科研社交網(wǎng)站中的學者推薦研究.pdf

1、Web2.0時代，社交網(wǎng)絡用戶可以自由的發(fā)布信息、交流思想，吸引了人們在該類平臺上建立社區(qū)、交流知識，由于一般社交網(wǎng)絡缺乏專業(yè)學術氛圍，2007年起出現(xiàn)了專門面向學術工作者的科研社交網(wǎng)站，如國外的ResearchGate、Academia.edu，國內(nèi)的百度學術、科研之友等。他們在網(wǎng)站中瀏覽彼此主頁、尋找感興趣的文獻與學者、參與學術話題討論、相互提問解答，這使得全球各領域科研人員能夠方便地進行即時學術探討、尋求潛在合作機會。發(fā)現(xiàn)相似研究

2、學者與潛在合作者是科研工作者使用網(wǎng)站的重要理由之一。
　　但是，科研社交網(wǎng)絡存在與大眾社交網(wǎng)絡相同的信息過載、信息不對稱的問題，基于學者的學術知識與科研合作網(wǎng)絡構建個性化推薦模型是有效的解決手段。進一步地，目前信息處理與檢索系統(tǒng)的一個新趨勢是對情境化數(shù)據(jù)的獲取，將其考慮進信息處理中，有助于提高推薦精確度，緩解信息過載，更好的適應與用戶已有歷史記錄相獨立的特殊需求。為此，本文分析了科研社交網(wǎng)站中學者的社交動機，得出推薦場景差異，認為

3、學者主要對同一研究領域、具有相似研究偏好的學者感興趣，并與他們建立長期的社交關系，除此外，很多學者具有情境化特征，希望尋找具有特定要求限制下的合作者，如已有研究主題的項目或者論文。因此，本文提出了兩個學者推薦模型，即基于相似研究興趣的學者推薦模型，和基于特定情境的合作者推薦模型。針對兩種推薦情境，本文分別設計了合理對應的解決策略。
　　在基于相似研究興趣的學者推薦模型中，本文構造了兩個子模型:學者檔案模型與學術行為網(wǎng)絡模型。在學者

4、檔案模型中，采用語言模型，依據(jù)學者的專業(yè)、研究領域、研究成果等信息表征學者知識，使用基于貝葉斯分解的生成概率計算學者知識的相似度;在學術行為網(wǎng)絡模型中，通過挖掘學者學術行為網(wǎng)絡中的關系，采用Adamic-Adar方法和最短路徑方法分別測量合作者網(wǎng)絡中的學者節(jié)點相似度和路徑距離，從全局學術領域和局部研究領域兩個角度采用Jaccard系數(shù)表示研究學者所在單位間的合作網(wǎng)絡關系度;最后，應用Comb策略整合以上測量，預測相似度較高的學者為推薦學

5、者。在基于特定情境下的合作者推薦模型中，本文設計了兩個標準評定潛在合作者的質量:學者學術質量評價與學術社會網(wǎng)絡質量評價。在學者學術質量評價中，同時引入情境預過濾和情境后過濾到推薦方法中，使用學者的學術成果質量（成果數(shù)量、發(fā)表刊物級別、被引用量）、職稱、G指數(shù)來為學者的學術能力評分，對情境信息進行預處理、提取特征詞，首先采用情境預過濾策略選出含有情境內(nèi)容特征的學者構成初步候選合作者集，然后采用調(diào)整的潛狄利克雷分配方法對情景主題分配關鍵詞，

6、運用Kullback-Leibler差異計算初步候選合作者集中的學者與目標學者間的知識匹配，并將MNZ標準化后的學者學術能力評分作為匹配計算中的權重值;在學術社會網(wǎng)絡質量評價中，構建了多元關系網(wǎng)絡，包括四種關系類型:論文合作、項目合作、專利合作、出席相同會議，先計算學者間四種關系的數(shù)量，再引入關系年限修正得到合作質量評分;最后對兩項評分進行整合得到合作意向評分。兩個推薦模型的具體構建方法見于論文第四章。
　　同時，為了模型應用的清