基于学术大数据的科研合作者推荐问题研究——推荐最合适的而不是最好的

Collaboration has generated huge impact to the development of science and society. It is crucial for researchers to find proper collaborators. However, it is becoming more and more challenging to find proper collaborators since the formation of big scholarly data. So far, there have been many existing works on how to recommend collaborators automatically for researchers. These existing works, however, mainly focus on the algorithms design and recommend the best collaborator by default for researchers without considering a very important question: must the best one be the most appropriate one? In fact, in the real life, people prefer to choose a partner who has the same social status as himself. Therefore, we assume that the collaborators who have the similar academic level will do better during the collaboration. Based on the assumption, we will conduct research on how to recommend the most appropriate collaborator instead of the best one for researchers both in single domain and across different domains. The highlights and innovations of the research include: 1.Both the correlation between the researchers and the similarity of academic level of the researchers are involved in the recommendation. 2. Clustering analysis is employed to group the researchers in terms of the academic level. 3. The concept of the key references is used to measure the correlation between the researchers in a single domain, which would improve the accuracy of the measurement. 4. The keywords are integrated into the computation of the possibility of collaboration between two cross–domain researchers, which would improve the efficiency of computation. The research can be extended to other fields which have a need of collaborator recommendation.

合作对科技发展和创新起到了巨大的推动作用，找到恰当的合作者对科研工作者来说至关重要。目前，已经有不少关于如何基于学术大数据自动为科研人员推荐合作者的研究，但是这些已存在的工作默认为研究者推荐最好的合作者，却忽视了一个重要问题：最好的一定是最合适的合作者吗？在生产实践中，“门当户对”的合作者往往才是人们的首选。因此，本项目假设学术水平相近的研究者更能实现切实可行的合作，基于该假设，我们将研究如何在单个领域以及跨领域为研究人员推荐最合适而不是最好的合作者。本项目的创新包括：1.推荐过程中既考虑研究者的相关性，也考虑研究者学术水平的相似性；2.引入聚类技术对研究人员按照学术水平进行划分；3.引入关键参考文献的概念作为单领域内研究者相关性评判的标准之一，有利于提升评判的精度；4.引入关键词作为跨领域研究者合作的可能性计算依据，有利于提升计算效率。本项目的研究可以推广至其它领域为相关人员推荐合作者。

合作对科技发展和创新起到了巨大的推动作用，找到恰当的合作者对一个科研工作者来说至关重要。已有的基于学术大数据自动为科研人员推荐合作者的研究默认为研究者推荐最好的合作者，却忽视了一个重要问题：最好的一定是最合适的合作者吗？在生产实践中，“门当户对”的合作者往往才是人们的首选。因此，本项目假设学术水平相近的研究者更能实现切实可行的合作，基于该假设，我们致力于研究如何在单个领域以及跨领域为研究人员推荐最合适而不是最好的合作者。最终，我们提出了FCR和ALSRec两种算法用于在单个领域内进行科研合作者推荐，设计了一种同时考虑研究人员学术水平相似性和研究兴趣相关性的跨领域的科研合作者推荐算法。我们从微软学术数据集中获取数据并对以上算法进行了实验验证，实验结果显示FCR和ALSRec算法的推荐准确率均优于主流的基于随机游走、基于内容和基于引文的推荐算法，我们提出的跨领域科研合作者推荐算法也优于目前最流行的LDA + Cosine推荐模型。实验结果验证了我们提出的“门当户对”假设的合理性。本项目提出的算法可应用于实际的科研合作者推荐系统，本项目的研究结论可以推广至其他领域为相关人员推荐合作者，本项目的研究方法可以为解决其他推荐问题提供参考。.除了科研合作者推荐问题研究之外，基于学术大数据，我们还扩展了几个相关的研究方向并取得了一定的进展，包括：基于学术大数据的区域经济发展状况研究，潜力学者挖掘模型研究，基于学术网络的学者兴趣标签发现研究等。

内容获取失败，请点击重试