混合拓扑因子的科研网络合作关系预测

摘要：

[目的]通过图论和复杂网络理论中的链接(关系)预测算法挖掘科研合作网络的结构信息,并预测目前尚未合作的学者有哪些在未来会产生合作关系.[方法]提出一种新颖的集成局部拓扑特征因子和全局社区拓扑特征的混合拓扑因子合作关系预测模型(Mixture Topological Factor,MTF),该模型引入朴素贝叶斯模型关系预测算法计算局部因子,采用社区贡献度和参与度计算全局社区特征因子进行集成.[结果]实验结果表明,MTF方法能够在采用不同社区算法的基础上有效地对真实的科研合作网络关系预测问题建模,在效果上也要优于一些经典和新近提出的算法.[局限]该方法有待进一步应用到更大规模的网络结构中.[结论]能够通过深入挖掘科研合作网络基于社区信息的拓扑属性提高预测精确度,同时为该类模型的研究提供一种新的方案.

关键词：科研网络、合作关系、合作预测、学者社区、社区信息、混合拓扑因子模型

分类号：G202(信息与传播理论)

资助基金：本文系国家自然科学基金青年基金项目“半监督排序学习理论与算法研究”项目编号:61003045和广东省教育部产学研结合项目“基于节能的企业能耗监控集成管理平台研发及应用”项目编号:2012B091100043的研究成果之一.

在线出版日期：2015-05-12（万方平台首次上网日期，不代表论文的发表时间）

页码：65-71