文献类型：期刊文章

作　　者：艾科[1,2,3] 马国帅[1,2,3] 杨凯凯[1,2,3] 钱宇华[1,2,3]

Ai Ke;Ma Guoshuai;Yang Kaikai;Qian Yuhua(Institute of Big Data Science and Industry, Shanxi University, Taiyuan 030006;Key Laboratory of Computational Intelligence and Chinese Information Processing(Shanxi University), Ministry of Education, Taiyuan 030006;School of Computer and Information Technology, Shanxi University, Taiyuan 030006)

机构地区：[1]山西大学大数据科学与产业研究院,太原030006 [2]计算智能与中文信息处理教育部重点实验室(山西大学),太原030006 [3]山西大学计算机与信息技术学院,太原030006

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(61672332,61432011,U1435212);山西省海外归国人员研究项目(2017023)~~

年　　份：2019

卷　　号：56

期　　号：7

起止页码：1383-1395

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现.研究合作潜力可以为学者选择合作者提供指导,最大化科研效率.然而当前大数据爆发阻碍了合作者的有效选择.为了解决这个问题,基于学者文章大数据,经过特征分析和优化,综合考虑学者的文章、机构、研究兴趣等个人属性和相关属性,分别从文章标题、文章等级、文章数量、时间及署名序多维度构造样本特征,以文章所发表的期刊会议等级作为合作者序列对的样本标签,表示当前合作者的潜力高低,利用集成方法的强学习特性,提出了基于集成学习分类方法的科研合作者潜力预测模型.分析并构造对应于科研合作者潜力预测问题的特征集后,采用分类方法解决这一问题.实验中准确率、召回率、F1分数都远高于传统机器学习方法,并能以较少的样本和时间收敛于较高值(80%以上),说明了模型的优越性.

关 键 词：科研合作  潜力预测  特征构造 学术大数据  集成学习  

分 类 号：TP18] TP391]