论文部分内容阅读
科研合作能够加快科研信息流动,促进科研工作开展,提升研究成果质量,进而对科研理论创新和技术突破具有积极意义。本文着重研究为高校科研人员推荐合作者,针对科研合作推荐中的信息不对称和信息过载问题展开研究,提出了两大主要的科研合作者推荐情境:基于相似性推荐和特定背景限制推荐。基于相似性推荐:构建科研人员-关键词的耦合网络,在社区网络内部建立基于LDA的兴趣模型来计算科研人员相似性,解决相应问题;特定背景限制推荐:构建主题模型进行分类,再基于LDA兴趣模型推荐符合要求的科研人员。从两个方面显著提高了科研合作推荐合理性和准确度。首先,本文对科研合作推荐问题进行规范性描述,基于相关因素提出关键变量参数,进而构建了问题的总体框架,在框架中对基于特定背景限制的科研合作者推荐和基于相似性的科研合作者推荐两大主要的科研合作者推荐情境进行了定义,进而讲述其相应解决对策。1.对于基于相似性的科研合作者推荐,本文提出一种混合方法整合六种异质文献网络特征,构建科研人员-关键词所形成的耦合网络,并将科研人员本身特性和社区网络引入其中,此方法改进了传统潜狄利克雷(LDA)模型未将科研人员特性考虑进来的缺陷,且能够对数据进行降维处理。从而解决了传统利用向量空间建模,基于关键词匹配和文本挖掘技术由于语义模糊性会造成关键词失配问题。2.对于基于特定背景限制的科研合作者推荐,本系统采取的科研合作者推荐机制是以专业知识覆盖面为导向的,这种机制提出了基于LDA模型的改进方案,构建基于LDA的科研人员兴趣模型,提升在同一语料库当中有不同影响力文档的模型的性能。本文所提出的解决方案已被应用到高校科研成果管理系统中,系统还实现了基于网络化的科研成果管理,能够进行成果数据管理、数据分析、动态更新等功能,可以将科研动态信息进行汇总,采用信息推送的方式展现给科研人员,协助高校科研人员更加顺畅地分享知识成果、寻找合作伙伴、开展学术交流和协同工作。