基于网络表示学习的科研合作预测研究

大数据环境下的科研合作预测亟需基于海量数据资源来自动学习和发现研究者间的关联性,提高预测效率和效果。首先基于海量数据构建合著网络,并以合著关系表示科研合作;接着基于深度学习的网络表示学习方法(network embedding)学习研究者在所处网络的语境信息,形成每个研究者的稠密、低维向量表示;最后通过向量相似度指标计算研究者间的语义相似度,实现科研合作预测和推荐。在图书情报领域的实验验证了该方法能够提高科研合作预测的准确率和效果,更好地进行关联推荐。该方法从数据科学视角丰富和扩展了基于复杂网络的情报分析方法。

面向科研合作预测领域的作者相关度算法分析

文章从网络拓扑相似度算法入手,梳理和分析了面向合作预测领域的作者相关度算法,分析和比较了各种常用算法的优劣以及目前的应用情况,对作者相关度算法进行系统梳理,分析重点方法的基本原理、优缺点并展望其未来发展方向。

融合异质网络与表示学习的科研合作预测方法研究

【目的】为促进科研人员之间的交流合作,提出一种融合异质网络与表示学习的科研合作预测方法。【方法】运用学者、机构、论文、期刊等信息构建异质科研合作网络,根据网络中包含的学者之间不同的共现关系,将该异质网络划分为三种同质共现网络,再进一步利用Node2Vec和Doc2Vec算法分别学习学者的网络结构特征向量和内容属性特征向量,并进行融合。最后通过计算学者向量之间的余弦相似度进行合作预测。【结果】采用Web of Science数据库中人工智能领域的论文数据进行对比实验,本文所提预测方法的AUC值和F1值分别达到0.9879和0.9424,优于基线方法。【局限】对学者内容特征的表示没有考虑到学者的研究主题。【结论】本文方法考虑了学者的结构和内容属性,并结合异质网络,融合了机构、论文、期刊等多方面信息,能够得到更好的合作预测效果。

面向作者消歧和合作预测领域的作者相似度算法述评

从文本相似度和结构相似度算法入手,对面向作者消歧和科研合作预测领域的作者相似度算法进行了研究。分析和比较了各种常用算法的优劣,以及目前的应用情况,并对作者相似度算法进行系统梳理与展望.

科学家相关性测度典型算法比较与评析

调研科技文献作者相关性研究发展进展,对作者相关度算法进行系统化的分析和对比。从网络拓扑相似度算法入手,梳理和分析面向合作预测领域的作者相关度算法,分析和比较各种常用算法的优劣。对科技文献作者相关度算法进行系统梳理,分析重点方法的基本原理、优缺点并展望未来发展方向。