帮我在引言中引用一些真实的数据，增加论述的真实性，要求数据来源是真实的近3年的学术文献。 第2章 科...

帮我在引言中引用一些真实的数据，增加论述的真实性，要求数据来源是真实的近3年的学术文献。
第2章 科技情报推荐相关工作
第1章阐述研究背景与动机之后，本章就目前科技情报推荐系统的研究现状和发展趋势展开系统综述，详细说明了协同过滤、内容以及混合推荐等众多技术方法在推荐领域中的应用状况，并对其特点加以分析评判，凭借比较领域的相关文献来显示，这些已有方法在应对科技情报领域的大规模复杂数据以及个性化推荐方面存在某些短处，从而给后续章节提出改进模型和算法形成了理论根基。
2.1 引言
科技情报推荐属于情报信息过载时期的重要技术，在科技创新决策支撑当中，起着不可缺少的作用。因为全球每年的科技文献及专利数据飞速增多，传统的信息检索手段，很难适应这种专业强、更新快、多源多样的科技情报的处理需求，当下有关推荐系统的研究，包含两技术路径：一是依靠协同过滤，挖掘群体智慧；二是凭借内容理解，展开语义对比，前者在电商，社交这些地方取得了很好的成绩，但对科技情报而言却面临两大难题。首要的便是数据过于零散，由于像科研人员或者技术分析人员这类用户，其在科技情报上的互动频率很低，所以造成传统协同过滤算法所用的共现矩阵很稀疏。 语义理解层次浅显。已有推荐方式依赖于TF - IDF和Word2Vec等表征技术，很难去分解科技文献中的学科关联（如技术演进路径，跨学科知识迁移），为解决上述问题，本章调研了科技情报推荐算法、推荐数据构建技术和推荐数据指令微调技术，包含基于协同过滤的科技情报推荐算法、基于内容理解的科技情报推荐算法、科技情报混合推荐算法、科技情报推荐数据合成技术、数据质量评估筛选技术、高效训练微调技术、模型推理技术优化以及模型量化压缩技术。本章对科技情报推荐领域关键技术进行系统性梳理，分别从协同过滤、内容推荐、混合推荐三个角度来解析当前已有的推荐方法所能达到的理论边界，重点剖析指令微调技术数据构建、质量评价、高效训练等关键环节，并结合近五年前沿进展进行对比分析（如图2-1所示），从而找出传统方法在科技情报推荐领域存在的不足之处，为本研究技术方案的提供理论基础。

帮我继续在下面引言中引用一些真实的数据，增加论述的真实性，要求数据来源是真实的近3年的学术文献。

第4章 知识与数据双轮驱动的科技情报推荐模型
在第3章构建高质量科技情报推荐数据的基础之上，本章提出知识与数据双轮驱动的科技情报推荐模型。此科技情报推荐模型使用基于数据驱动的科技情报价值度量算法，可以实现对候选情报的智能推荐，从而进行智能化地筛选和分类，然后知识驱动的科技情报语义理解模型来进行个性化推荐排序，以此来更好地捕捉用户的偏好信息和情境信息。其中在数据驱动的科技情报价值度量算法突出推荐结果的时效性以及准确率，使用第3章所提出的基于指令跟随难度的推荐数据质量评估算法获得推荐数据集，利用此数据集来构建双轮驱动的科技情报推荐模型，可以保证推荐结果的可靠性和实用性，本章所提出的理论与实验验证为科技情报推荐系统后续的完善与应用奠定了重要的理论基础。
4.1 引言
在科技情报推荐方面，传统推荐系统存在很多局限性，一方面，依靠数据的推荐方法可以借助用户行为数据来挖掘潜在偏好，不过在处理复杂语言特征的时候显得有所欠缺，比如不能分辨出有相同词干但不同词缀的特征，也不能妥善处理多词关联信息，这就使得推荐的召回率和准确率受到限制，例如Trienes等分析了54个推荐系统，发现他们在处理同词干但不同词缀的术语（如“催化剂/catalytic”）时，区分度平均不足65%[72]。另一方面，依靠知识的推荐方法在语义理解方面有着一定的优势，但是实际上却缺少足够的数据支撑，很难做到精准推荐。仅有25.93%的系统考虑多样性指标，反映推荐结果单一[72]。目前的科技情报推荐系统大都没有考虑到情报的时效性、可信度、用户行为的动态变化等要素，造成推荐结果的准确性和实用价值欠缺。比如，科技情报有明显的生命周期特点，但是常规推荐方法没有把它融入到推荐因素中，而且用户的行为模式不但受兴趣左右，也许还会被外界事情，社交影响等要素带动，现有系统在这方面对这种变动的捕捉能力比较差。为解决以上问题，本研究提出了一种基于知识与数据双轮驱动的科技情报推荐模型如图4-1所示，构建了多个维度的科技情报价值度量算法，借助用户画像和情报特征对候选的情报进行迅速的初筛，并且利用科技情报领域微调过的大语言模型，对初筛的情报做个性化排序，从而提高科技情报推荐的准确性和用户的满意度。而第3章提出的一种基于指令跟随难度的推荐数据质量评估算法，从多个维度评分筛选出优质训练数据，为本章推荐模型的训练提供了优质的数据基础。