在当今学术合作中,人们对不同领域、不同学科的学术合作的兴趣与日俱增,但人们仍然对学术大数据中跨学科、跨领域的动态协同合作机制知之甚少。以往的研究要么主要集中在学术网络拓扑上,而忽略了学术网络中的属性,要么主要研究学术网络中节点的属性,而忽略了学术网络中拓扑关系。为了进一步理解学术大数据中的主题和结构变化模式进而探究其中的协同合作关系,我们首先总结归纳了动态学术社交网络关系的分析以及图可视化方法,然后基于基于图卷积神经网络提出一种新的社区发现算法,最后设计可视化分析系统旨在使用户能够直观地探索学术社交网络中节点、社区和网络作为一个整体的结构和时间特性。我们使用真实的学术社交网络数据集来评估我们的系统的有效性,最后我们通过20名用户对我们系统进行评估测试以验证我们系统的实用性和可行性。本文的主要研究工作总结如下:（1）动态学术社交网络的分析以及动态网络图可视化方法的分析和总结:我们首先对学术社交网络进行定义,介绍和分析动态学术社交网络关的特性,详细说明在动态学术社交网络分析时的主要关注重点内容。然后对研究动态学术社交网络的方法进行了总结,其中重点介绍了图表示学习理论,最后对动态社交网络可视化方法进行了总结和对比分析,重点介绍了动画法、时间线法和混合法的可视化方法。（2）提出了一种基于图卷积神经网络的社区发现算法:我们将图卷积神经网络应用于学术网络的的节点嵌入中,我们使用图卷积神经网络将结点的链接关系和属性表示为高维向量空间中的密集向量,这样就保留结构和属性两方面的特征。由于生成的向量可以表征节点的特征,我们可以再在图嵌入空间中使用k-means聚类节点来解决优化问题,最终提取出群落。最后,我们选取了目前性能比较好的一些优秀的社区发现算法与我们提出的算法进行对比,从多个指标角度来验证了算法的有效性和可行性。（3）提出了一套动态学术社交网络分析的方法:针对目前现有的动态学术社交网络可视化系统,没有很好识别出网络中的节点和社区,也没有提供良好的可视化视图和交互手段供学者进行探索,我们开发了Aca Vis,一个基于流的视觉分析系统,这种新的视图呈现了动态节点、社区和整个网络在时间轴上的演化轨迹,帮助用户在节点、社区、网络的不同级别和尺度下探索属性和结构模式。通过两个实例和用户访谈验证了系统的有效性。为下一步的工作奠定基础。