随着互联网技术不断发展,学术成果不断涌现,学者们可以使用各种分析方法来挖掘学术成果之间的隐藏关系,并探索学术合作的规律。其中,学术合作关系的分析逐渐成为研究热点,对作者合作进行研究可以了解作者合作形成的原因和研究领域的发展态势,帮助学者更方便地寻找到合作伙伴,促进科研合作的形成和科研成果的不断产生。本文首先对学者合作规律以及影响因素进行了数据分析;在此基础上,采用基于链路预测和基于网络表示学习两种方法建立了学者合作关系预测模型,并在传统模型中加入了学者外部属性这类新特征,实验证明此类特征能够有效提高模型的预测准确率。本文通过总结前人的文献,基于统计学方法,选择两类作者合作关系的影响因素,从合作网络拓扑特征和作者特征两个方面进行度量。合作网络拓扑特征选择了链路预测特征和网络表示学习特征。其中链路预测特征包括Common Neighbours(CN),Adamic-Adar(AA),Resource Allocation(RA),Jaccard,Katz,Graph Distance(GD),Sim Rank;网络表示学习特征为使用Large-scale Information Network Embedding(LINE)算法计算得到的作者向量。作者特征选择了作者的学术年龄、发文量、合作率、研究兴趣、所在机构和地区。本文使用Web of Science核心数据库图书情报领域(1945-2018)数据集,计算得到链路预测特征、网络表示学习特征和作者外部特征的量化,基于链路预测和基于网络表示学习两种方法建立了学者合作关系预测模型,分别将作者特征引入到上述两种模型中,并与原模型进行比较,最终形成四个预测模型。通过四种模型的验证实验,基于模型精度指标,发现使用链路预测特征和作者外部特征时模型预测效果最好,精度可达。通过比较模型输出的各特征基尼系数大小,发现作者合作率的差异、作者发文数和学术年龄差异与作者合作与否呈负相关关系,且影响系数较高;作者是否为同一国家和同一机构对作者合作与否存在正相关关系。