基于异构网络的企业科研合作者推荐研究

旨在研究产学研领域中面向企业的科研合作者推荐问题,以改进现有方法中仅使用专利、合作关系等单一信息的现状,以及避免在可移植性方面的局限性。提出基于异构网络向企业推荐潜在科研合作人员的方法:首先引入异构网络,融合企业、科研人员、专利和论文等多元节点信息,以及企业技术需求和社交关联等多元关联信息;其次分析不同语义关系下连通企业与科研合作者的元路径,并以各元路径下的路径实例为语料,运用SkipGram模型进行网络嵌入训练,用向量余弦相似度表示节点之间的关联程度;最后融合不同路径下的推荐结果,得到最终的科研合作者推荐列表。基于Scholarmate的实例验证表明,元路径1和路径3的推荐效果最好,而综合各条元路径时模型在准确率和特异度指标上表现更好;此外,在符合企业实际情况的不同推荐列表长度下,模型各指标变化不大且处于理想水平,且综合多条元路径时模型的鲁棒性更强。此方法可为企业解决科技人才获取难的问题提供解决方案,并为企业的技术需求分析和产学研领域的社交关系分析提供思路参考。

基于中图分类号与关键词共现关系的合作者推荐模型

为给具有潜在交叉研究点的学者提供支持,文章提出了一种利用中图分类号和关键词进行合作者推荐的模型---CLCR。该模型通过提取学者的论文信息,生成期刊分类号与关键词的共现特征矩阵,并使用SVT矩阵填充模型对共现矩阵进行填充,同时依据关键词分布特征进行聚类,最后在这些分类号所包含的学者群体中寻找与目标学者研究主题具有较高一致性的学者。结果表明,该模型拥有较好的推荐表现,在准确率、召回率方面分别提高了4.3%和3.2%。

融合动态研究偏好和社交信任的潜在科研合作者推荐研究

从海量科研数据中自动发现潜在合作者是科研合作预测研究的热点。鉴于学者研究兴趣随时间变化以及人们更倾向于与具有一定学术社交关系的学者合作,本文提出一种融合学者动态研究偏好和学术社交信任的潜在科研合作者推荐模型SimTrustRec。首先,利用LDA (latent Dirichlet allocation)模型学习已发表论文的主题分布,挖掘学者动态研究偏好特征,计算学者间研究偏好相似度;其次,根据论文中学者、单位共现关系构建学术社交网络,计算直接学术社交信任值,根据信任的传递性,计算间接学术社交信任值;最后,融合研究兴趣相似度和学术社交信任值计算学者间潜在合作的可能性,生成潜在合作者推荐列表。真实数据集ArnetMiner上的实证研究结果表明,相对于已有方法,本文方法在召回率、命中率、平均倒数排序方面均有一定的提升。

基于标签相似度的协作者推荐研究

针对目前虚拟协作社区中重视交互行为研究,缺乏协作行为研究的问题,从项目和协作者的角度出发研究社区的标签关系,提出根据协作者与项目的发生关系和项目标签集合获取基于协作者的标签共生信息,并用该共生信息来计算标签之间相似度,然后提出一种新的协作者工作偏好模型。结合协作者工作偏好和标签相似度研究协作者之间的关系,以及协作者与项目之间的关系,预测可能参与项目的协作者,提出协作者推荐算法。通过使用开源社区www.codeplex.com的数据进行实验,并与其他推荐算法进行比较,证明本文提出的推荐算法能较好地应用于协作者推荐。

基于BERT的学术合作者推荐研究

学术合作者推荐是学术大数据的一个有效应用。但是现存的方法忽略了学术研究者和研究主题间的上下文关系,因此不能推荐合适的合作者。该文提出了基于BERT的合作者推荐(BACR),旨在推荐高潜力的合作者以达到研究者的要求。为此,设计了一个新的推荐框架,它有两个基本组成部分:BERT(bidirectional encoder representations from transformers)预训练语言模型和逻辑回归模型(LR)。其中,BERT将研究者和研究主题联合表示得到句子层面的具有上下文关系的特征向量表示。LR将BERT输出的特征向量作为输入得到该样本为正类的概率,最后输出概率最大的前K个合作者信息。通过与基于Network Embedding的SDNE和TSE算法的对比实验,结果表明充分考虑了研究者和研究主题间的上下文关系的BERT模型得到了更好的特征向量表示,提高了合作者推荐的准确率。

基于卷积神经网络的学术合作者推荐研究

随着论文数量和种类的快速增长,越来越需要更先进的工具来帮助学术数据的探索,关于合作者的推荐问题成了近几年研究的重点。为了解决这一问题,本文提出了一种基于卷积神经网络的学术合作者推荐算法。通过卷积神经网络(CNN)去学习论文摘要的情境特征,并使用PMF去学习研究员-主题矩阵的隐层特征,使用孪生网络来比较两个研究员间的特征相关度,根据特征间的相似度高低进行推荐。实验证明,该模型在合作者推荐方面的推荐精度优于其对比模型。

基于学术水平聚类的科研合作者推荐模型

针对现有科研合作者推荐模型一般不考虑目标学者与推荐学者间学术水平的差距,导致合作关系难以建立的问题,提出一种基于学术水平聚类的合作者推荐模型,为目标学者推荐最合适合作者(fitting collaborator recommendation,FCR)。该模型先使用K-means算法对合作网络中的学者按照学术水平特征进行聚类,在同一水平簇别中建立合作网络,利用链路预测算法中的Katz指标对网络中的节点进行相似度计算,对学者们的研究主题进行提取,在网络的可达性,学术水平是否相近以及研究主题相似度三个方面进行综合考虑并进行Top-N推荐。实验结果表明,相比于其他模型,提出的基于学术水平聚类的合作者推荐模型相比于其他推荐模型均有着较优的表现,在推荐的准确率、召回率以及F1指数上分别提高了5.3%、2.5%、4%。并且在推荐的合作学者与目标学者的学术水平匹配性方面平均提高了37%。

融合学术水平相似性的合作者推荐模型

合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F_(1)指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。

科技期刊选用作者推荐审稿人的分析与思考

分析《河海大学学报(自然科学版)》115位推荐审稿人审稿结果发现,选用作者推荐审稿人可缩短审稿周期,但其容易给出过誉的审稿结论,造成稿件录用率虚高,延长稿件出版周期。为充分发挥推荐审稿人的作用,结合编辑部实际工作给出如下建议:制定详细推荐标准,引导作者正确、合理推荐审稿人;利用大数据、互联网等手段,合理选用推荐审稿人;将推荐审稿人列为约稿对象、精准向其推送相关论文,最大化发挥其作用;建立健全评价体系,提高审稿质量。

同行评议中作者推荐审稿人作用的实证分析——以《数学进展》为例

对《数学进展》2016—2021年作者推荐审稿人在稿件同行评议流程中的作用进行数据统计与实证分析。发现在同行评议流程中已充分考虑选择作者推荐审稿人常见利弊的基础上,作者推荐审稿人参与审理的稿件录用率仍超过7成,且作者推荐审稿人更倾向于给出正面审理意见。结合编辑部工作实践分析了相应特殊数据的成因,并提出了协助作者推荐审稿人、控制“小同行抱团”稿件数量、送审与招募合适审稿人、避免作者博弈性推荐影响、支持编委发挥关键作用等对策。

作者推荐审稿人存在的问题及对策

作者推荐审稿人有利于加快审稿进程、提高审稿效率。对作者推荐审稿人存在的主要问题进行分析,并建议:科技期刊编辑引导作者推荐合适的审稿人;认真审核推荐的审稿人;在封闭的同行评审体系中有条件地使用推荐的审稿人;要打破同行评审的私人关系,最好公开审稿人的评审意见。

作者推荐审稿人审稿结果的分析与思考

通过对《中国天然药物》200篇稿件的同行评议结果的分析,发现作者推荐审稿人较少能做到客观评价,存在较严重利益冲突问题。据此,提出相关的建议:在投稿须知中对推荐审稿人以及审稿的注意事项作出要求;注意作者与推荐审稿人之间的利益关系;选择推荐审稿人的同时最好再选2位其他审稿人;用推荐的审稿人审其他相关文章;建立完善的申诉机制和反馈机制。

慎用作者推荐的审稿专家

以典型的编辑实践为例,综合分析对作者推荐审稿专家的过分依赖的弊端。为保证稿件结果的科学性和公正性,提出了采用作者推荐审稿专家需要注意的问题、建议及策略,为完善审稿方式、提高审稿质量提供参考依据。

关于科技期刊选用作者推荐审稿人的思考

分析在外审过程中使用作者推荐审稿人的优点及存在的弊端。结合编辑部工作实际,阐述选用作者推荐审稿人的经验体会。建议期刊应从规范指导,以详细的标准及规范引导作者推荐合适的审稿人;强化审核,多种渠道严格审核推荐审稿人信息;合理使用,最大效能发挥推荐审稿人的作用等方面入手,科学选用推荐的审稿人。同时,有效利用同行评议确保公正评审,以高质高效保障期刊的外审工作。

基于学者画像的科研合作者推荐研究

【目的】帮助学者快速地找到合适的科研合作者,促进科研产出,增进学术交流。【方法】采用LDA主题模型、PageRank算法、社会网络分析等方法,全面深入挖掘学者的自然属性、兴趣属性、能力属性、社交属性4个维度特征以构建学者画像,并基于学者偏好开展科研合作者推荐。【结果】从CNKI和CSSCI获取图书情报领域14007篇文献、13292条引文数据及11869位作者验证所提模型,最终向目标学者推荐了20名研究兴趣相似及互补的潜在科研合作者。【局限】未能很好地解决冷启动问题,且在学者能力表征方面忽略了不同署名顺序的作者对论文的贡献度,在实证环节数据量选择有限。【结论】所提模型可以有效地向目标学者推荐高权威度、高相关度,且科研生产力和社交关系等多方面特征均高度匹配的潜在科研合作者,具有较好的应用价值。

融合多元网络与网络表示学习的科研合作者推荐研究

[目的/意义]融合多元网络和网络表示学习方法学习并发现作者间的关联性,能够更好地进行合作者推荐。[方法/过程]文章首先搜集情报学领域相关文献数据作为原始数据集,在经过数据清洗后,根据作者间的多元关系构建各信息实体的多个科研信息网络,然后对高维网络利用Node2vec网络表示学习方法学习各节点的信息,从而得到各网络中节点的向量表示。其次,通过余弦相似度计算各网络中的作者相似度。最后融合作者间机构合作偏好和作者学术水平相似度得到最终的推荐结果。[结果/结论]文章提出的融合模型考虑了多元网络和数据稀疏性,在AUC值上的表现优于单一维度,得到了更好的合作预测效果。实验结果表明,该合作者推荐模型在情报学领域作者合作者推荐中具有可行性。

科研兴趣空间挖掘与多任务推荐研究——基于异质信息网络表示学习

丰富的互联网文献数据库是科研人员了解领域发展和前沿的重要资源,从全局视角对领域的海量科研成果进行高效信息挖掘,可以在知识洪流中为科研人员提供更加明确的方向。本研究基于经典生物医学文献数据库PubMed收录的发表于2010—2021年的13万篇文章,挖掘科研人员的历史行为信息,构建同时包含作者、论文、关键词的异质信息网络,利用异质信息网络表示学习算法metapath2vec将该网络嵌入成为异质向量空间,并通过计算异质向量空间中向量的相似度指标,同时实现科研合作者推荐与科研兴趣关键词推荐。与已有研究相比,本研究的方法更加重视多任务协同,不仅在新增的科研兴趣关键词的任务中获得了有意义的推荐结果,还显著提高了科研合作者推荐的准确度。同时,本研究在作者空间与关键词空间进行了深入挖掘,并证明其在科研兴趣的语义理解方面具有指导意义。本研究在科研兴趣的研究、挖掘与推荐方面提供了新的研究视角。

基于二模网络链路预测的合作者识别方法研究

随着科学研究复杂性和学科交叉性的不断提高,科研工作者通过开展高水平的科研合作形成了大批高质量研究成果。本文基于Web of Science数据库,构建了基于二模网络链路预测的潜在科研合作伙伴识别新方法,综合考量了研究内容的文本信息和合作网络的结构信息,并体现了研究者研究兴趣和研究方向的动态变化,以期帮助科研工作者从海量科技文献中快速识别潜在的合作对象。在实证研究部分,本文以"图书情报学"领域的学者为例,为其推荐合作伙伴。

基于二分网络模型的专利权人推荐研究——以新能源汽车领域为例

通过推荐技术为企业推荐合作者,在提高技术研发效率方面有着重要的意义。在5种(物质扩散算法、热传导算法、偏热传导算法、混合算法、接受者能力算法)基于二分网络推荐算法的基础上,本文提出二阶同向资源扩散算法;同时使用β来判断对合作者合作倾向。以新能源汽车领域专利权人推荐为例进行实验,实验结果证明使用二阶资源扩散算法比一阶资源扩散算法推荐效果要好,准确率最高可达27.59%,召回率最高可达30.05%,提升幅度最大可以达到15.17%,最优β表明优先选择其曾经有过合作关系的专利权人进行合作。

动态异构信息融合的科研合作潜力预测

现有的科研合作潜力预测方法使用特征工程来人工提取科研合作网络中作者的浅层静态属性,忽略了科研合作网络中异构实体间的关联关系。针对以上不足,提出融合科研合作网络中的多种实体潜在属性信息的动态合作潜力预测(CPP)模型,在提取异构实体的属性的同时考虑了学者与学者之间合作关系的结构特征,并且通过协同优化的方式优化模型,实现了在为学者进行科研合作者推荐的同时预测科研合作潜力的目标。为验证所提模型的有效性,搜集整理了发表在中国计算机学会(CCF)推荐期刊中的50余万篇论文信息以及相关实体的完整属性信息,并采用滑窗法构建了不同时间段的时序合作异构网络,以提取科研合作网络演化过程中的各实体的动态属性信息。此外,为提高所提模型的泛化性以及实用性,随机输入不同时段的数据对模型进行训练。实验结果表明,相较于次优的多层采样聚合图神经网络(GraphSAGE),CPP模型在合作者推荐任务上的分类精确度提高了1.47个百分点;在合作潜力预测任务上的测试误差降低了1.23%。说明了CPP模型能更精准地为学者推荐优质合作者。