础上进行关键特征的分布稀疏化控制，可以在强化所述训练科研数据项上下文语义特征向量。

48、和所述训练部门邻接拓扑科研语义特征矩阵的相应行特征向量间的共享关键语义特征的同时，获得所述训练部门邻接拓扑科研语义特征矩阵的行特征向量的稀疏但是有意义的融合流形的几何表示，以提高所述训练部门邻接拓扑科研语义特征矩阵的表达效果，从而提升其通过分类器得到的分类结果的准确性。这样，能够基于高校各部门的科研数据来进行科研项目的研究热点类型判断，从而为学校科研管理决策提供科学有效的辅助支持，提升高校科研管理的效率和质量，促进科研成果的产出和转化。0043综上，基于本申请实施例的高校科研信息化管理平台100被阐明，其可以为学校科研管理决策提供科学有效的辅助支持，从而提升高校科研管理的效率和质量，促进科研成。

49、果的产出和转化。0044如上所述，根据本申请实施例的所述高校科研信息化管理平台100可以实现在各种终端设备中，例如具有高校科研信息化管理算法的服务器等。在一个示例中，高校科研信息化管理平台100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该高校科研信息化管理平台100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该高校科研信息化管理平台100同样可以是该终端设备的众多硬件模块之一。0045替换地，在另一示例中，该高校科研信息化管理平台100与该终端设备也可以是分立的设备，并且该高校科研信息化管理平台100可以通过有线和/或无线。

50、网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。0046图4示出根据本申请的实施例的高校科研信息化管理方法的流程图。图5示出根据本申请的实施例的高校科研信息化管理方法的系统架构的示意图。如图4和图5所示，根据本申请实施例的高校科研信息化管理方法，其包括：S110，获取被评估高校的多个部门的科研数据，其中，所述科研数据包括科研项目、科研经费和科研成果；S120，对所述多个部门的科研数据进行语义编码和分析以得到多个科研数据项上下文语义特征向量；S130，对所述多个部门进行邻接拓扑关联分析以得到部门邻接拓扑科研语义特征矩阵；S140，对所述多个科研数据项上下文语义特征向量和所述部门邻接拓。