基于学术水平聚类的科研合作者推荐模型

针对现有科研合作者推荐模型一般不考虑目标学者与推荐学者间学术水平的差距,导致合作关系难以建立的问题,提出一种基于学术水平聚类的合作者推荐模型,为目标学者推荐最合适合作者（fitting collaborator recommendation,FCR）。该模型先使用K-means算法对合作网络中的学者按照学术水平特征进行聚类,在同一水平簇别中建立合作网络,利用链路预测算法中的Katz指标对网络中的节点进行相似度计算,对学者们的研究主题进行提取,在网络的可达性,学术水平是否相近以及研究主题相似度三个方面进行综合考虑并进行Top-N推荐。实验结果表明,相比于其他模型,提出的基于学术水平聚类的合作者推荐模型相比于其他推荐模型均有着较优的表现,在推荐的准确率、召回率以及F1指数上分别提高了5.3%、2.5%、4%。并且在推荐的合作学者与目标学者的学术水平匹配性方面平均提高了37%。     

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。     

融合“用户-项目-用户兴趣标签图”的协同好友推荐算法

随着社交网络的用户数量呈爆炸式增长,如何为用户推荐具有相同兴趣爱好的好友已成为当前研究的焦点。为此,提出了一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法。该算法首先利用基于"用户-项目-标签"的三部图物质扩散推荐算法来计算用户之间的相似度,并引入"用户-用户兴趣标签图"二元关系,通过用户的兴趣标签图来发掘用户的兴趣主题;然后根据用户主题分布,利用KL距离来计算用户之间的相似度;最后将两组结果采用调和平均数方式融合得到用户间的综合相似度,并进行好友的推荐。通过在Delicious和Last.fm数据集上的实验证明,该算法能有效提高Top-N推荐的准确率和召回率,同时通过在学术社交网站——学者网数据集上进行的学者推荐实验表明,该算法能有效提高核心用户的推荐度。     

学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

基于BERT的学术合作者推荐研究

学术合作者推荐是学术大数据的一个有效应用.但是现存的方法忽略了学术研究者和研究主题间的上下文关系,因此不能推荐合适的合作者.该文提出了基于BERT的合作者推荐(BACR),旨在推荐高潜力的合作者以达到研究者的要求.为此,设计了一个新的推荐框架,它有两个基本组成部分:BERT(bidirectional encoder ...     

学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

面向学术社区的专家推荐模型

在学术社区提供的服务中,对于研究者特别是青年研究者来说,专家推荐是一个必不可少的部分.目前提供学术信息服务的所有中文搜索引擎中,都没有提供用户感兴趣的专家推荐服务.因此,提出了一个面向学术社区的专家推荐模型.使用改进的H参数对学者n年时间内发表的论文成果进行量化,获取专家列表;使用概率主题模型从作者发表的论文中提取主题向量作为学者的研究方向;根据矩阵奇异值分解对构建的词项-文档矩阵进行降维,进而生成词项-词项关系矩阵,实现对搜索关键词的查询扩展,并计算查询扩展向量与作者主题向量之间的相关度,根据相关度大小进行排序推荐.在SCHOLAT(学者网)数据集上验证模型的有效性,实验结果表明提出的模型达到了预期的效果.     

一种基于集成学习的科研合作者潜力预测分类方法

科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现.研究合作潜力可以为学者选择合作者提供指导,最大化科研效率.然而当前大数据爆发阻碍了合作者的有效选择.为了解决这个问题,基于学者-文章大数据,经过特征分析和优化,综合考虑学者的文章、机构、研究兴趣等个人属性和相关属性,分别从文章标题、文章等级、文章数量、时间及署名序多维度构造样本特征,以文章所发表的期刊会议等级作为合作者序列对的样本标签,表示当前合作者的潜力高低,利用集成方法的强学习特性,提出了基于集成学习分类方法的科研合作者潜力预测模型.分析并构造对应于科研合作者潜力预测问题的特征集后,采用分类方法解决这一问题.实验中准确率、召回率、F1分数都远高于传统机器学习方法,并能以较少的样本和时间收敛于较高值(80%以上),说明了模型的优越性.     

用户自适应的社会标签推荐模型

针对传统模型不能真实反映标签的生成过程以及无法加入用户角色等问题,提出一种新的用户-内容联合标注模型。该模型中标签的生成同时受用户兴趣和资源主题的影响,反映用户真实的标注过程,能够学习到包括用户的兴趣分布概率、资源的主题分布概率、词语的主题分布概率以及标签的主题分布概率等参数。实验结果表明,与CI-LD、ACorrLDA等模型相比,该推荐模型的正确率提高了10%。     

融合作者合作强度与研究兴趣的合作者推荐

合作者推荐是科研社交网络中的一个重要应用,为科研人员推荐适合的合作者有利于增强学术合作、提升作者的合作交流。为此,提出CRISI方法,从而有效地推荐与待推荐作者合作强度高且研究兴趣比较相似的同行,并且还考虑了作者间的合作强度（结构）、研究兴趣（属性）相似度和待推荐作者形成的社区紧密程度等信息。具体地,首先,基于作者与文献的关系构建作者合作关系属性图;然后,计算作者合作强度与研究兴趣相似度并据此构建双加权网络;再次,探测影响力高且合作强度大的作者节点作为种子;最后,设计分数k-core社区搜索方法找到与待推荐作者合作关系紧密的社区。实验结果表明,CRISI方法相比现有方法获得了显着的性能提升。     

A social recommendation system for academic collaboration in undergraduate research

Academic collaboration plays an important role in undergraduate research. Current methods rely on offline social contacts for undergraduate students to collaborate with academic staff members in universities and research institutions. In big data era, it is difficult for undergraduate students to find suitable research project opportunities and supervisors to work with. This paper proposes a social recommendation system for undergraduate students to find research project opportunities and work with research project teams on an academic collaboration network. The proposed recommendation method integrates relevance, connectivity, and quality modules, where profiles of undergraduates are constructed with their self‐claimed information, research activities (e.g., studying and reading research publications and reading research projects), and social connections in the academic collaboration network. Suitable research projects are recommended based on the undergraduates' profiles. Experiments are conducted, and the results have shown that the proposed social recommendation system can facilitate undergraduates' selection of research projects.     

海量学术资源个性化推荐综述

进入大数据时代,信息超载是互联网用户面临的一个严重的问题,个性化推荐是解决此问题的一个非常有潜力的办法。在学术领域,学术资源个性化推荐是解决信息超载的有效途径,其为用户推荐符合其兴趣的个性化学术信息。从个性化推荐过程的用户建模、推荐对象建模和推荐策略等三个模块角度对现有学术资源个性化推荐研究进行了探讨。针对目前广泛应用的学术资源个性化推荐方法,包括基于内容的推荐、协同过滤推荐和基于网络结构的推荐等,总结其研究的关键点和存在问题,并对学术资源个性化推荐的研究趋势进行了预测。     

基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题, 本文提出了一种基于异质信息网络的推荐模型. 传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息, 这样使得知识推荐系统性能较为一般. 本文提出的模型在异质信息网络中设置元路径, 通过图神经网络融入到知识图谱表示学习中. 再利用注意力网络连接推荐任务和知识图谱表示任务, 其可以学习两个任务之中潜在的特征, 并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用. 最后在推荐任务中进行用户点击率预测. 模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验. 最后结果表明, 模型在AUC, 召回率和F1值3个指标上均比其他算法有更好的表现.     

基于社区划分的学术论文推荐模型

针对学术社交网络独有的社交性,构建了基于社区划分的学术论文推荐模型。模型选择社区复杂好友关系网络图中最大连通分量作为数据处理逻辑单元,在此基础上进行核心关系网划分,并采用非参数控制的方式,在所建立的核心关系网内建立标签,在学术社交网络中通过标签传播进行社区划分,根据社区划分结果在社区内部的用户之间推荐学术论文。该社区划分算法与经典社区划分算法在人工网络上进行仿真实验,结果表明该算法在不同特征的人工网络上皆能取得良好的社区发现质量。     

社会网络分析技术在科研信息化中的应用

e-Science 和 Web2.0 的发展,促进了科研信息的开放和共享。科研人员对信息的依赖程度日渐加深,对知识服务、社会化信息的感知提出了更高的要求。科研人员在科研活动中形成了一张无形的社会网络,即学术社会网络。应用社会网络分析技术研究学术社会网络,一方面可以从宏观上通过对网络结构进行分析,了解当前的科研合作状况,提供科研管理的科学支持,另一方面可从微观的个人影响力、关系预测等多个侧面进行分析,深化信息服务。本文将重点介绍社会网络分析技术在当前科研信息化的应用实例,包括针对学术社会网络开展的实证研究工作,基于学术社会网络的合作者推荐技术,以及面向科研用户的支持知识共享和学术交流的学术社交平台。     

融合知识图谱的双线性图注意力网络推荐算法

知识图谱可有效缓解传统协同过滤中的数据稀疏和冷启动问题,因此,近年来在推荐系统中融入知识图谱的方法成为重要的探索方向。然而现有的方法大多将知识图谱的网络结构划分为单独路径或仅利用了一阶邻居信息,造成无法建立整个图上的高阶连通性问题。为解决该问题,提出融合知识图谱和图注意力网络的KG-BGAT模型,并设计了双线性采集器。双线性采集器能够在信息采集阶段获取节点间的特征交互信息,丰富节点表示;图注意力网络通过递归嵌入传播算法将各个节点表示沿图进行传播,能够捕获图中的高阶连通性。在MovieLens-1M数据集上进行了Top-K推荐实验,在推荐列表长度为20时,精确率、召回率和归一化折损累计增益分别为29.4%、24.9%、67.4%,超过了目前主流的CKE、RippleNet、KGCN等融合知识图谱的推荐算法。实验证明提出的方法能够有效提高推荐结果的准确性。     

一种改进的个性化查询引文推荐方法

为充分利用文本内容的上下文信息，结合图模型及查询向量的构建方法，提出一种融合查询内容信息的个性化引文推荐方法。通过三种论文信息构建三层图模型，并在不同层上设置不同参数，调整节点向不同层次的跳转概率；利用word2vec技术构建的查询向量，可以有效利用文本上下文内容信息，使相似的文章在距离上更加接近，进而对候选文章进行评分预测与论文推荐。在Association of Computational Linguistics Anthology Network数据集上进行计算分析，相同查询下与原有的方法相比在recall@N上平均提高约7%，在NDCG@N上平均提高约11%。实验结果表明该方法可以使引文推荐的质量得到有效的提升，能够获得较好的推荐效果。