科研工作者合作潜力预测问题研究

发布时间：2020-06-06 03:55

【摘要】：科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现,这一现象正凸显了合作在解决科学问题中的重要地位。目前科研合作的相关研究多以合作者推荐为目的,仅对学者产生合作的行为数量做研究,而对于合作结果质量(等级)的相关研究却较为少见。在合作过程中如何选择潜力最大的合作者达到合作收益最大化仍是问题的关键所在。研究合作潜力可以为学者提供预判指导,迅速准确选择与预期一致的合作者,最大化科研效率。随着社会生活和研究方式的升级,对合作行为的分析和解读已成为一个热门的研究课题,计算机技术的飞速发展为大数据的处理和挖掘提供了新的途径。如何根据已有的合作大数据挖掘合作行为背后的潜力模式,预测与当前合作者结果的等级显得尤为关键。本文紧随国内外研究前沿,针对科研工作者合作潜力的预测问题做了一些研究和探讨,取得的成果如下:(1)在数据爆发式增长的信息时代,从海量信息中找到真实有益的关键信息越来越难。为了解决这个问题,基于学者-文章大数据,经过特征分析和优化,综合考虑学者的个人属性和相关属性,分别从文章标题、文章等级、文章数量、时间及署名序多维度构造样本特征,以文章所发表的期刊会议等级作为合作者序列对的样本标签以表示当前合作的潜力高低,利用集成学习方法的强学习特性,提出了基于多因素分析的科研工作者合作潜力预测模型。各项实验指标以较少的样本和时间收敛于较高值,说明了模型的优越性。(2)科研合作数据中包含学者、会议、文章等主体,学者之间有合作关系、学者与文章有署名关系、学者与会议有发表关系等。本文以节点表示主体,边表示关系构建异构信息网络,把更丰富的信息数据赋予“未曾发表高等级文章的普通学者”,依托异构网络下的元路径概念,对未发表过高等级文章学者的合作潜力进行预测,提出了一种基于元路径的方法。该算法以分类方法预测合作潜力,实验效果说明了方法的可行性。总之,本文基于对真实科研合作数据的提取分析,对科研工作者合作潜力预测问题进行了量化建模研究,并在真实数据上对算法有效性进行了验证。本文的研究有助于科研工作者合理选择合作者,分配科研精力使收益最大化,同时也为为科研合作问题的分析提供了新方法与新思路,在合作者推荐和社会网络等领域有一定的价值。
【图文】：

曲线,训练集,潜力预测,集成学习

但是较高的性能下是可以接受的。为了清晰地展示在各机器学习算法下合作潜力预测模型性能以及收敛性，图4.4 呈现了以 10 年全部数据中不同百分比的样本作为训练集，集成学习方法基分类器个数为 300 时，多种类型的算法在 4 个指标的实验性能。其中图（d）DT、KNN和 LR 几种基本的学习算法运行较快，，曲线基本重叠。可以看出随训练样本增加时集成学习算法仍然以较高的得分领先，且能以较少的训练样本集收敛到较高分数。35

科研工作者合作潜力预测问题研究

RF和KNN在不同sum的表现
【学位授予单位】：山西大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：G312;TP311.13

【相似文献】