CN106778894A - 一种学术异构信息网络中作者合作关系预测的方法 - Google Patents

Abstract

本发明公开了一种学术异构信息网络中作者合作关系预测的方法，利用更贴近现实世界的异构信息网络解决作者合作关系预测问题。根据构建的学术异构信息网络中元路径的不同度量得到网络的拓扑属性，并引入时间动态、传递相似性和作者属性的概念得到网络的内容信息，结合拓扑属性和内容信息得到基于元路径和内容信息的特征空间，根据得到的特征属性集，利用逻辑回归算法找到每个特征属性的最适权重来进行作者合作关系预测。本发明能够利用学术大数据挖掘出学者潜在的合作关系，帮助学者更高效的进行科研合作以及了解学者所在学术圈子，尤其对高产学者以及高频率合作关系有十分好的预测效果。

Description

一种学术异构信息网络中作者合作关系预测的方法

技术领域

本发明涉及学术异构信息网络下的作者合作关系预测方法，尤其涉及一种基于元路径和内容信息的合作预测方法。

背景技术

随着科学研究在学术界和工业界广泛进行，学者们创造出源源不断的大量科研成果，于是学术大数据应运而生。学术大数据中存在不同的学术主体以及它们之间形成的各种各样的学术关系，其中学者之间的合作关系最为普遍和重要，尤其在交叉学科问题的研究中，来自不同领域的学者之间的合作日益增多，这使得对于合作关系预测的研究变得越来越重要。但在现有的技术中，大多数解决方法都是基于同构信息网络的，而且预测方法都是基于节点、拓扑和网络内容信息相似性等，而这些并不能很好的体现出学者之间的相互联系，没有考虑节点属性和网络的内容信息等对预测结果的影响。总结以上缺点，本发明从学术异构信息网络抽取的基于元路径和内容信息的特征空间作为输入，利用有监督学习算法进行学者合作关系预测，能够提高合作者的预测准确率。

发明内容

本发明的目的主要针对上述现有研究的一些不足之处，提出学术异构信息网络下基于元路径和内容信息的合作预测方法，利用有监督学习算法进行学者合作关系预测。本发明将作者之间未来合作的可能性建模为他们之间特征属性的函数，从训练集中获取作者之间的特征属性，然后通过建立预测模型来得到与每个属性特征相关的最适合系数。

本发明的技术方案：

一种学术异构信息网络中作者合作关系预测的方法，步骤如下：

1)模型训练阶段，选出在过去时间段没有合作过的作者对，收集其在过去时间段内相关的基于元路径和内容信息的特征属性，并记录他们在未来时间段中是否建立合作关系

本方法提出的预测模型采用基于逻辑回归的有监督学习算法，在一个学术异构信息网络G＝<V,E>中，V代表信息网络中的节点，E代表节点之间的交互，任意连边e＝<x,y>∈E表示节点x和y之间在某一特定时间t(e)的交互，并用平行边记录节点对之间的多重交互及其潜在时间戳信息；对于任意两个时间节点t＜t′，用G[t,t′]表示包含时间段t到t′之间所有连边的子图，链路预测问题的具体描述如下：选择四个时间戳t₀＜t′₀＜t₁＜t′₁，链路预测就是预测在G[t₀,t′₀]中没有出现而将在G[t₁,t′₁]中出现的连边，并用T0＝[t₀,t′₀]表示过去时间段，T1＝[t₁,t′₁]表示未来时间段；但是，信息网络随着新的连边和节点的加入不断增长，显然对于预测不存在于过去时间段中的节点对之间的连边是不明智的。因此，本方法选出核心节点集合，即节点既存在于过去时间段的子图G[t₀,t′₀]中，也存在于未来时间段的子图G[t₁,t′₁]中，然后预测在核心节点集合中的节点之间产生新连边的可能性。

在模型训练阶段，首先选出在T0时间段没有合作过的作者对，收集其在T0时间段相关的基于元路径和内容信息的特征属性，根据真实网络情况，查看并记录他们在未来时间段T1中是否建立合作关系。

2)建立训练模型，通过最大化合作关系的可能性学习与每个特征属性相关的最佳权重系数

2.1)计算基于时间动态的路径数：学术异构信息网络是随时间变化的，学术异构信息网络中学术主体之间形成的路径也是具有时变性的，本方法通过对这些路径设置不同权重来实现对在不同时间戳形成的路径进行影响力区分。综合考虑学术异构信息网络中的时间动态特性和基于元路径的路径数度量，得到基于时间动态的路径数属性。

一个元路径以由很多短的子元路径连接而成，而且学术异构信息网络中的路径通常是事件发生的结果；为区分不同元路径的影响力，首先将元路径分解为很多事件子元路径，例如，元路径“作者－论文－会议－论文－作者”描述了两个作者在同一会议发表论文的关系，可以被分解为“作者－论文－会议”和“会议－论文－作者”，这两个事件子元路径都描述了作者在某一会议发表论文的事件。之后，根据这些事件子元路径建立的时间参考衰减函数为其设置不同权重。

给定一个元路径P＝(A₁A₂L A_l)，它的交换矩阵表示为：

其中，矩阵M_P中的元素是依据元路径P的节点之间基于时间动态的路径数，表示元路径P_i包含时间信息的交换矩阵；用l(P_i)表示元路径P_i的长度，并且P_i表示某一事件子元路径，即在特定时间戳发生的某一事件的元路径通过如下公式计算：

其中，是元路径P_i的交换矩阵，描述了依据该元路径的节点之间的路径数，是元路径P_i的时间矩阵，矩阵中的元素表示起始节点x∈A_s(P_i)和终止节点y∈A_e(P_i)之间路径的权重，A_s(P_i)和A_e(P_i)分别表示元路径P_i的起始(start)节点类型和终止(end)节点类型；时间矩阵中的权重根据路径建立的时间，采用公式定义的时间衰减函数来设定，其中的变量α(0＜α＜1)可以调节时间函数衰减的速度。

2.2)计算基于传递相似性的归一化路径数：学术领域中，相似的作者易发生合作行为，而且，两个作者与相似的作者合作也更容易发生合作行为。也就是在本方法构建的学术异构信息网络中，包含更多相似作者的路径中的端作者在未来时间发生合作关系的可能性更大。本方法通过对这些路径设置不同权重，对包含与端节点类型相同的相似节点的路径进行影响力区分。本方法中元路径的起始节点类型都为作者，涉及到的也都是作者之间的相似性传递。综合考虑作者之间的传递相似性和基于元路径的归一化路径数度量，得到基于传递相似性的归一化路径数属性。

给定一个元路径Q＝(B₁B₂…B_l)，其中起始节点B₁和终止节点B_l具有相同类型且都是作者；B_m是与端节点B₁和B_l类型相同的中间节点集合，即B_m＝(B_m1,B_m2,…B_md)，其中d为B_m集的势；因此，元路径Q由许多短的子元路径Q_i(i＝1,…,d+1)连接而成，如下所示：

依据子元路径Q_i的起始节点和终止节点之间的传递相似性分配不同权重，本方法在具有不同语义信息的不同元路径上采用PathSim度量计算传递相似性；由于PathSim是定义在对称元路径上的相似性度量方法，所以，对于分解得到的子元路径Q_i都要求是对称的；对于元路径Q，它的交换矩阵表示为：

其中，矩阵N_Q中的元素是依据元路径Q的节点之间基于传递相似性的路径数，表示对称子元路径Q_i包含传递相似性信息的交换矩阵；用l(Q_i)表示元路径Q_i的长度，并且Q_i是端节点具有传递相似性的元路径，可以通过如下公式计算：

其中，是元路径Q_i描述节点之间路径数的交换矩阵，是元路径Q_i的传递相似性矩阵，矩阵中的元素表示路径起始节点x∈B_s(Q_i)和终止节点y∈B_e(Q_i)之间的相似性，B_s(Q_i)和B_e(Q_i)分别表示元路径Q_i的起始(start)节点类型和终止(end)节点类型。传递相似性矩阵中的值采用基于元路径的相似性度量PathSim计算得到。

根据公式改进归一化路径数度量，将公式中原始的路径数替换为上文中得到的基于传递相似性的路径数，进而得到基于传递相似性的归一化路径数度量。

其中，NPC_R(a_i,a_j)表示归一化路径数，R是该元路径所描述的关系，R^-1表示R的逆关系，PC_R(a_i,a_j)表示依照关系R以a_i为起始节点a_j为终止节点的路径总数，表示依照关系R^-1以a_i为起始节点a_j为终止节点的路径总数，PC_R(a_i,·)表示依照关系R以a_i为起始节点的所有路径总数，PC_R(·,a_j)表示依照关系R以a_j为终止节点的所有路径总数，PC_R(a_i,·)和PC_R(·,a_j)也可以被看作网络中依照关系R的节点a_i的度和依照关系R^-1的节点a_j的度。

2.3)计算基于作者属性的对称随机游走：作者属性在某种程度上反映了一个作者与他人建立合作关系的可能性，活跃度、影响力和合作倾向三种作者固有属性与作者之间发生合作关系都是正相关。本发明综合考虑学术异构信息网络中的作者属性和基于元路径的对称随机游走度量，得到基于作者属性的对称随机游走属性。

给定一个元路径I，其描述的关系为其上基于作者属性的对称随机游走属性定义如下所示：

其中，表示依据元路径I的关系中起始节点x和终止节点y之间基于作者属性(AuthorAttributes)的对称随机游走属性值，表示依照关系R起始节点x和终止节点y的随机游走度量，表示依照关系终止节点y和起始节点x的随机游走度量，AA_x和AA_y表示起始作者节点和终止作者节点的属性值，是作者活跃度、影响力和合作倾向属性三元组向量的模。

通过遍历网络模式得到长度限制的元路径集合以及基于元路径和内容信息的属性集合，则基于元路径和内容信息的特征空间F可以定义为这两个集合的笛卡尔乘积，如下公式所示：

F＝I×M

其中，I表示遍历网络模式得到的长度限制的元路径集合，M表示基于元路径和内容信息的属性(度量)。一方面，得到的元路径集合代表了合作关系研究中感兴趣的学术主体之间的关系；另一方面，定义在同一元路径上的不同度量标准展示了同一关系的不同度量角度。两者的结合代表了学术主体之间相似性度量的一个特别的角度，也定义了一个独特的基于元路径和内容信息的特征空间，为发明利用有监督学习算法进行合作关系预测提供了基础。

3)模型测试阶段，将学习到的权重系数应用到测试作者对的特征属性上，得出预测结果。

对训练模型进行测试，将学习到的权重系数应用到测试作者对的特征属性上，得出预测结果。

本发明的有益效果：根据构建的学术异构信息网络中元路径的不同度量得到网络的拓扑属性，并引入时间动态、传递相似性和作者属性的概念得到网络的内容信息，结合拓扑属性和内容信息得到基于元路径和内容信息的特征空间，根据得到的特征属性集，利用逻辑回归算法找到每个特征属性的最适权重来进行作者合作关系预测。本发明能够利用学术大数据挖掘出学者潜在的合作关系，帮助学者更高效的进行科研合作以及了解学者所在学术圈子，尤其对高产学者以及高频率合作关系有十分好的预测效果。

附图说明

图1为本发明实施案例提出的学术异构信息网络中作者合作关系预测模型图。

图2为本发明实施案例中采用的APS数据集的网络模式。

图3为本发明实施案例中采用的DBLP数据集的网络模式。

图4为本发明实施案例的合作预测的有监督框架图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

本发明实例提供了一种学术异构信息网络下基于元路径和内容信息的合作预测方法，该方法包括：

步骤1：根据真实的实验数据，选出在过去时间段没有合作过的作者对，收集其在过去时间段内相关的基于元路径和内容信息的特征属性，并记录他们在未来时间段中是否建立合作关系。

采用APS和DBLP两个数据集对本发明进行了验证，图2和图3分别为以上两个数据集进行操作过程中采用的网络模式。根据每篇论文的发表时间，选择两个时间段的数据构建异构网络：过去时间段T₀＝[2000,2006]，未来时间段T₁＝[2007,2013]。

本发明提出的预测模型采用基于逻辑回归的有监督学习算法，其有监督学习框架如图1所示。研究表明过长的元路径并不能明显的提高预测结果，却会带来较高的计算代价，因此，本发明限定元路径的最长长度为5。为了进一步研究不同产量的作者和不同影响因子的期刊对实验结果的影响，将原始数据分为高影响因子期刊和低影响因子期刊，并进一步将预测合作者对中的源作者分为高产作者和低产作者，其中高产作者为在过去时间段发表论文不少于16篇的作者，低产作者为在过去时间段发表论文在5到15篇之间的作者。对于不同的作者集，首先找到在过去时间段没有合作过，在未来时间段建立合作关系的作者对作为正样本。然后抽样出一个同样大小的负样本集合，即在过去时间段没有合作过，在未来时间段也没有建立合作关系的作者对。

步骤2：建立训练模型，通过最大化合作关系的可能性来学习与每个特征属性相关的最佳权重系数。

根据步骤1可知，在训练集中的正负样本的比例是均衡的，并且得到了四个标记数据集：

(1)高影响因子期刊中的高产作者，即为HIFHP(HighImpactFactorjournalHighProduction)

(2)高影响因子期刊中的低产作者，即为HIFLP(HighImpactFactorjournalLowProduction)

(3)低影响因子期刊中的高产作者，即为LIFHP(LowImpactFactorjournalHighProduction)

(4)低影响因子期刊中的低产作者，即为LIFLP(LowImpactFactorjournalLowProduction)

将这四个标签数据集作为训练集训练分类器，即可得到作者合作关系预测模型，并能对作者未来是否有合作倾向做出预测。如图4所示即为合作预测的有监督框架。

步骤3：对预测模型进行测试，将学习到的权重系数应用到测试作者对的特征属性上，将预测值与真实值进行比对，从而检验模型的预测能力。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种学术异构信息网络中作者合作关系预测的方法，其特征在于，步骤如下：

1)模型训练阶段，选出在过去时间段没有合作过的作者对，收集其在过去时间段内相关的基于元路径和内容信息的特征属性，并记录他们在未来时间段中是否建立合作关系

本方法提出的预测模型采用基于逻辑回归的有监督学习算法，在学术异构信息网络G＝<V,E>中，V代表信息网络中的节点，E代表节点之间的交互，任意连边e＝<x,y>∈E表示节点x和y之间在某一特定时间t(e)的交互，并用平行边记录节点对之间的多重交互及其潜在时间戳信息；对于任意两个时间节点t＜t'，用G[t,t']表示包含时间段t到t'之间所有连边的子图，链路预测问题的具体描述如下：选择四个时间戳t₀＜t'₀＜t₁＜t′₁，链路预测就是预测在G[t₀,t'₀]中没有出现而将在G[t₁,t′₁]中出现的连边，并用T0＝[t₀,t'₀]表示过去时间段，T1＝[t₁,t′₁]表示未来时间段；本方法选出核心节点集合，即节点既存在于过去时间段的子图G[t₀,t'₀]中，也存在于未来时间段的子图G[t₁,t′₁]中，然后预测在核心节点集合中的节点之间产生新连边的可能性；

在模型训练阶段，首先选出在T0时间段没有合作过的作者对，收集其在T0时间段相关的基于元路径和内容信息的特征属性，根据真实网络情况，查看并记录他们在未来时间段T1中是否建立合作关系；

2)建立训练模型，通过最大化合作关系的可能性学习与每个特征属性相关的最佳权重系数

2.1)计算基于时间动态的路径数：学术异构信息网络是随时间变化的，学术异构信息网络中学术主体之间形成的路径也是具有时变性的，本方法通过对这些路径设置不同权重来实现对在不同时间戳形成的路径进行影响力区分；综合考虑学术异构信息网络中的时间动态特性和基于元路径的路径数度量，得到基于时间动态的路径数属性；

一个元路径由很多短的子元路径连接而成，而且学术异构信息网络中的路径通常是事件发生的结果；为区分不同元路径的影响力，首先将元路径分解为很多事件子元路径，再根据这些事件子元路径建立的时间参考衰减函数为其设置不同权重；

给定一个元路径P＝(A₁A₂L A_l)，它的交换矩阵表示为：

$M_P=M_{P_1}^t{M}_{P_2}^t...M_{P_i}^t...M_{P_g}^t$

其中，矩阵M_P中的元素是依据元路径P的节点之间基于时间动态的路径数，表示元路径P_i包含时间信息的交换矩阵；用l(P_i)表示元路径P_i的长度，并且P_i表示某一事件子元路径，即在特定时间戳发生的某一事件的元路径通过如下公式计算：

$M_{P_i}^t=M_{P_i}\&CenterDot;T_{P_i}$

其中，是元路径P_i的交换矩阵，描述了依据该元路径的节点之间的路径数，是元路径P_i的时间矩阵，矩阵中的元素表示起始节点x∈A_s(P_i)和终止节点y∈A_e(P_i)之间路径的权重，A_s(P_i)和A_e(P_i)分别表示元路径P_i的起始节点类型和终止节点类型；时间矩阵中的权重根据路径建立的时间，采用公式t₀≤t≤t₁，定义的时间衰减函数来设定，其中的变量α，0＜α＜1，调节时间函数衰减的速度；

2.2)计算基于传递相似性的归一化路径数：学术领域中，相似的作者易发生合作行为，而且，两个作者与相似的作者合作也更容易发生合作行为，也就是在本方法构建的学术异构信息网络中，包含更多相似作者的路径中的端作者在未来时间发生合作关系的可能性更大；本方法通过对这些路径设置不同权重，对包含与端节点类型相同的相似节点的路径进行影响力区分，本方法中元路径的起始节点类型都为作者，涉及到的也都是作者之间的相似性传递；综合考虑作者之间的传递相似性和基于元路径的归一化路径数度量，得到基于传递相似性的归一化路径数属性；

给定一个元路径Q＝(B₁B₂…B_l)，其中起始节点B₁和终止节点B_l具有相同类型且都是作者；B_m是与端节点B₁和B_l类型相同的中间节点集合，即B_m＝(B_m1,B_m2,…B_md)，其中d为B_m集的势；因此，元路径Q由许多短的子元路径Q_i(i＝1,…,d+1)连接而成，如下所示：

依据子元路径Q_i的起始节点和终止节点之间的传递相似性分配不同权重，本方法在具有不同语义信息的不同元路径上采用PathSim度量计算传递相似性；由于PathSim是定义在对称元路径上的相似性度量方法，所以，对于分解得到的子元路径Q_i都要求是对称的；对于元路径Q，它的交换矩阵表示为：

$N_Q=N_{Q_1}^S{N}_{Q_2}^S...N_{Q_i}^S...N_{Q_{d+1}}^S$

其中，矩阵N_Q中的元素是依据元路径Q的节点之间基于传递相似性的路径数，表示对称子元路径Q_i包含传递相似性信息的交换矩阵；用l(Q_i)表示元路径Q_i的长度，并且Q_i是端节点具有传递相似性的元路径，通过如下公式计算：

$N_{Q_i}^S=N_{Q_i}\&CenterDot;S_{Q_i}$

其中，是元路径Q_i描述节点之间路径数的交换矩阵，是元路径Q_i的传递相似性矩阵，矩阵中的元素表示路径起始节点x∈B_s(Q_i)和终止节点y∈B_e(Q_i)之间的相似性，B_s(Q_i)和B_e(Q_i)分别表示元路径Q_i的起始节点类型和终止节点类型；传递相似性矩阵中的值采用基于元路径的相似性度量PathSim计算得到

根据公式改进归一化路径数度量，将公式中原始的路径数替换为上文中得到的基于传递相似性的路径数，进而得到基于传递相似性的归一化路径数度量；

其中，NPC_R(a_i,a_j)表示归一化路径数，R是该元路径所描述的关系，R^-1表示R的逆关系，PC_R(a_i,a_j)表示依照关系R以a_i为起始节点a_j为终止节点的路径总数，表示依照关系R^-1以a_i为起始节点a_j为终止节点的路径总数，PC_R(a_i,·)表示依照关系R以a_i为起始节点的所有路径总数，PC_R(·,a_j)表示依照关系R以a_j为终止节点的所有路径总数，PC_R(a_i,·)和PC_R(·,a_j)也可以被看作网络中依照关系R的节点a_i的度和依照关系R^-1的节点a_j的度；

2.3)计算基于作者属性的对称随机游走：作者属性在某种程度上反映了一个作者与他人建立合作关系的可能性，活跃度、影响力和合作倾向三种作者固有属性与作者之间发生合作关系都是正相关；本方法综合考虑学术异构信息网络中的作者属性和基于元路径的对称随机游走度量，得到基于作者属性的对称随机游走属性；

给定一个元路径I，其描述的关系为其上基于作者属性的对称随机游走属性定义如下所示：

${\mathrm{SRW}}_{{\mathrm{AA}}_{\stackrel{\&OverBar;}{R}}}(x,y)={\mathrm{RW}}_{\stackrel{\&OverBar;}{R}}(x,y)*{\mathrm{AA}}_x+{\mathrm{RW}}_{{\stackrel{\&OverBar;}{R}}^{-1}}(y,x)*{\mathrm{AA}}_y$

其中，表示依据元路径I的关系中起始节点x和终止节点y之间基于作者属性的对称随机游走属性值，表示依照关系R起始节点x和终止节点y的随机游走度量，表示依照关系终止节点y和起始节点x的随机游走度量，AA_x和AA_y表示起始作者节点和终止作者节点的属性值，是作者活跃度、影响力和合作倾向属性三元组向量的模；

通过遍历网络模式得到长度限制的元路径集合以及基于元路径和内容信息的属性集合，则基于元路径和内容信息的特征空间F可以定义为这两个集合的笛卡尔乘积，如下公式所示：

F＝I×M

其中，I表示遍历网络模式得到的长度限制的元路径集合，M表示基于元路径和内容信息的属性；

3)模型测试阶段，将学习到的权重系数应用到测试作者对的特征属性上，得出预测结果

对训练模型进行测试，将学习到的权重系数应用到测试作者对的特征属性上，得出预测结果。