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。

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。

融合研究主题与关系网络结构的科研合作者推荐研究——以CNKI平台情报学领域的学者推荐为例

[目的/意义]强针对性、高自由度的合作者推荐服务能够促进科研工作者之间的知识和资源共享,提高科研质量与效率。[方法/过程]基于混合推荐方法的思想,从学者科研合作动机角度切入设计科研合作者推荐方案的框架并给出具体的实现过程。首先,针对寻求主题相似、主题指定或主题互补等合作者的需求,设计多项基于学者研究主题的推荐指标并给出计算方案;其次,面向寻求权威合作者的需求,设计多项基于关系网络结构的推荐指标并给出计算方案;最后,基于学者按需求提供的权重将两部分指标综合集成。[结果/结论]以情报学领域为例对论文所提科研合作者推荐方案进行实证研究。研究结果表明,结合领域内研究主题与学者关系网络结构的科研合作者推荐方案能够准确地识别出社会资本强度更高的备选合作者,能够更好地适应科研合作者推荐的个性化需求。

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。

基于多维决策属性的科研合作者推荐研究

【目的/意义】为帮助学者省时省力地发掘出更多潜在科研合作者,建立高效科研合作。【方法/过程】本文提出基于多维决策属性的科研合作者推荐模型,将学者选择科研合作者的因素划分为可合作性和易合作性两个维度,其中可合作性包括学者研究方向度量、权威程度和活跃程度;易合作性维度侧重考虑目标学者对科研合作者年龄、性别的偏好以及彼此建立合作的难易程度。【结果/结论】通过获取“情报学”领域实例数据,验证了该模型的科学性和有效性。【创新/局限】本文在精确表征学者研究兴趣的基础上,从认知等层面挖掘多维科研合作者决策属性,为科研合作者推荐提供了可行思路,对构建高质量科研合作具有重要意义。但本研究面向的是发表论文层面的科研合作,未考虑学者联合承担项目等其他方面的合作,后续还需进一步完善。

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。