网络表示学习在学者科研合作预测中的应用研究

doi:10.3772/j.issn.1000-0135.2020.04.003

情报学报

2020, Vol. 39

Issue (4): 367-373 DOI: 10.3772/j.issn.1000-0135.2020.04.003

情报理论与应用

本期目录 | 过刊浏览 | 高级检索

网络表示学习在学者科研合作预测中的应用研究

林原, 王凯巧, 刘海峰, 许侃, 丁堃, 孙晓玲

大连理工大学，大连 116024

Application of Network Representation Learning in the Prediction of Scholar Academic Cooperation

Lin Yuan, Wang Kaiqiao, Liu Haifeng, Xu Kan, Ding Kun, Sun Xiaoling

Dalian University of Technology, Dalian 116024

摘要
图/表
参考文献
相关文章 (3)

全文: PDF (2280 KB) HTML (71 KB)
输出: BibTeX | EndNote (RIS)

摘要在大数据环境下，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。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	林原
	王凯巧
	刘海峰
	许侃
	丁堃
	孙晓玲

关键词 ：合作推荐, 科研预测, 网络表示学习, node2vec

收稿日期: 2019-07-08

基金资助:国家自然科学基金面上项目“融合多源信息的学术推荐研究”（61976036）；国家自然科学基金项目“基于引用极性和评论挖掘的论文综合评价模型研究（61772103）；辽宁省社会科学规划基金项目“基于专利的辽宁装备制造业技术创新趋势研究”（L17CGL009）。

作者简介: 林原，男，1983年生，博士，副教授，硕士生导师，研究方向为信息检索

引用本文:

林原, 王凯巧, 刘海峰, 许侃, 丁堃, 孙晓玲. 网络表示学习在学者科研合作预测中的应用研究[J]. 情报学报, 2020, 39(4): 367-373.
Lin Yuan, Wang Kaiqiao, Liu Haifeng, Xu Kan, Ding Kun, Sun Xiaoling. Application of Network Representation Learning in the Prediction of Scholar Academic Cooperation. 情报学报, 2020, 39(4): 367-373.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2020.04.003 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I4/367

1 孙晓玲, 丁堃. 深度学习中的表示学习研究及其对知识计量的影响[J]. 情报理论与实践, 2018, 41(9): 118-122.
2 刘知远, 孙茂松, 林衍凯, 等. 知识表示学习研究进展[J]. 计算机研究与发展, 2016, 53(2): 247-261.
3 林原, 刘海峰, 王海龙, 等. 基于表示学习的学者间潜在合作机会挖掘[J]. 情报杂志, 2019, 38(5): 65-70.
4 MikolovT, ChenK, CorradoG, et al. Efficient estimation of word representations in vector space[OL]. https://arxiv.org/abs/1301.3781.
5 MikolovT, SutskeverI, ChenK,et al. Distributed representations of words and phrases and their compositionality[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. New York: ACM Press, 2013, 2: 3111-3119.
6 PerozziB, Al-RfouR, SkienaS. DeepWalk: Online learning of social representations[C]// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2014: 701-710.
7 GroverA, LeskovecJ. node2vec: Scalable feature learning for networks[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2016: 855-864.
8 涂存超, 杨成, 刘知远, 等. 网络表示学习综述[J]. 中国科学: 信息科学, 2017, 47(8): 980-996.
9 余传明, 林奥琛, 钟韵辞, 等. 基于网络表示学习的科研合作推荐研究[J]. 情报学报, 2019, 38(5): 500-511.
10 汪志兵, 韩文民, 孙竹梅, 等. 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]. 情报理论与实践, 2019, 42(8): 116-120, 109.
11 张金柱, 于文倩, 刘菁婕, 等. 基于网络表示学习的科研合作预测研究[J]. 情报学报, 2018, 37(2): 132-139.
12 熊回香, 杨雪萍, 蒋武轩, 等. 基于学术能力及合作关系网络的学者推荐研究[J]. 情报科学, 2019, 37(5): 71-78.
13 刘萍, 郑凯伦, 邹德安. 基于LDA模型的科研合作推荐研究[J]. 情报理论与实践, 2015, 38(9): 79-85.
14 余传明, 龚雨田, 赵晓莉, 等. 基于多特征融合的金融领域科研合作推荐研究[J]. 数据分析与知识发现, 2017(8): 39-47.
15 刘海峰. 基于Web of Science的学科表示方法研究[D]. 大连: 大连理工大学, 2019.