科研社交网络中的专家发现方法研究

• 作 者: 王焱弘
• 机 构: 中国科学院大学
• 出 处: 中国科学院大学
• 发表日期: 2018年期
• 关键词: 科研社交网络 专家检索测试系统 推荐模型 知识特征匹配

Web2.0时代，社交网络成为人们获取信息、联络感情的重要渠道，这类工具逐渐走入科研人员视野，随后，专门面向学者的社交网络——科研社交网络诞生。作为一种重要的社交和学术管理工具，科研社交网络给学者带来了方方面面的帮助，调查显示，专家发现是学者使用频率最高的功能之一。因此，为科研社交网络设计高效的专家发现方法，对改善广大学者的用户体验、更好地服务科学共同体，以及充实专家发现理论研究，都有不可忽视的意义。　　本文从科研社交网络的双重属性出发，对传统专家发现模型、大众社交网络好友推荐模型进行了总结与分析。在此基础上提出个性化专家发现模型，该模型由三部分组成。第一部分是专家知识特征评分，来自专家主客观知识与检索主题的匹配程度;第二部分是专家影响力评分，结合传统学术评价指标与补充计量指标来综合评定专家的影响力;第三部分是社交距离评分，根据检索者在社会网络中的强联系，为有亲密关系的专家计算社交距离评分。　　在实验部分，本文利用Aminer团队提供的数据，构建了个性化专家检索测试系统，在优选参数之后，将本方法与基准方法的检索效果进行对比。对比实验结果证明，本方法相对于基准方法能够有效提升查全率、查准率和MRR上的表现。　　本文的主要研究成果是针对科研社交网络提出的个性化专家发现方法，它一方面结合了传统专家发现模型的知识特征匹配思路，另一方面，对科研社交网络专家数据的特点、用户需求和场景的特殊性进行考量，引入专家影响力和社交距离评分。此外，这项研究为科研社交网络的平台建设提供了思路——搭建丰富的平台功能，收集多样的专家数据，为专家发现系统功能改善奠定数据基础;同时对专家发现理论研究的前进方向做了展望。