科技是第一生产力。挖掘、分析科技活动产生的学术大数据中复杂的实体关系不仅有助于学者了解科学本身的规律,提升科研效率;同时为科学技术能力的评估、教育与科研等重要资源的分配提供了有力依据。学术网络中,节点之间的关系除了较容易获取的显式关系（如合作关系、引用关系）,还有无法直接获取的隐式关系（如师生关系、异常引用关系）。学术网络中的隐式关系是实体之间隐含的语义关系。对隐式关系进行深入研究有利于探究科学潜在的模式、关联和规律。但在学术大数据背景下,网络强异构性导致隐式关系表示模型匮乏;网络高维稀疏性导致隐式关系识别中特征选择低效;实体标签稀疏性导致隐式关系检测时特征提取困难;实体特征复杂性使多维度属性难以有效融合,多元隐式关系提取困难。为解决以上问题,本文基于计算社会科学、网络科学与图学习相关理论和方法,围绕学术网络异构性及高维稀疏性,学术实体标签稀疏性及属性多维性带来的一系列问题,对学术网络中的隐式关系进行挖掘分析。分别设计了基于图结构增强的隐式关系建模方法、基于图自编码器的隐式关系识别方法、基于自监督图学习的隐式关系检测方法和基于多视角图学习的多元隐式关系提取方法,有效解决了由网络异构性与高维稀疏性、实体标签稀疏性与特征复杂性导致的隐式关系表示模型匮乏、特征选择低效、特征提取困难、多维度属性难以融合的问题。主要研究内容如下:1.基于图结构增强的隐式关系建模。针对网络异构性导致的隐式关系缺乏明确定义与建模模型的问题,本文首先定义学术网络中的隐式关系,并构建模型对隐式关系进行表示。基于图卷积神经网络,结合外部属性信息与强度信息,设计结构增强的图神经网络架构,聚合多种学术实体信息,高效利用网络结构特征,为学术网络中的隐式关系建模。本文提出的建模方法有助于学术网络中的隐式关系特征提取,进一步刻画学术社会网络特征。2.基于图自编码器的隐式关系识别。针对学术网络高维稀疏性导致的隐式关系识别算法无法有效选择特征的问题,本文提出了基于图自编码器的隐式关系识别方法,并在学者合作网络中挖掘师生关系这一隐式关系对模型效果进行验证。所提出的模型充分利用学者的个人属性与合作网络属性,将网络中的节点与合作关系映射为低维稠密向量,并加入惩罚函数,在降低计算复杂度的同时更有效地对关系特征进行选择,提高隐式关系识别的准确性。3.基于自监督图学习的隐式关系检测。针对学术实体标签稀疏性导致隐式关系检测中关系特征提取困难的问题,本文提出了基于自监督图学习的隐式关系检测方法,并在论文引用网络中挖掘异常引用关系这一隐式关系对模型效果进行验证。使用迁移学习识别引文目的,基于数据预训练有效提取、迁移共有知识;同时融合自监督学习信息、细粒度语义信息有效提取隐式异常关系特征,精准检测异常关系。4.基于多视角图学习的多元隐式关系提取。针对学术实体多维度属性难以有效融合,导致多元隐式关系提取困难的问题,本文提出了基于多视角图学习的多元隐式关系提取方法,并在论文引用网络中提取多个节点形成的骨架网络对模型效果进行验证。模型充分融合节点结构信息、节点多重关系信息、节点间关系强度信息以及外部属性信息,从多个角度刻画实体及其关系特征,从整体角度对网络中多个节点之间存在的隐式关系进行挖掘,构建了融合多维属性、显式与隐式关系的学术网络原型。