1.一种基于图向量的专家组合推荐方法，其特征在于，具体步骤如下：

(1)从专家审查数据中抽取实体VecID和关系ReID，构建领域知识图谱G，包括：(1.1)抽取专家和项目的编号ID＝{id1,id2,…,ide,…,idA}及领域标签Label＝{label1,label2,…,labele,…,labelA}，得到7维领域标签数据集G1，G1＝G1∪{ID,Label}；其中，变量e∈[1,A]；

(1.2)抽取实体关系的编号，得到ReID＝{reid1,reid2,…,reide,…,reidA}，得到实体集VecID＝VecID∪ID和关系集ReID；其中，变量e∈[1,A]；

(1.3)定义循环变量i1来遍历VecID、ReID，G为领域知识图谱；i1赋初值1，G赋初值为空；

(1.4)通过实体间关系搭建领域知识图谱G＝(VecID,ReID)；

(1.5)得到专家审查项目领域知识图谱G；

(2)运用deepwalk算法将知识图谱投射到64维空间，得到实体向量集V1；运用独热码将领域标签转换成7维标签向量；构建神经网络进行多标签分类，包括：(2.1)取知识图谱G＝(VecID,ReID)，VecID为实体编号，ReID为关系编号；

(2.2)定义循环变量i2来遍历G；运用deepwalk将G投射到64维空间，得到实体向量v1，V1＝V1∪{v1}；运用独热码将领域标签转换成7维标签向量l1，L1＝L1∪{l1}；

(2.3)得到V1＝{v1,v2,…,vc,…,vA}，vc为实体向量集中第c个实体向量；L1＝{l1,l2,…,lc,…,lA}，lc为实体向量集中第c个实体向量，其中，变量c∈[1,A]；

(2.4)得到Res＝{{id1,res1},{id2,res2},...,{ide,rese},...,{idA,resA}}，ide为实体集中第e个编号，rese为标签集中第e个实体的标签向量，其中，变量e∈[1,A]；

(2.5)构建以binary_crossentropy为损失函数的神经网络，在训练过程中不断降低交叉嫡，使标签1的节点输出靠近1，标签0的节点输出靠近0；

(2.6)得到Pre＝{{id1,pre1},{id2,pre2},...,{ide,pree},...,{idA,preA}}，ide为实体集中第e个编号，pree为标签集中第e个实体的标签向量，其中，变量e∈[1,A]；

(2.7)在真实标签集Res＝{{id1,res1},{id2,res2},...,{ide,rese},...,{idA,resA}}和预测标签集Pre＝{{id1,pre1},{id2,pre2},...,{ide,pree},...,{idA,preA}}中对标签值进行排序，截取前N个标签进行准确度度量；

(3)分别运用node2vec算法deepwalk算法将知识图谱投射到128维空间和64维空间；再分别运用皮尔逊相关度算法和曼哈顿距离度量公式计算得到TopN个最相关实体集合U，包括：(3.1)取知识图谱G＝(VecID,ReID)，VecID为实体编号，ReID为关系编号；

(3.2)定义循环变量i3用来遍历G；运用deepwalk将G投射到64维空间，得到实体向量v1，V1＝V1∪{v1}；

(3.3)得到V1＝{v1,v2,…,vc,…,vA}，vc为实体向量集中第c个实体向量；L1＝{l1,l2,…,lc,…,lA}，lc为实体向量集中第c个实体向量，其中，变量c∈[1,A]；

(3.4)对于实体向量集中第c个实体向量vc，运用皮尔逊相关度算法计算得到topN个最相关实体集合U1＝{u11,u12,…,u1A}，运用曼哈顿距离计算得到topN个最相关实体集合U2＝{u21,u22,…,u2A}；

(3.5)定义专家组合推荐列表U＝u1∩u2，实现专家组合推荐；

(3.6)定义循环变量i4用来遍历G；运用node2vec将G投射到128维空间，得到实体向量v2，V2＝V2∪{v2}；

(3.7)运用皮尔逊相关度算法计算得到topN个最相关实体集合W1＝{u11,u12,…,u1A}，运用曼哈顿距离计算得到topN个最相关实体集合U2＝{u21,u22,…,u2A}；

(3.8)得到以皮尔逊相关度算法为度量方式的推荐集合W和以曼哈顿距离为度量方式的推荐集合U；

(4)取实体向量集V1，利用PCA分别降维到2维和7维空间；得到2维向量数据集R和7维向量数据集Q；运用余弦相似度算法计算得到TopN个最相关实体U1，U2；定义得到的推荐列表为Recommend＝U1∩U2，包括：(4.1)取实体向量集V1＝{v1,v2,…,vc,…,vA}，vc为实体向量集中第c个实体向量；vc的维度是64维；

(4.2)利用PCA降维后得到实体的2维向量集，R＝{r1,r2,…,rc,…,rA}，rc为实体向量集R中第c个实体向量；

(4.3)对于实体向量集中第c个实体向量rc＝vc，运用余弦相似度算法计算得到topN个最相关实体集合U1＝{u1top1,u1top2,…,u1topx,…,u1topA}；u1topx为U1中的第x个数据项，x∈[1,A]；

(4.4)利用PCA降维后得到实体的7维向量集，Q＝{q1,q2,…,qc,…,qA}，qc为实体向量集Q中第c个实体向量；

(4.5)对于实体向量集中第c个实体向量qc＝vc，运用余弦相似度算法计算得到topN个最相关实体集合U2＝{u2top1,u2top2,…,u2topx,…,u2topA}；u2topx为U2中的第x个数据项，u2topx∈U2，x∈[1,A]；

(5)取实体向量集V1，基于知识图谱中实体间关系，搭建CNN,RESNET模型对实体间关系进行学习，使得模型能够拟合知识库中的实体关系数据；基于此模型，对输入的实体向量挖掘知识库中的隐藏关系；得到推荐列表U3；

(6)用未通过降维处理的数据所形成的推荐列表U和降维后运用不同算法得到的推荐列表Recommend以及通过模型预测的推荐列表U3得到最终的推荐列表Result＝U∪Recommend∪U3；定义Set＝{set1,set2,…,setA}，计算组合推荐的准确率previous＝(set∩Result)/Result；得到最终推荐结果和推荐准确率。

2.根据权利要求1所述的一种基于图向量的专家组合推荐方法，其特征在于，所述步骤(5)中搭建CNN,RESNET模型，基于此模型，对输入的实体向量挖掘知识库中的隐藏关系；得到推荐列表U3的具体步骤如下：(5.1)通过两个搭建的模型进行实体间关系的挖掘，匹配出与所给实体有关的相关实体集合LIST；其中LIST中实体的意义为和所给实体间不存在直接的历史合作关系，而是隐藏的可能合作关系；

(5.2)定义最终的列表Recommend＝U1∩U2∩LIST。

3.根据权利要求1所述的一种基于图向量的专家组合推荐方法，其特征在于，所述步骤(6)中得到最终推荐结果和推荐准确率的具体步骤如下：(6.1)定义最终推荐列表Recset＝U∪Recommend；

(6.2)判断

(6.3)Set为测试项目原本的专家组合；Set＝{set1,set2,…,setA}；

(6.4)计算组合推荐的准确率previous＝(set∩Recset)/Recset；

(6.5)得到最终的推荐结果Recset和推荐准确率。