基于异构学术网络的潜力学者识别与机构匹配

The academic network contains many kinds of nodes and relationships, and its network structure is changing all the time. Meanwhile, the academic entities in the network are also affected by the various types of relationships in the network. Therefore, how to depict the heterogeneous dynamic academic networks and quantify the influence of diverse relationships on scholar’s impact are challenging for nowadays researchers. In order to solve the above-mentioned issues, this scholar’s impact study is based on network embedding and matching theories, which contains: 1) by considering the diverse information contained in the academic network, the dynamics of academic network, the interactions among collaborators, journals and institutions, a machine learning-based method is proposed to identify academic rising stars; 2) on the basis of the above research, and taking into account factors such as research topics, core member discovery, community detection and the overall institution’s impact, the academic institutions can be depicted from the perspective of scientific research; 3) in consideration of the different application scenarios, the problem of institution-talent matching is studied from multiple angles, while the difference between the optimal matching strategy and reality situation is analyzed.

学术网络中蕴含的节点以及关系种类繁多，其网络结构也每时每刻都在发生变化，同时网络中的学术实体也受到网络中多种类型关系的影响。由此可见，如何刻画异构动态学术网络和量化多种关系类型对学者影响力的影响是当前学术影响力研究中所面临的巨大挑战。针对上述问题，本项目利用近年发展起来的网络表示学习和匹配理论，开展稳健、高效的学者影响力研究，具体研究内容如下：1)通过结合学术网络中包含的多源化信息，考虑其动态变化特性对学术网络进行表征，同时考虑合作者、期刊、机构间的相互影响，利用机器学习算法提出一种有效识别潜力学者的方法；2）在对学者影响力研究的基础之上，综合考虑研究主题、核心成员发现、社团发现以及机构整体影响力等因素，对学术机构这一整体从科研角度进行精准画像；3）基于不同需求场景，从多角度对机构-人才匹配这一问题进行研究，并分析最优匹配策略与现实之间的差异以及其背后的原因。

近年来，网络及数据分析技术的蓬勃发展使得与科研相关的异构数据成指数级增长，学术大数据逐渐成为一个新兴的研究热点。作为学术大数据研究的一个重要分支，学术影响力的研究不仅为各类科技人才的培养提供了有力的依据，并且对评价社会科学技术能力和国家及地区科技竞争力与科研绩效等方面也屡见成效，其意义和价值不言而喻。人才问题不仅关系着教育、科研等资源的调控，更对综合国力的发展起到了决定性的作用。学者作为人才中的一个重要组成部分，本项目利用学术大数据、计算社会科学、复杂网络的理论和方法，通过对学者影响力进行预测、对影响学者成功的因素进行了深入的挖掘以及对其真实年龄进行预测，从而对潜力学者进行有效的挖掘。主要的研究内容和贡献如下：. 学者影响力的预测。针对现有预测方法在捕捉不同学者影响力演化方面的不足，提出了一种新颖的个性化学者影响力预测方法。该方法一方面根据学者自身的特征将他们划分为不同的类型；另一方面考虑学术网络随时间演化的特点，针对不同类型的学者，构建其特定的时序学术网络来预测其影响力，提高了预测的准确性。. 影响学术成功的因素挖掘。针对当前研究工作在挖掘影响学术成功决定性因素方面存在的不足，本文将影响因素进行分类，分为以文章、作者、期刊、机构为中心的因素以及时间因素，并利用机器学习算法来解决这一问题。通过实验发现，学者的平均引用次数、合作者的数量和多样性、学术年龄与他们未来的成功高度相关。除此之外，在实验中还发现了科研机构中存在“人以群分”的现象，并基于此对机构进行画像。. 学者真实年龄的预测。针对学者年龄对其影响力的重要影响以及相关数据在获取上存在的困难，提出了一种基于表示学习的学者年龄预测方法。该方法首先利用学者.的论文信息，提取并分析众多影响学者年龄的因素；其次，结合上述因素对学者年龄进行预测行预测并对其重要度进行分析。该方法在提高预测准确度的同时也能够很大程度上保护学者的隐私。