CN109858675A - 一种专家学术生命力周期预测方法 - Google Patents

Abstract

本发明提出一种专家学术生命力周期预测方法，采用决策树模型将专家学术生命周期预测问题转化为专家在未来发表论文、专利和著作数量的预测；进一步在学术生命力周期预测基础上，计算专家的创新度作为其学术生命力的刻画基准，对创新度进行时空挖掘，预测学术生命力的时空变化规律，最后在最热点领域的专家进行学术生命力排名，并预测有学术潜力的学者。

Description

一种专家学术生命力周期预测方法

技术领域

本发明涉及生命力及周期预测领域，具体而言，涉及对专家的学术能力生命周期进行有效预测的领域。

背景技术

各行业的专家是支撑现代科技飞速发展的重要基石，他们引领着科技发展的方向，解决科技发展中碰到的技术瓶颈。然而，一位专家的学术生命力却是波动和具有周期性的，他们一生中专注于少数几个问题和领域开展深入探索，在其成长过程中有若干个极具创新能力的时期。如何根据专家的学术、著作和专利等数据来准确预测其学术创造能力和分析其学术生命力周期一直是一个重要的研究问题。本发明提出一种专家学术生命力周期分析和预测技术，用以解决三个方面的问题：(1)如何预测专家特定时期的创新能力；(2)如何通过时间和空间综合分析专家的学术生命力周期；(3)如何对热点领域中的专家进行排名并预测其学术潜力。

专家学术能力生命周期遵循“初创-发展-成熟-衰退”的规律，是指该专家从学术入职(有时从硕士开始算起)到完全退出学术活动的整个生命历程。对于专家学术能力生命周期的预测，可以转化为对专家在未来发表论文数量的预测。发表论文的数量受到颇多因素的影响，这些影响难以定性描述。针对影响因素的复杂性和不确定性，利用BP神经网络进行大数据分析和预测。

BP神经网络模型由输入层、隐含层和输出层组成，隐含层和输出可以一层或多层构成。训练过程中输入信号从输入层通过作用函数，逐层向隐含层、输出层传播，如果在输出层得不到期望的输出，则转入反向传播，不断修改各层神经元的连接权值，直至使网络输出与期望输出的误差平方和最小，从而训练出最优神经网络模型。

发明内容

有鉴于此，本发明提供一种专家学术生命力周期的预测方法，从三个方面进行数据挖掘和分析，并对热点领域的相应数据进行排名从而得出预测结果。

为了实现上述目的，本发明提供如下技术方案：

一种专家学术生命力周期预测方法，采用决策树模型进行预测：

a)训练和验证数据：选取时间跨度为10年的x个学者的数据，包括论文、著作、专利，并从中抽取合著关系、企业合作关系，将这些数据分为两部分，其中前5年的数据用于模型训练，后5年的数据用于模型验证；

b)模型的特征工程：包括内容、学者声望和机构影响力三个方面，具体的特征如下：

主题：学者发表的论文、著作和专利包含的主题，这些主题的流行度排名；

多样性：学者发表的论文、著作和专利涉及的主题，主题越多，越可能被更多人关注和引用；

新颖性：学者的论文、著作和专利发表了多长时间；

学者排名：学者的引用次数排名；

学者创作力：学者发表的论文、著作和专利的总数；

学者社会属性：学者的合作者数目；

学者权威性：在合作网络图中作者的pageRank值；

c)模型训练：根据上述特征，训练决策树模型；

d)预测：用训练好的决策树模型对专家未来发表的论文数进行预测；

根据以上模型的预测结果，可预测专家的学术生命力周期，即当专家未来某个时间的论文、著作和专利数接近0时，则能确定其学术生命力的终止时间，根据专家第一篇论文、著作或专利的时间，就可以得到专家的学术生命力周期。

进一步地，可以基于所预测的专家学术生命力周期来对专家的创新能力进行计算分析，创新能力分析的数据源依然是论文、著作和专利，以及相应的引用次数，以发表的论文和专利成果产生的影响来衡量，同时对论文时效性和专家职业年龄进行惩罚计算，具体方法为：

以学者发表的成果产生的影响来衡量创新度，所述成果包括论文和专利，所述影响以论文引用次数和专利引用次数来表达；

以h-index指数的计算方法综合计算得到由论文和专利数据表征的创新度。

进一步地，考虑到论文、著作和专利发表的时间越长，那么对应的创新度是逐渐下降的，需要进行惩罚；同时，也考虑到不是越老的学者创新能力越强，为了避免学者创新度过于偏重以前取得的成绩，也需要从职业年龄角度进行惩罚；在计算专家的创新度过程中以数学衰减函数对论文时效性和专家职业年龄进行惩罚计算，基于时间和专家的职业年龄，对被引次数做衰减：

其中，C'是衰减后的被引次数，C是原始被引次数，

论文年龄：x＝Y_now-Y_publish，

专家的职业年龄：k＝Y_now-Y_{first_paper}，Y表示年份；

用衰减处理后的被引次数，以h-index方法计算创新能力。

进一步地，可以基于第一实施例的预测方法，分析所预测的专家学术生命力周期中的时空演化模式，以时空立方、时空轨迹、时空插值以及时空回归分析方法，用离散的数据获得连续的预测结果。

进一步地，在所预测的专家学术生命力周期中对特定研究领域的专家进行排名分析，具体步骤为：

a)检索相关关键词key，从检索记录中提取“作者”字段，并获取属性值集合；

b)构建专家个人特征，其统计包括该专家发表的包含关键词key的文献总数、该专家每年发表的包含关键词key的文献数的极值或平均值、该专家包含关键词key的第一篇和最近一篇文献的发表时间；

c)构建专家文本特征，其反映检索主题key与某一专家发表文献的关联强度，通过词频、逆文档频率、文档长度、BM25得分来评估；

d)构建专家引文特征，其从专家-引文角度评测专家的相对影响力，通过该专家发表的包含关键词key的文献的引文总数、该专家发表的包含关键词key的文献的引文极值或平均值、专家h指数或g指数；

e)采用最少冲突理论实现排名融合。

在步骤b)中，各统计指标单位不一，采用min-max正则化处理方法对数据进行标准化处理得到统一单位的指标。

在步骤c)中，计算BM25的方法为：首先将关键词key解析为多个检索词，然后计算每一个检索词与文献资源的得分，最后将所有的检索词得分进行加权求和，从而得出BM25得分。

与现有技术相比，本发明实施例的有益效果是：通过神经网络模型量化分析预测专家学术生命力周期，对发现具有较大影响力的专家具有较好的效果，能通过创新度分析其主要的创新贡献时期，通过时空分析发现其学术周期的时空热点区域，通过排名分析获得在其所在领域的权威性。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明专家排名模式示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

发明人在研究本发明的过程中，发现现有技术存在问题：针对动态改变的特征集合，一种显而易见的方案是采用模型更替，即过一段时间，就对使用的模型进行新特征的提取和评估，进而更新特征集合，再针对新的特征集合进行新的推荐模型的训练。这种方式完全忽视了特征变化的连续性，完全抛弃了之前使用的推荐模型，使得推荐性能在模型交替的时间段变得很差。

下面结合附图详细说明本发明的优选实施例。

根据本发明的第一实施例，提供一种专家学术生命力周期预测方法，采用决策树模型进行预测：

a)训练和验证数据：选取时间跨度为10年的x个学者的数据，包括论文、著作、专利，并从中抽取合著关系、企业合作关系，将这些数据分为两部分，其中前5年的数据用于模型训练，后5年的数据用于模型验证；

b)模型的特征工程：包括内容、学者声望和机构影响力三个方面，具体的特征如下：

主题：学者发表的论文、著作和专利包含的主题，这些主题的流行度排名；

多样性：学者发表的论文、著作和专利涉及的主题，主题越多，越可能被更多人关注和引用；

新颖性：学者的论文、著作和专利发表了多长时间；

学者排名：学者的引用次数排名；

学者创作力：学者发表的论文、著作和专利的总数；

学者社会属性：学者的合作者数目；

学者权威性：在合作网络图中作者的pageRank值；

c)模型训练：根据上述特征，训练决策树模型；

d)预测：用训练好的决策树模型对专家未来发表的论文数进行预测；

根据以上模型的预测结果，可预测专家的学术生命力周期，即当专家未来某个时间的论文、著作和专利数接近0时，则能确定其学术生命力的终止时间，根据专家第一篇论文、著作或专利的时间，就可以得到专家的学术生命力周期。

根据本发明的第二实施例，在学术生命力周期的预测方法上，可以进一步对专家的创新能力进行分析，创新能力分析的数据源依然是论文、著作和专利，以及相应的引用次数。

专家在其学术生命周期中的创新度计算过程如下：

创新度的衡量：学者的创新度由他发表的成果产生的影响来决定，学者的成果包括论文、著作和专利，对创新度的间接影响是对一个的引用次数，因为引用次数反应了同行学者对其成果的认可度。

创新度的计算：根据上述分析，可将创新度的计算变为类似h-index指数的计算方法，综合得到由论文、著作和专利数据计算得到的创新度。

论文时效性的惩罚机制：论文、著作和专利发表的时间越长，那么对应的创新度是逐渐下降的，需要进行惩罚。

专家职业年龄的惩罚机制：不是越老的学者创新能力越强，为了避免学者创新度过于偏重以前取得的成绩，也需要从职业年龄角度进行惩罚。

惩罚机制：这里采用常用的数学衰减函数，其中将时效性和学者职业年龄均考虑进来，对原始的创新度进行衰减处理，得到更合理的创新度。

其中，基于时间和专家的职业年龄，对被引次数做衰减：

其中，C'是衰减后的被引次数，C是原始被引次数，Y表示年份，则论文年龄：x＝Y_now-Y_publish，即当年年份和论文发表年份的差值；专家的职业年龄：k＝Y_now-Y_{first_paper}，即专家从最早的论文发表到现在的年份差值。

用衰减处理后的被引次数，以h-index方法计算创新能力。在程序实现中，可根据实际数据对衰减的参数进行了合理调整和设置。

根据本发明的第三实施例，本发明进一步分析专家学术周期的时空演化模式。专家的全球分布由统计得来，变化趋势等等可以利用时间、空间数据分析方法。目前已有多种时空数据的分析方法，例如时空数据可视化、空间统计指标的时序分析、时空变化指标、时空格局和异常探测、时空插值、时空回归、时空建模、时空演化树等等。这里采用时空立方、时空轨迹、时空差值来进行具体的分析。具体如下：

时空立方可以是二维空间加时间维度，也可以分别以两个时间分辨率为两个维度，地理空间为第三维，颜色表示属性值。这里，时间是年份，空间是国家，三种颜色表示学者的论文、著作和专利。

以水平二维坐标表示地理空间，以纵坐标表示时间，时空轨迹将一个主体，如人的时空运动轨迹用线连接起来。这里，时间单位是年，空间是国家，三条轨迹分别对应论文、专著和专利。

时空抽样数据，可以通过时空插值技术，得到遍历时空的数据集。

基于统计学的方法主要有时空Kriging，BME和综合法等。这些都是基于时空相关性的单变量方法。

时空Kriging插值模型：时空Kriging是空间Kriging方法的简单推广，对时空点(s₀,t₀)的估计值y(s₀,t₀)是该时空点周围观测值y(s,t)y的加权和。估计值，估值方差和无偏约束分别为：

式中，w(s,t)为权重，v是估值方差，E为数学期望。为求解，需要假设y(s,t)时空二阶平稳，即y(s,t)的数学期望时空处处相等并且两时空点(s,t)和(s+h,t+τ)之间的协方差只与时空距离有关，与时空绝对位置无关，cov[Y(s；t),Y(s+h,t+τ)]＝C(h；t)，给定指数如exp[-(h+τ)β]或其他函数形式，由实测样本值拟合参数。以上有约束极值问题在二阶平稳假设条件下可求得权重w(s,t)，从而得到及其均方差。

回归的目的是寻找因变量y和自变量x的关系。实际上对经典回归或空间回归模型进行简单延伸即可得到时空回归模型。包括时空面板模型、时空BHM(Bayes HierarchicalModel)、贝叶斯网络有向无环图模型、时间T-GWR(Geographical Weighting Regression)、时空GAM(Generalized Addable Model)等等。

根据时空抽样和时空回归，可以解决专家学术生命力时空分析中的数据连续预测问题，即用离散的数据来获得连续的预测结果。

在时空分析结果的基础上，进一步将结果通过可视化展示给用户，让用户获得对专家学术生命力变化的直观体验。

根据本发明的第四实施例，基于学者生命力周期预测方法，进一步对特定研究领域的专家进行排名，如附图1所示，本专利采取的排名具体过程如下：

检索相关关键词key，从检索记录中提取“作者”字段，并获取属性值集合,属性值包括排名中需要考虑的一切因素。

构建专家个人特征，它解释了专家发表成果的基本情况，具体指标包括：专家发表的包含关键词key的文献总数、专家每年发表的包含key的文献数的极值或平均值、专家包含key的第一篇或最后一篇文献的发表时间。

以上统计指标分别从数量和时间两个维度对专家个人信息进行描述。实际操作中要注意：并非所有的统计指标都要使用，但维度覆盖要尽量完备；由源指标派生出的新指标也可以采用，如专家包含关键词key的第一篇和最后一篇文献发表时间间隔；许多统计指标单位不一，要对数据进行标准化处理，具体地，采用min-max正则化处理：

构建专家文本特征，专家文本特征反映检索主题key与某一专家发表文献的关联强度，其大小可通过以下统计指标来评测：词频(TF)、逆文档频率(IDF)、文档长度、BM25得分；

上述指标实际源自两类信息检索模型：词频和逆文档频率源自向量空间模型；BM25是基于二值独立的概率检索模型(BIM)的一种扩展，被广泛用于搜索相关性的评分，其计算过程为：首先将q解析为多个检索词，然后计算每一个检索词与文献资源的得分，最后将所有的检索词得分进行加权求和，从而得出BM25得分。

构建专家引文特征，专家引文特征是从专家-引文网络角度评测专家的相对影响力，主要统计指标包括：专家发表的包含关键词q文献的引文总数、专家发表的包含q的文献的引文平均值或极值、专家h指数或g指数。

专家-引文网络包括两类节点：专家和引用文献，它们之间存在引用关系，引文量是引文关系的属性指标，量化了专家在其研究领域的影响力，其值越高代表专家影响力越大，专家与同行之间的联系强度越高，专家发表资源的领域认可度就越高；h指数是专家节点的属性指标，也从文献计量角度反映了专家的影响力，g指数是对h指数的补充和衍生，用于弥补h指数不能很好反映高被引论文的缺陷。

依托各类特征，对专家分别进行排序，不同特征获取的专家排名可能存在冲突。由于冲突是由多个并列排序指标引起的，因此不能简单地通过优先级设置来解决这一问题。这里引入最少冲突理论来实现排名融合。

专家排名综合值的计算：根据最少冲突理论，每一特征下的专家排名都提供了一组证据，在进行排名融合之前，保证特征的冲突数目是最小的。

对每个专家的综合值进行排序，排序的结果则可认为是综合排名。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种专家学术生命力周期预测方法，其特征在于：

a)训练和验证数据：选取时间跨度为10年的x个学者的数据，包括论文、著作、专利，并从中抽取合著关系、企业合作关系，将这些数据分为两部分，其中前5年的数据用于模型训练，后5年的数据用于模型验证；

b)模型的特征工程：包括内容、学者声望和机构影响力三个方面，具体的特征如下：

主题：学者发表的论文、著作和专利包含的主题，这些主题的流行度排名；

多样性：学者发表的论文、著作和专利涉及的主题，主题越多，越可能被更多人关注和引用；

新颖性：学者的论文、著作和专利发表了多长时间；

学者排名：学者的引用次数排名；

学者创作力：学者发表的论文、著作和专利的总数；

学者社会属性：学者的合作者数目；

学者权威性：在合作网络图中作者的pageRank值；

c)模型训练：根据上述特征，训练决策树模型；

d)预测：用训练好的决策树模型对专家未来发表的论文数进行预测；

根据以上模型的预测结果预测专家的学术生命力周期，即当专家未来某个时间的论文、著作和专利数接近0时，确定其学术生命力的终止时间，根据专家第一篇论文、著作或专利的时间，得到专家的学术生命力周期。

2.根据权利要求1所述的方法，其特征在于，计算所预测的专家学术生命力周期中专家的创新度，以发表的论文和专利成果产生的影响来衡量，同时对论文时效性和专家职业年龄进行惩罚计算，具体方法为：

以学者发表的成果产生的影响来衡量创新度，所述成果包括论文和专利，所述影响以论文引用次数和专利引用次数来表达；

以h-index指数的计算方法综合计算得到由论文和专利数据表征的创新度。

3.根据权利要求2所述的方法，其特征在于，在计算专家的创新度过程中以数学衰减函数对论文时效性和专家职业年龄进行惩罚计算，基于时间和专家的职业年龄，对被引次数做衰减：

其中，C'是衰减后的被引次数，C是原始被引次数，

论文年龄：x＝Y_now-Y_publish，

专家的职业年龄：k＝Y_now-Y_{first_paper}，Y表示年份；

用衰减处理后的被引次数，以h-index方法计算创新能力。

4.根据权利要求1所述的方法，其特征在于，分析所预测的专家学术生命力周期中的时空演化模式，以时空立方、时空轨迹、时空插值以及时空回归分析方法，用离散的数据获得连续的预测结果。

5.根据权利要求1所述的方法，其特征在于，在所预测的专家学术生命力周期中对特定研究领域的专家进行排名分析，具体步骤为：

a)检索相关关键词key，从检索记录中提取“作者”字段，并获取属性值集合；

b)构建专家个人特征，其统计包括该专家发表的包含关键词key的文献总数、该专家每年发表的包含关键词key的文献数的极值或平均值、该专家包含关键词key的第一篇和最近一篇文献的发表时间；

c)构建专家文本特征，其反映检索主题key与某一专家发表文献的关联强度，通过词频、逆文档频率、文档长度、BM25得分来评估；

d)构建专家引文特征，其从专家-引文角度评测专家的相对影响力，通过该专家发表的包含关键词key的文献的引文总数、该专家发表的包含关键词key的文献的引文极值或平均值、专家h指数或g指数；

e)采用最少冲突理论实现排名融合。

6.根据权利要求5所述的方法，其特征在于，在步骤b)中，各统计指标单位不一，采用min-max正则化处理方法对数据进行标准化处理得到统一单位的指标。

7.根据权利要求5所述的方法，其特征在于，在步骤c)中，计算BM25的方法为：首先将关键词key解析为多个检索词，然后计算每一个检索词与文献资源的得分，最后将所有的检索词得分进行加权求和，从而得出BM25得分。