网络表示学习在学者科研合作预测中的应用研究

发布时间：2021-09-02 13:38

　　在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。 

【文章来源】：情报学报. 2020,39(04)北大核心CSSCICSCD

【文章页数】：7 页

【部分图文】：

随机游走图

式中，dtx表示节点t和x之间的最短距离。求解当前节点v的所有邻居节点的概率，进而生成网络中每个节点的表示向量。使用node2vec网络表示学习模型，最终网络中每个节点会被表示成128维的稠密向量，表示向量蕴含作者、机构、关键词在网络中的重要性、影响力、关联强度等多种信息。采用网络表示学习对多源异质网络进行学习，可以使得网络中的每一个作者、机构、关键词均会被唯一的128维表示向量所表示。通过对作者、机构、关键词表示向量进行进一步的分析，可以挖掘出合作网络中丰富的隐含信息。图2 随机游走图

本文将4本期刊归类为科学学范畴，生成科学学这一学科节点，进而将科学学节点融入综合科学网络图谱中，通过学科期刊表示网络，挖掘出科学学最为核心的期刊作为科学学的范畴。按照上述方法，通过学科网络表示学习模型，本文在科学期刊网络图谱中挖掘出与科学学具有高关联强度的期刊。本文选取了最为相关的50本期刊作为科学学的范畴，计算这50本期刊节点与科学学节点的相似度，通过Gaphi软件绘制了科学学核心期刊图，如图3所示。图中的中心节点是科学学学科节点，周围的节点表示科学学领域的50本核心期刊。本文将上述最为相关的50本期刊作为科学学的范畴，以这50本期刊构造检索式，在WoS核心集中限定出版物来检索上述50本期刊，年份限定为2009—2018年，共计采集文献记录数据28140篇。

【参考文献】：
期刊论文
[1]基于网络表示学习的科研合作推荐研究[J]. 余传明,林奥琛,钟韵辞,安璐.  情报学报. 2019(05)
[2]基于学术能力及合作关系网络的学者推荐研究[J]. 熊回香,杨雪萍,蒋武轩,马亮.  情报科学. 2019(05)
[3]基于网络拓扑结构与节点属性特征融合的科研合作预测研究[J]. 汪志兵,韩文民,孙竹梅,潘雪莲.  情报理论与实践. 2019(08)
[4]基于表示学习的学者间潜在合作机会挖掘[J]. 林原,刘海峰,王海龙,林鸿飞,许侃.  情报杂志. 2019(05)
[5]深度学习中的表示学习研究及其对知识计量的影响[J]. 孙晓玲,丁堃.  情报理论与实践. 2018(09)
[6]基于网络表示学习的科研合作预测研究[J]. 张金柱,于文倩,刘菁婕,王玥.  情报学报. 2018(02)
[7]基于多特征融合的金融领域科研合作推荐研究[J]. 余传明,龚雨田,赵晓莉,安璐.  数据分析与知识发现. 2017(08)
[8]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松.  中国科学:信息科学. 2017(08)
[9]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)
[10]基于LDA模型的科研合作推荐研究[J]. 刘萍,郑凯伦,邹德安.  情报理论与实践. 2015(09)



本文编号：3379108