【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...【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。展开更多
文摘【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。
