结合链路预测和ET机器学习的科研合作推荐方法研究

摘要：

[目的]结合链路预测与机器学习,提出推荐未来科研合作的新方法,以提高单独基于链路预测方法的推荐精确度.[方法]构建加权作者合作网,以不同的链路预测指标作为特征输入,运用极端随机树(Extremely Randomized Trees,ET)机器学习算法训练分类,并利用遍历算法求取分类结果的最优权重组合,选取TOP准确度的预测作为合作推荐结果.[结果]选取纳米科技领域2008年-2010年SCI论文数据进行实证.在城市合作推荐中,.改进的ET方法优于已有方法,有良好的推荐成功率;预测方法受网络结构等因素影响较小,适用范围更广泛.[局限]科研合作受合作动机、地域、语言等诸多因素影响,加权作者合作网没有反映在一篇论文中同城市、同机构的多个作者,也没有反映上述因素.[结论]改进算法能够比单个预测指标产生更准确的合作推荐建议,也为推广到大学等机构、个人等更微观的应用层面提供参考.

关键词：科研合作网络、链路预测、机器学习、随机森林、极端随机树、推荐

分类号：G350(情报学、情报工作)

资助基金：国家自然科学基金面上项目“科学结构特征及其演化动力学分析方法与应用研究”项目71173211的研究成果之一

在线出版日期：2017-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：38-45