开放互联网中科研学者画像技术研究

User profiling, which has become a hot research topic in recent years, is the cornerstone of precision recommendation and personalized service. Scholar profiling is a fundamental technique in large-scale expert databases for finding experts, evaluating academic influence, etc. In the open Internet, scholar profiling faces new challenges, such as large amount of data, data noise and data redundancy. The traditional user profiling methods and algorithms cannot be directly used in the user profiling system in the open Internet environment. This project aims to establish a generalized information extraction model for Web user, study the scholar profiling technique based on deep learning and big data, and construct a multi-dimensional scholar profiling platform with high accuracy.

用户画像是实现精准化推荐和个性化服务的基石，是近年来的研究热点问题。其中，学者画像技术是大型智库实现专家发现、学术影响力评估等功能的关键。在开放互联网中，学者画像面临数据量大、数据噪音和数据冗余等新挑战，这使得传统的用户画像理论、模型和方法无法直接无缝地移植到开放互联网环境下的学者画像系统中。本项目从基础理论、共性关键技术和技术平台三个层面开展研究，旨在建立开放互联网中学者画像的新理论体系，研究大数据环境下通用的Web用户信息抽取模型，突破以深度学习和大数据等智能方法为基础的高精度学者画像技术，构建精准立体的科研学者画像库。

开放互联网中的学者画像工作是近年来的研究热点问题。学者画像的目标是提取学者各维度的属性信息进行信息挖掘和分析应用。学者画像技术是大型智库实现专家发现、学术影响力评估等功能的关键。在开放互联网中，学者画像面临数据量大、数据噪音和数据冗余等新挑战。这使得传统的用户画像理论、模型和方法无法直接无缝地移植到开放互联网环境下的用户画像系统中。. 针对这些挑战，本项目对现有学者画像技术进行了总结和分类，从基础理论、共性关键技术和技术平台三个层面开展研究，研究立体高精度学者画像的理论模型与实用方法，建立大规模学者画像库。首先，在基础层对海量科研行为资源的抓取、抽取和融合；其次，针对学者画像的三项基本任务提出立体多维学者画像模型；最后，在平台层构建大规模学者画像库，已集成到科技情报大数据挖掘与服务平台AMiner中。. 本项目构建了学者画像模型，解决学者画像领域的重要基础问题和前沿挑战问题，为开放互联网环境中用户画像相关技术研究提供理论基础和技术指导。研究成果可用于构建科技、教育等专业领域专家库。.