科研合作是学术社会中普遍而重要的行为,也是开展创新性及突破性科研工作的主要形式。其中,具有团队性质的多元合作是学术社会中非常重要并且异常复杂的关系,已成为突破重大科学问题、完成关键工程项目的重要科研模式。对多元合作关系的深入研究可以有效驱动创新发展,促进学科融合,推动科技进步。学术网络中的多元关系挖掘与分析作为跨网络科学、组织行为学、社会学等多学科的热点研究问题,现在仍面临缺乏普适模型、多元合作关系识别困难、大规模网络泛化性差及异常关系难以检测等种种挑战。普适多元合作模型的匮乏使得对学术团队合作的相关研究难以深入;学者流动性强、学术团队界定模糊等原因导致多元合作关系识别困难;学术网络规模大、分布不均匀、异构性强等特点使得多元合作关系聚类及异常多元关系识别等重要研究问题难以解决。本文基于计算社会科学、网络科学、数据科学中的研究方法和理论,围绕学术社会高动态性、学术网络高阶性及复杂性、学术实体异构性带来的一系列问题,对学术社会中的多元合作关系进行挖掘与分析。具体地,针对多元合作关系缺乏普适代数模型、团队合作关系识别困难、多元关系聚类泛化能力弱及异常合作关系难以检测等前沿研究问题,本文分别提出了基于李比希桶的团队合作关系模型、基于合作强度的团队合作关系识别方法、基于k连通图的多元关系聚类方案以及基于模体相似度的异常多元关系检测方法,有效解决了由学术社会中多元合作关系中合作团队化、团队模式化、网络规模化及异常高阶化的现象带来的一系列问题,主要贡献如下:1.团队合作关系建模。针对当前团队合作关系缺乏普适代数模型这一问题,本文以李比希桶为载体,根据学术团队合作关系的特点,提出了团队合作关系的代数模型,分析了学术团队合作中对团队产出有影响的关键因素。通过分析计算机学科数据和物理学科数据,发现学术团队合作中存在“长板效应”,即团队产出质量主要取决于能力最强的成员。此外,分析表明,成员能力分布呈阶梯结构的团队产出质量更好。基于本文得到的结论可有效优化学术团队成员配置,促进和提高科研产出。2.团队合作关系识别。针对当前学术团队界定模糊,算法无法有效识别学术团队这一问题,提出了一种基于合作强度及网络结构的算法。根据学者间的合作强度对合作网络重构,以高斯核函数量化核心团队成员的领导力,以高阶网络拓扑熵衡量其影响力,由核心成员向外扩展识别具有“核心+一般”阶梯结构的学术团队。实验表明,该方法基于影响力扩散机制可识别细粒度学术团队,有效刻画学术团队结构。3.多元合作关系聚类。针对当前算法在大规模学术网络上多元合作关系聚类中存在的不足,提出了一种基于k连通图的多元合作关系聚类方法。根据网络连通性理论及矩阵扰动理论证明,本文证明了邻接矩阵基于k连通图拆分后,其分割得到的最小特征值与原网络矩阵最小特征值的差值小于分割后矩阵的谱半径,同时对Laplacian矩阵的扰动进行分析并给出定量表达式。理论证明及实验结果均表明,该方法可精准刻画网络结构,在大规模学术网络中泛化能力强,对高阶网络结构具有较高的适用性。4.异常多元关系检测。针对学术网络中异常关系多元化和高阶化导致异常关系识别困难的问题,提出了一种基于模体相似度的异常关系检测方法。基于用户给定的初始查询条件,通过异构学术网络中的元路径找到符合查询条件的结果集合,根据模体相似度对查询结果集合进行异常检测。该方法可以有效识别基于查询条件的异常多元关系,且检测结果对用户查询条件具有依赖性,但对使用的相似度测量指标不敏感。