基于相互增强和知识继承的多实体动态异构学术网络构建及应用

对科学家、研究组织和研究资助机构来说,准确客观地衡量作者的学术成就、评估论文和地点的学术水平是一项至关重要且具有挑战性的任务。各种基于图的排名方法,如PageRank已经被广泛用于在同构网络中对作者、论文和地点进行排名,但是仅限于在同构网络中解决这个问题,不适用于异构网络。为此,基于作者、论文和地点三种类型的实体构建一个多实体动态异构学术网络,并提出一种新的模型MEKI-Rank。模型中提出知识继承的概念,即作者通过其他作者继承知识,同时提取出动态异构网络中的七种关系,基于这些关系进行迭代排名,并使用每一轮的结果来相互增强排名。

基于最优路径的异构学术网络重要文献探测方法

基于同构学术网络——引文网络最优路径研究,提出一种异构网络最优路径算法及两种路径重要性的评价指标,解决了现有同构网络最优路径算法不能应用于真实学术网络研究的问题.以微软学术迁移学习领域数据为数据集,从异构学术网络最优路径探测迁移学习领域重要文献与引文网络主路径探测迁移学习领域重要文献的相似性及迁移学习领域发展历程两方面验证了基于最优路径的异构网络重要文献探测方法的正确性.实验结果表明,该算法和指标更符合真实学术网络.

学术网络研究进展

利用文献分析法和关键词共现与词频统计方法对学术网络研究的进展和趋势进行了分析,发现研究涉及由各种边的类型(引用、共引、共词、合著、耦合或混合)和节点类型(词语、文献、专利、作者、期刊、机构、领域或国家)构成的学术网络;研究分为宏观、中观和微观三个层次;学者将学术网络应用于科研影响评价、科研合作研究、学科和跨学科研究、学科知识和研究主题识别、科学图谱绘制以及知识路径发现等六个方面;未来研究趋势是混合学术网络和异构学术网络的相关研究。

基于网络表示学习的论文影响力预测算法

基于图的随机游走算法在预测论文影响力时,仅利用学术网络的全局结构信息而未考虑局部结构信息,对预测准确率造成影响。针对该问题,提出一种基于异构学术网络表示学习和多变量随机游走的论文影响力预测算法。通过构建异构学术网络表示模型,将网络中的论文、作者和期刊/会议等不同类型的节点表征到同一个低维向量空间中,同时保留网络的局部结构信息,将节点的向量相似度应用于多变量随机游走方法,实现对论文影响力的准确预测。在AMiner网站公开数据集上的实验结果表明,相比于PageRank、FutureRank等算法,该算法的预测准确性较高。