基于网络重构的合作者推荐策略研究

As the main form of scientific research cooperation, scientific collaboration networks are important research objects of scientific research cooperation. In order to improve the quality of scientific research and the efficiency of scientific production, researchers need to collaborate to break through academic difficulties. Therefore, the collaborator recommendation is one of the core contents of scientific collaboration networks. In the actual data processing, the scientific collaboration networks face the problem of noise in the data, multi-dimensional data and large-scale data. This would lead to the drastic deterioration or failure of the traditional collaborator recommendation algorithms. Graph signal can characterize the geometry of various network in data domain, thus scientific research networks can be represented as graph signal. By utilizing the graph reconstruction technique in the field of graph signal processing, this project studies the new theories and methods of collaborator recommendation based on the scientific research networks under the condition of noise data, multidimensional data and large-scale data, respectively. According to the noise characteristics of the data, a robust collaborator recommendation algorithm based on alternating direction method of multipliers is proposed. According to the multi-dimensional time-varying characteristics of scientific research networks, a dynamic collaborator recommendation algorithm based on gradient projection is proposed to realize the efficient dynamic reconstruction of scientific research networks. According to the large-scale characteristics of scientific research networks, a novel collaborator recommendation algorithm based on distributed network reconstruction is proposed to realize the accurate reconstructions of scientific research networks under the condition of limited computing resources.

科研合作网络作为科研合作的主要表现形式，是科研合作的重要研究对象。为了提高科研质量，提高科学生产效率，需要科研人员共同合作突破学术难题。因此合作者推荐是科研合作网络的核心内容之一。在实际数据处理中，科研合作网络面临数据存在噪声、多维数据和大规模数据的情况，导致传统合作者推荐算法性能急剧下降甚至失效。图信号能够刻画各种网络数据域的几何结构，因此科研合作网络可以用图信号来表示。本项目通过利用图信号处理领域中的图重构技术，研究科研合作网络在噪声数据、多维数据和大规模数据条件下稳健合作者推荐的新理论和新方法。针对数据的噪声特性，提出基于交替方向乘子法的稳健合作者推荐算法；针对科研合作网络的多维度时变特性，提出基于梯度投影的动态合作者推荐算法，实现对科研合作网络的高效动态重构；针对科研合作网络数据规模大的问题，提出基于分布式网络重构的合作者推荐算法，在有限计算资源的条件下实现科研合作网络的精确重构。

本项目通过利用图信号处理领域中的图重构技术，研究科研合作网络在噪声数据、多维数据和大规模数据条件下稳健合作者推荐的新理论和新方法，研究内容包括：针对数据的噪声特性，提出基于交替方向乘子法的稳健合作者推荐算法，分析和挖掘图灵奖科研合作网络以及分析合作对科研人员重要性的影响，与相同尺度的随机网络相比，图灵奖合作网络虽然具有小世界属性，但并不是无尺度网络，同时提出了指标图灵数，发现图灵数会随着时间的推移而逐渐降低，学者们更愿意通过合作进行科学研究的现象。针对科研合作网络的多维度时变特性，提出基于梯度投影的动态合作者推荐算法，首先初始化一个给定科研合作网络的候选团队负责人，然后通过将科研人员分组到最接近的团队负责人来迭代地更新子网，并使用DHRank识别关键科研人员，通过对科研合作网络的高效动态重构，实现科研合作网络中研究团队负责人和主要成员的动态推荐；针对科研合作网络数据规模大的问题，提出基于分布式网络重构的合作者推荐算法，在有限计算资源的条件下实现科研合作网络的精确重构，通过相关性、意外性和价值性定义新奇科研合作者，分别对应于网络接近度、主题多样性和合作者影响力，利用RUVMod分类模型对所有合作者进行分类，与目标学者相比，新奇合作者具有较低的网络接近度、较高的主题多样性和较高的影响力，为新奇合作者推荐提供可行方法。