科研社交网络中融合多源异构大数据的科研兴趣图谱和智能推荐研究

Recommendation in scientific social network has problems of cold start and data sparsity. At the same time, there are many new recommendation objects in scientific social network, which bring the problems of multi-source and heterogeneous structure of big data. Meanwhile, the relationships of different users in scientific social network are mainly weak relationships. And the more flexible recommendation methods are needed. Accordingly, the existing recommendation methods cannot solve these problems successfully. In this project, scientific interest graph based on fusion of the multi-source heterogeneous big data is introduced to solve these prominent problems. Firstly, the value and influence of the multi-source heterogeneous big data in scientific social network are analyzed. Then, based on these analyses, scientific interest graph is constructed based on the fusion of the multi-source heterogeneous big data. Subsequently, intelligent recommendation methods for individual and group are proposed based on the scientific interest graph. Finally, ScholarMate, a scientific social network, is used as the case study. Through the research of this project, the new ways and means can be proposed for the information overload problem in scientific social network, which can enrich and improve the intelligent recommendation theoretical research system. It also has important theoretical and practical value for the promoting the development of theoretical research and practical applications for intelligent recommendation in scientific social network.

科研社交网络中的推荐问题除了会碰到传统推荐系统的冷启动、数据稀疏等问题外，在科研社交网络环境下，还存在大量新的推荐对象，由此带来了数据来源多样和结构不一致，并且科研社交社交网络中的用户关系以“弱关系”为主，需要新的适应性更强的推荐算法，目前已有推荐方法已不能很好的解决这些问题。为此，本项目拟通过构建科研兴趣图谱并提出相应的智能推荐方法来解决目前科研社交网络推荐中碰到的突出问题，从分析科研社交网络中多源异构大数据的价值和影响入手，通过融合科研社交网络中的多源异构大数据来构建科研兴趣图谱，并以此为基础构建科研社交网络中面向个体和群体的智能推荐方法，最后以科研之友ScholarMate为例进行案例研究。通过本项目研究，为解决科研社交网络中信息过载问题提供新的方式和途径，丰富和完善科研社交网络推荐问题的理论研究体系，推动科研社交网络推荐问题的理论研究和实践应用的发展，具有重要的理论意义和实践价值。

科研社交网络具有信息发布和接受异常简便、“核裂变”式的信息传播扩散模式、意见领袖的传播能力和导向作用异常显著、容易形成自媒体和虚拟社区等特点，一方面丰富了信息来源，加速了新的扩散；另一方面同时也进一步加剧了信息过载问题，过量信息同时呈现使得用户无法获取对自己有用的部分，从而使信息使用效率下降。推荐系统是解决信息过载的一个有效方式，因此，面向科研社交网络中的推荐问题研究，正成为当前学术界和产业界关注的热点问题。科研社交网络中的推荐问题除了会碰到传统推荐系统的冷启动、数据稀疏等问题外，在社交网络环境下，还存在大量新的推荐对象，如论文推荐、基金课题推荐，面向群组的推荐等，由此带来了数据来源多样和结构不一致，如大量非结构的文本和关系网络数据，并且科研社交社交网络中的用户关系以“弱关系”为主，需要新的适应性更强的推荐算法，目前已有推荐方法已不能很好的解决这些问题。为此，本项目通过构建科研兴趣图谱并提出相应的智能推荐方法来解决目前科研社交网络推荐中碰到的突出问题，从分析科研社交网络中多源异构大数据的价值和影响入手，通过融合科研社交网络中的多源异构大数据构建科研兴趣图谱，并以此为基础构建科研社交网络中面向个体和群体的智能推荐方法，最后以科研社区ScholarMate为例进行案例研究。通过本项目的研究，为解决科研社交网络中的信息过载问题提供新的方式和途径，丰富和完善科研社交网络推荐问题的理论研究体系，推动科研社交网络推荐问题的理论研究和实践应用的发展，具有重要的理论意义和实践价值。本项目已发表学术论文20篇，其中SCI/SSCI检索论文7篇。获授权专利1项，实审3项。