近年来,社会网络的研究受到了广泛关注。学术网络作为社会网络的一个分支,已成为社会网络分析中的热点研究课题。学术大数据的产生与获取为学术影响力评估与预测提供了强有力的支持,这些研究关系到每个学者和机构发展的切身利益,并对国家科研经费资助具有重要的指导意义。学术影响力评估和预测研究,主要包括如何构建学术网络及其结构演化、学术影响力膨胀、学术影响力内在演化机制等问题。本文以结构化学术影响力评估方法、机器学习预测模型以及产生式预测模型为研究基础,针对构建学术网络、学术影响力膨胀和内在演化机制问题,本文提出了相应的解决方案。主要贡献为:(1)高阶加权的论文影响力评估方法设计。针对在引用网络中无意义引用产生的学术影响力膨胀以及结构化评分相同问题,提出一种基于高阶加权的论文影响力评估方法。通过分析论文引用量与实际地理距离关系,并构造高阶引用网络,进而提出高阶加权引用网络。在高阶加权引用网络中量化论文影响力,并通过实验验证高阶加权的评估方法大幅度提高论文影响力评估效果。(2)基于点估计的论文影响力建模。针对论文影响力内在演化机制问题,提出一种基于点估计的论文影响力预测模型。在引用网络中,分析早期引用者的影响力和引用量之间的关系。利用早期引用者影响力与引用量之间呈现正相关的关系、长期引用量随时间衰减的规律以及近期引用量增强的机制,考虑每次不同学者的引用对论文影响力的影响,从而进行论文影响力建模,提升预测效果。(3)加权引用的机构影响力评估方法设计。相比论文影响力,机构影响力膨胀现象更为严重,加权引用主要用于区分引用类型。针对机构影响力膨胀问题,提出了加权引用结构化的机构影响力评估方法。通过分析学者之间显示和隐式的利益冲突关系,依据不同类型的利益冲突关系加权引用网络,进行结构化评估机构影响力,提升评估的合理性。(4)基于隐式多特征学习的机构影响力建模。针对机构影响力内在演化机制的问题,提出了一种基于隐式多特征学习的机构影响力预测模型。在引用网络中,分析驱动机构影响力演化的多种特征包括基于学者影响力的特征、基于历史评分的相关特征、机构的地理位置特征以及国家经济特征,并进行相应的特征重要度评分。进而依据特征重要度评分进行建模,提升了预测效果。