基于科研社交网络挖掘的专家组合推荐问题的研究

Nowadays, scientific studies have come to rely more and more on the teamwork and collaboration, thus effective expert group recommendation approach has become an urgent issue to be addressed. Current research focuses on incorporating well-developed optimization models to recommend experts and assemble an expert team, while lacks of in-depth discussion of the specific cooperation intention of the research team members. This proposal will study expert group recommendation problem from the perspective of the analysis and mining of experts’ cooperation intention. It includes: first, extract the features related to team collaboration from the static information and dynamic behavior of experts on the social networking platforms, and establish cooperation intention prediction model from multiple dimensions; second, design corresponding multi-objective experts combination models according to the different application scenarios; third, find the solution to the team formation models based on the swarm intelligence optimization algorithms. The research organically combines the advantages of collaboration feature mining and group optimization fields, which has a good inspiration for the relevant research. The proposed innovative approach will be able to significantly change the traditional way of academic cooperation, to guide scientific community toward better knowledge dissemination and sharing, and to enhance teamwork ability and competitiveness of research institutions in China.

随着科学研究的集群性和团队性的日益明显，有效的专家组合推荐方法已成为一个亟需探究的问题。目前的研究主要集中于引入较为成熟的优化模型来推荐专家并构建团队，对于影响专家进行组合的内在因素缺乏深入的研究。本项目将从科研协作任务和专家背景信息的分析与挖掘的角度入手，首先，利用科研人员在社交平台上的静态信息与动态行为数据，提取出和专家组合推荐相关的特征集合，从多个维度建立起合作预测模型；其次，根据专家组合推荐的不同应用情境设计对应的多目标组合模型；最后，从利用新兴的群体智能算法的角度，给出适用于团队组合的多种模型的优化求解方案。本项目有机地结合了专家合作特征挖掘与组合优化这两个领域的优势基础，具有较强的创新性，对于相关的研究有良好的启发意义。拟提出的这种新型的专家组合推荐方法将能明显地转变传统的学术合作方式，有助于促进我国科学界的知识传播与共享，增强科研机构的团队协作能力和竞争力。

本项目以合作理论、社交资本理论等理论为支撑，以数据爬虫、信息检索等技术为依托，运用自然语言处理、文本挖掘等工具，在科学研究的集群性和团队性逐渐增强的背景下，从科研人员合作意向的分析和预测的角度出发，融合团队成员的多种个性化目标和需求，设计规范合理的专家组合推荐模型，并采用针对性的改进型优化算法进行求解，获得有效的专家组合推荐结果。.研究内容：1）抽取科研人员的多维合作特征集合，分析与预测科研专家的合作意向；2）探索融合成员个性化需求的专家组合推荐模型的构建机制；3）设计适用于专家组合推荐模型的优化算法，寻找求解策略。.重要结果：.1）本项目基于历史合作数据，采用机器学习方法训练出不同合作特征的权重参数，进而设计出专家合作意向预测模型。本项目利用异构网络中的隐式和显式的信息，从而实现对科研对象特征的有效建模，弥补了传统自声称信息与个人文本信息的滞后性，确保及时更新科研专家的兴趣特征；.2）本项目设计出科研专家组合推荐模型的多重目标和约束条件，根据科研异构网络的性质定义不同类型的邻居关系，并针对不同合作人群分别设计了合作意愿度量。本项目还研究了多维优化目标权重参数学习方法，设计出适应具体情境的组合推荐模型；.3）本项目将组合推荐模型和一些优秀的优化算法进行结合，针对实际模型改进群体智能算法，性能明显提升。本项目设计出了提高种群多样性的新型骨干粒子群算法，有明显的快速收敛效果，确保求解效率与合理性。.理论意义：本项目结合了专家合作特征挖掘与组合优化的优势基础，填补了影响专家组合的内在因素的研究空白，具有较强的创新性。本项目所提的新型专家组合推荐方法对企业项目团队组合、教学团队组合等相关研究有较好的启示。 .实际意义：本项目所提的专家组合推荐方法能改进传统的学术合作方式，有效帮助科研人员选择适合的专家并构建学术团队，增强科研机构的团队协作能力和竞争力，进而推动我国的科研合作、多学科交叉和知识共享。