学术影响力预测是学术数据应用的重要研究内容,其中,论文影响力的预测可以帮助研究人员找到有价值的论文,以便了解最新的研究方向。作者影响力预测可以为决策人员在基金资助,资源分配等方面提供参考。现有最先进的学术影响力预测方法是基于图的方法,但大部分基于图的方法着重于评估论文和作者的当前影响力,这对新发表的文章和年轻研究人员不公平。另一个局限是它们主要依赖于学术网络的全局结构特征,不能充分利用网络的局部结构信息以及文本和时间等信息,这制约了影响力预测的准确性。针对以上问题,本文提出一种基于表示学习的学术影响力预测算法。论文主要包括以下内容:构建包含论文、作者、主题、词等类型节点以及节点之间多种关系的异构学术网络,并依据与论文及作者影响力相关的特征设置边的权重。通过主题和词来保留论文之间的内容相关性,充分挖掘缺少引用的新论文的潜在影响力。针对异构学术网络设计一种表示学习模型,构造合适的目标函数,将异构学术网络映射到一个低维向量空间中,学习不同类型节点的向量表示,通过表示学习过程更有效地保留网络的局部结构信息、论文的文本信息。利用节点间的向量相似度构造出与论文引用网络、论文-作者网络以及作者合作网络对应的邻接矩阵,然后利用一个基于图的多变量随机游走排序模型,基于论文与作者之间的互增强关系,在同一个模型中实现对论文和作者的未来影响力预测排序。在AMiner数据集和AAN数据集上的实验结果表明,提出的模型在Normalized Discounted Cumulative Gain(NDCG)及Recommendation Intensity(RI)两个评估指标上明显优于其他5种对比方法。