單嵩巖，吳振新（1.中國科學(xué)院文獻(xiàn)情報中心；2.中國科學(xué)院大學(xué)圖書情報與檔案管理系）

科學(xué)技術(shù)進(jìn)步的關(guān)鍵是開放科學(xué)。開放科學(xué)是一種科學(xué)實踐，使科學(xué)知識出版和傳播越來越容易，讓科學(xué)研究更具合作性和開放性。開放科學(xué)環(huán)境為科研人員提供了獲取知識數(shù)據(jù)的多種途徑，開放交流模型能夠使科學(xué)人員更廣泛、更便捷地尋求潛在的科研合作對象/團(tuán)體，以促進(jìn)學(xué)術(shù)傳播。為了提供決策支持、便于科研人員選擇合作者或團(tuán)隊成員，合作關(guān)系預(yù)測的研究變得越來越重要。科研預(yù)測領(lǐng)域的關(guān)鍵技術(shù)之一是作者相關(guān)性計算。雖然作者相關(guān)度研究已經(jīng)取得了不錯的進(jìn)展，但隨著新技術(shù)方法的不斷引入，該研究還存在很大的進(jìn)步空間。

1 科研合作預(yù)測領(lǐng)域的作者相關(guān)度研究概述

科研合作預(yù)測通常在學(xué)術(shù)論文構(gòu)建的科研合作網(wǎng)絡(luò)中進(jìn)行，旨在預(yù)測從未合作過的作者在未來產(chǎn)生合作的可能性。作為社會網(wǎng)絡(luò)的一種，科研合作網(wǎng)絡(luò)體現(xiàn)了科研人員在文章或者研究項目中的合作關(guān)系，科研合作網(wǎng)絡(luò)主要包括同構(gòu)網(wǎng)絡(luò)（如合著網(wǎng)絡(luò)［1］） 和異構(gòu)網(wǎng)絡(luò)（如作者- 關(guān)鍵詞網(wǎng)絡(luò)［2］、作者- 文獻(xiàn)網(wǎng)絡(luò)［3］、作者- 文獻(xiàn)- 術(shù)語- 會議網(wǎng)絡(luò)［4］）。以合著網(wǎng)絡(luò)為例，節(jié)點是作者，邊是合著關(guān)系，合著網(wǎng)絡(luò)中的合著關(guān)系預(yù)測就是計算尚未產(chǎn)生連邊的作者節(jié)點對之間產(chǎn)生連邊的可能性。合作網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)能夠揭示作者之間未來合作的可能性，例如在合著網(wǎng)絡(luò)中擁有共同同事、共同關(guān)鍵詞以及研究內(nèi)容相關(guān)的作者都有可能在未來展開合作。

在科研合作預(yù)測領(lǐng)域中，主要根據(jù)作者節(jié)點屬性及網(wǎng)絡(luò)的結(jié)構(gòu)特征等信息（如相關(guān)人際關(guān)系、研究方向、興趣等）計算作者間的相關(guān)度，并以相關(guān)度表示作者未來合作的可能性。在很多科研合作預(yù)測文章中，作者相關(guān)度也被稱為相似度，在進(jìn)行實際預(yù)測時，除了要衡量不同作者間的屬性特征，更應(yīng)關(guān)注不同作者在合作網(wǎng)絡(luò)上是否近鄰、是否屬于同一知識社區(qū)。如，在合作網(wǎng)絡(luò)中，兩位擁有共同合作者但研究不同領(lǐng)域的作者，雖然屬性特征相似度不高，但網(wǎng)絡(luò)結(jié)構(gòu)相似性高，則代表作者相關(guān)性大。

科研合作預(yù)測在本質(zhì)上是一種鏈路預(yù)測，即通過已知的網(wǎng)絡(luò)結(jié)構(gòu)信息預(yù)測節(jié)點間未來產(chǎn)生連接的可能性，其中一類主流算法是基于節(jié)點相似性的方法。該方法根據(jù)已知網(wǎng)絡(luò)中的作者節(jié)點拓?fù)浣Y(jié)構(gòu)，計算每一對未相連作者節(jié)點的結(jié)構(gòu)相似度，相似度越高則其存在連邊的概率越大，即作者未來合作的可能性更大。［5］科研合作預(yù)測研究早期基于同構(gòu)網(wǎng)絡(luò)（合著網(wǎng)絡(luò)、引文網(wǎng)絡(luò)等），采用多種節(jié)點拓?fù)湎嗨菩灾笜?biāo)（如共同鄰居指標(biāo)、到達(dá)路徑指標(biāo)、隨機(jī)游走指標(biāo)）計算作者相關(guān)性。Liben-Nowell 和Kleinberg［2］率先將基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的多種節(jié)點相似性指數(shù)應(yīng)用于社交網(wǎng)絡(luò)鏈接預(yù)測，并在合著網(wǎng)絡(luò)中進(jìn)行了實驗。周濤等在包括合著網(wǎng)絡(luò)在內(nèi)的多種現(xiàn)實網(wǎng)絡(luò)中應(yīng)用多種基于局部信息的指標(biāo)實施鏈路預(yù)測，并另外提出兩種指標(biāo)：資源分配指標(biāo)（RA） 和局部路徑指標(biāo)（LP）。［6］當(dāng)前，越來越多的研究者采用相似度指標(biāo)在合著網(wǎng)絡(luò)中通過計算作者相關(guān)度來預(yù)測合作的可能性。文獻(xiàn)［7］ 在7 門學(xué)科的合作網(wǎng)絡(luò)中應(yīng)用多種相似性指標(biāo)進(jìn)行鏈路預(yù)測。文獻(xiàn)［8］ 運(yùn)用多種相似度指標(biāo)在合著網(wǎng)絡(luò)中研究合作演化規(guī)律。

現(xiàn)實中，科研合作網(wǎng)絡(luò)往往是異構(gòu)的，同構(gòu)網(wǎng)絡(luò)節(jié)點相似性雖然易于計算，但卻丟失了很多語義信息。傳統(tǒng)的節(jié)點相似性指標(biāo)無法直接應(yīng)用到異構(gòu)信息網(wǎng)絡(luò)中，為了計算異構(gòu)網(wǎng)絡(luò)中的節(jié)點相似性，Sun 等于2011 年提出元路徑的概念，并在異構(gòu)書目網(wǎng)絡(luò)中研究了合作關(guān)系預(yù)測問題。［9］隨后，多種基于元路徑的網(wǎng)絡(luò)拓?fù)湎嗨贫戎笜?biāo)相繼被提出。文獻(xiàn)［10］利用PathSim 算法在DBLP 文獻(xiàn)數(shù)據(jù)集構(gòu)成的“論文-作者-術(shù)語-會議”異構(gòu)網(wǎng)絡(luò)中尋找相關(guān)作者。文獻(xiàn)［11］提出的HeteSim 算法度量異質(zhì)網(wǎng)絡(luò)中任意節(jié)點對的相關(guān)性，在ACM（“機(jī)構(gòu)- 作者- 論文- 術(shù)語- 學(xué)科-會議-出版物”異構(gòu)網(wǎng)絡(luò)）和DBLP 數(shù)據(jù)集上計算作者節(jié)點相關(guān)度。文獻(xiàn)［12］提出了一種基于元路徑的新型相似性度量算法AvgSim，并在ACM 數(shù)據(jù)集和DBLP 數(shù)據(jù)集上計算作者節(jié)點相關(guān)度。文獻(xiàn)［13］ 在APS（“論文- 作者- 機(jī)構(gòu)- 術(shù)語- 學(xué)科- 期刊- 年刊”異構(gòu)網(wǎng)絡(luò)）和DBLP 數(shù)據(jù)集上，基于時間動態(tài)的路徑數(shù)、傳遞相似性的歸一化路徑數(shù)和作者屬性的對稱隨機(jī)游走計算作者節(jié)點間的相關(guān)性。

傳統(tǒng)鏈路預(yù)測方法使用的網(wǎng)絡(luò)拓?fù)湎嗨菩灾笜?biāo)普遍存在計算效率較低和數(shù)據(jù)稀疏造成的維數(shù)過高問題，很難應(yīng)用于大規(guī)模數(shù)據(jù)集的科研合作網(wǎng)絡(luò)進(jìn)行合作預(yù)測。隨著表示學(xué)習(xí)的不斷發(fā)展，新興的網(wǎng)絡(luò)表示學(xué)習(xí)方法能夠?qū)⒐?jié)點表示成向量，通過計算向量相似度獲得節(jié)點相似度。該方法可以高效計算網(wǎng)絡(luò)中節(jié)點間的語義聯(lián)系，也能夠解決數(shù)據(jù)稀疏下的語義關(guān)聯(lián)抽取和計算復(fù)雜問題，［14］因此學(xué)者們也嘗試將新方法應(yīng)用于合作預(yù)測。張金柱等利用LINE 網(wǎng)絡(luò)表示學(xué)習(xí)方法對作者向量進(jìn)行表示學(xué)習(xí)，并通過向量夾角余弦值計算作者間的語義相似度。［14］文獻(xiàn)［15］ 提出了LINE 算法并在合著網(wǎng)絡(luò)中進(jìn)行了實驗，在識別相關(guān)作者中取得了良好的效果。文獻(xiàn)［16］構(gòu)建論文- 期刊-作者異構(gòu)網(wǎng)絡(luò)，以作者為中心，結(jié)合元路徑應(yīng)用Node2vec 模型得到作者的向量表示，根據(jù)明可夫斯基距離、余弦值計算他們之間的向量相似度。文獻(xiàn)［17］提出metapath2vec 表示學(xué)習(xí)方法，并在作者-論文-會議異構(gòu)網(wǎng)絡(luò)中進(jìn)行了相關(guān)作者聚類實驗。

2 基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似度的作者相關(guān)度算法分析和比較

基于相似性的方法在科研合作網(wǎng)絡(luò)上進(jìn)行合作預(yù)測，需要選取作者節(jié)點的拓?fù)湫畔ⅲ煤现?、引用、同屬一個機(jī)構(gòu)等連邊的語義信息計算作者間的相關(guān)性，即利用拓?fù)湎嗨贫人惴ㄓ嬎阕髡呔W(wǎng)絡(luò)信息的相似程度。

2.1 基于同構(gòu)網(wǎng)絡(luò)節(jié)點相似性指標(biāo)的作者相關(guān)度計算

基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似度衡量作者間的相關(guān)度，是將作者實體間的關(guān)系連結(jié)起來構(gòu)成網(wǎng)絡(luò)圖，利用圖中節(jié)點間的連接屬性判定兩個作者的相關(guān)性。

采用節(jié)點拓?fù)湎嗨菩灾笜?biāo)計算同構(gòu)網(wǎng)絡(luò)（合著網(wǎng)絡(luò)）中作者節(jié)點的相關(guān)性，相似性指標(biāo)包括基于鄰居的度量（網(wǎng)絡(luò)局部結(jié)構(gòu)的相似性）、基于路徑的度量（準(zhǔn)局部結(jié)構(gòu)的相似性）、基于隨機(jī)游走的度量（網(wǎng)絡(luò)全局結(jié)構(gòu)的相似性）。這里的“相似性”是指相關(guān)文獻(xiàn)已成習(xí)慣的術(shù)語, 實際上很多相似性指標(biāo)衡量的并非是節(jié)點對是否具有相似的特征, 而是節(jié)點對在幾何或者拓?fù)淇臻g是否鄰近, 或者在功能上是否具有較大的關(guān)聯(lián)，［18］因此也被稱為“接近性”或“相關(guān)性”。最簡單的相似性指標(biāo)是共同鄰居，兩個節(jié)點如果有更多的共同鄰居就可能更相似。基于路徑思想的相似性算法考慮到使用共同鄰居指標(biāo)進(jìn)行計算時，相似性分?jǐn)?shù)可能分布過于集中，使得預(yù)測結(jié)果沒有區(qū)分度，所以將兩個節(jié)點的共同鄰居擴(kuò)展到“n 階共同鄰居”。［7］基于隨機(jī)游走的思想是利用一個節(jié)點到其鄰居的轉(zhuǎn)移概率來描述當(dāng)前節(jié)點隨機(jī)游走的目的地，可以根據(jù)整個網(wǎng)絡(luò)圖的信息來計算節(jié)點相似度，即使兩個節(jié)點之間沒有公共鄰居節(jié)點也能計算。

拓?fù)湎嗨菩灾笜?biāo)只涉及網(wǎng)絡(luò)的結(jié)構(gòu)信息。相似性指標(biāo)計算起來比較簡單，但不同指標(biāo)在不同網(wǎng)絡(luò)中的預(yù)測能力卻不一致，其預(yù)測的精確度取決于對網(wǎng)絡(luò)結(jié)構(gòu)特征刻畫的好壞。［19］在合著網(wǎng)絡(luò)中，基于鄰居和路徑的相似性指標(biāo)在識別作者相關(guān)度時表現(xiàn)良好，尤其是共同鄰居指標(biāo)、Adamic/Adar 指標(biāo)、資源分配指標(biāo)（RA）和Katz 指標(biāo)（見表1）。

表1 代表性節(jié)點拓?fù)湎嗨贫戎笜?biāo)

合作關(guān)系所形成的合著網(wǎng)絡(luò)是一個熟人網(wǎng)絡(luò)，共同鄰居指標(biāo)能很好地衡量兩位作者的直接合作者，Katz 指標(biāo)能很好地衡量兩位作者的間接合作者。Adamic/Adar 指標(biāo)、資源分配指標(biāo)（RA） 是改進(jìn)指標(biāo)，賦予度小的共同鄰居節(jié)點更大的權(quán)重，因為度小的作者選擇的合作者與其相關(guān)性更高。在多種研究領(lǐng)域內(nèi)，PA 指標(biāo)往往表現(xiàn)一般，因為度大的作者（即影響力大的作者）合作概率小。［2,7,8,19］

2.2 基于異構(gòu)網(wǎng)絡(luò)的元路徑拓?fù)湎嗨贫戎笜?biāo)的作者相關(guān)度計算

科研合作網(wǎng)絡(luò)通常是異構(gòu)的，即網(wǎng)絡(luò)中存在多種類型的節(jié)點或連邊。同構(gòu)網(wǎng)絡(luò)是異構(gòu)網(wǎng)絡(luò)的投影，如合著網(wǎng)絡(luò)就是由文獻(xiàn)-作者網(wǎng)絡(luò)投影形成的，雖然合著網(wǎng)絡(luò)易于計算分析，但失去了原異構(gòu)科研合作網(wǎng)絡(luò)中豐富的語義信息。近年來，學(xué)者通過異構(gòu)網(wǎng)絡(luò)來解決科研合作預(yù)測問題，主要采取基于元路徑的方法。元路徑是定義在網(wǎng)絡(luò)模式上的，用于描述異構(gòu)網(wǎng)絡(luò)中組合關(guān)系的路徑。不同的元路徑用不同的語義來描述節(jié)點之間的相似程度。依據(jù)不同元路徑的路徑，可以將同構(gòu)網(wǎng)絡(luò)中基于鄰居和路徑的屬性拓展到異構(gòu)信息網(wǎng)絡(luò)中。例如，當(dāng)區(qū)別看待不同類型的鄰居節(jié)點并且把一階鄰居擴(kuò)展為n 階鄰居（某一節(jié)點和它的鄰居之間的距離為n）時，則兩個作者間的共同鄰居屬性就變成兩個作者之間依據(jù)不同元路徑的路徑數(shù)目。［16］

基于元路徑的相似性計算首先使用元路徑定義兩個節(jié)點之間的拓?fù)浣Y(jié)構(gòu)，然后在具體的拓?fù)渖隙x不同的度量標(biāo)準(zhǔn)。該方法考慮異構(gòu)信息網(wǎng)絡(luò)中不同拓?fù)浣Y(jié)構(gòu)的豐富語義信息和形成原因來進(jìn)行計算。如包含作者（A）、論文（P）、出版物（V） 三種節(jié)點的合作異構(gòu)網(wǎng)絡(luò)，兩個作者節(jié)點間的元路徑有2 種：A1-P1-V1-P2-A2 代表A1 和A2 在同一出版物上發(fā)表過文章，A1-P1→P2-A2 代表A1 的論文P1 引用了A2 的論文P2。

在元路徑相似度指標(biāo)中，以路徑數(shù)和隨機(jī)游走為基礎(chǔ)的相似性度量適用于具有高出入度的對象，基于成對的隨機(jī)游走的相似性度量適用于集中的對象（即大部分的鏈接屬于小部分節(jié)點）。［10］在科研合作異構(gòu)網(wǎng)絡(luò)中，連接兩個作者之間的元路徑越多，兩者越相關(guān)，歸一化路徑數(shù)指標(biāo)往往能取得良好的效果。［9］表示兩位作者擁有共同合作者、在同一出版物上發(fā)表論文、研究相關(guān)領(lǐng)域和引用相同論文的元路徑，均在識別作者相關(guān)度中發(fā)揮了重要作用。雖然越長的元路徑攜帶的信息越多，但隨著元路徑長度的增加，算法也越來越復(fù)雜，但精度增長幅度不大，因此長度一般控制在6 個節(jié)點以內(nèi)（見表2）。

2.3 基于新興網(wǎng)絡(luò)表示學(xué)習(xí)方法的作者相關(guān)度計算

隨著表示學(xué)習(xí)的發(fā)展，除了在科研合作網(wǎng)絡(luò)中采用結(jié)構(gòu)相似性指標(biāo)計算作者節(jié)點相關(guān)度，基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)方法也得到了廣泛應(yīng)用。網(wǎng)絡(luò)表示學(xué)習(xí)方法將圖中的節(jié)點表示成低維、實值、稠密的向量形式，通過計算向量間的距離判斷節(jié)點的相關(guān)性。

基于神經(jīng)語言模型的網(wǎng)絡(luò)表示學(xué)習(xí)是目前的研究熱點，其基本原理和思路來源于代表性的詞向量生成工具Word2Vec。［20］Word2Vec 工具包含CBOW 模型和Skip-gram 模型，選取輸入詞的前后n 個詞作為上下文，學(xué)習(xí)包含語義信息的輸入詞的向量表示。針對網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)語言模型的特點，網(wǎng)絡(luò)表示學(xué)習(xí)把節(jié)點類比為詞，把在網(wǎng)絡(luò)中獲得的節(jié)點序列類比為句子，將節(jié)點序列作為Word2Vec 的輸入，根據(jù)每個節(jié)點的上下文信息，得到節(jié)點的向量表示。根據(jù)節(jié)點序列獲取 方 式 的 不 同，形成 了 以DeepWalk［21］、LINE［15］、Node2vec［22］、Metapath2Vec［17］等為代表的基于神經(jīng)語言模型的網(wǎng)絡(luò)表示學(xué)習(xí)方法（見表3）。

表2 代表性元路徑相似度指標(biāo)

在科研合作網(wǎng)絡(luò)中，利用網(wǎng)絡(luò)表示學(xué)習(xí)方法預(yù)測科研合作，根據(jù)上下文語境得到每位作者的向量表示，將合作預(yù)測變?yōu)樽髡呦蛄肯嗨贫扔嬎銌栴}，相似度越高的未合作過的作者越有可能進(jìn)行合作。

網(wǎng)絡(luò)表示學(xué)習(xí)為復(fù)雜網(wǎng)絡(luò)分析提供了新的視角，一部分研究者開始探索將其應(yīng)用到科研合作網(wǎng)絡(luò)。在合著網(wǎng)絡(luò)中，DeepWalk、LINE、Node2vec 都能取得不錯的效果，其中Node2vec 表現(xiàn)更好，DeepWalk 更適合稀疏網(wǎng)絡(luò)，LINE 更適合大規(guī)模網(wǎng)絡(luò)。Metapath2Vec在科研合作異構(gòu)網(wǎng)絡(luò)中計算作者相關(guān)度方面取得了良好的效果。［15,17,22］網(wǎng)絡(luò)表示學(xué)習(xí)能在大規(guī)模數(shù)據(jù)集中自動提取合作網(wǎng)絡(luò)中作者關(guān)聯(lián)語義，在計算作者相關(guān)度方面有廣闊的研究應(yīng)用空間。

表3 基于神經(jīng)語言模型的網(wǎng)絡(luò)表示學(xué)習(xí)代表性算法

3 結(jié)語

在合作預(yù)測領(lǐng)域，作者相關(guān)度計算方法的研究發(fā)展緊跟新興技術(shù)發(fā)展步伐。通過科研合作網(wǎng)絡(luò)結(jié)構(gòu)信息判斷作者相關(guān)性，經(jīng)歷了從同構(gòu)網(wǎng)絡(luò)到異構(gòu)網(wǎng)絡(luò)的發(fā)展，日益精細(xì)化、精準(zhǔn)化。

（1）網(wǎng)絡(luò)表示學(xué)習(xí)方法將在作者相關(guān)度計算中得到進(jìn)一步應(yīng)用。隨著詞向量在文本相似度計算上的成功，涌現(xiàn)出一批借鑒語言模型完成的網(wǎng)絡(luò)/圖表示學(xué)習(xí)的方法已在合作網(wǎng)絡(luò)中嘗試應(yīng)用，那么其他基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)方法能否有更好的表現(xiàn)，以及網(wǎng)絡(luò)中其他結(jié)構(gòu)的表示（如子圖向量、圖向量）能否應(yīng)用到作者相關(guān)度計算仍需進(jìn)一步探索。

（2）構(gòu)建科技知識圖譜能為作者相關(guān)度計算提供更多支持。與簡單的科研合作網(wǎng)絡(luò)（如合著網(wǎng)絡(luò)、二分網(wǎng)絡(luò)、三種節(jié)點網(wǎng)絡(luò)等）相比，構(gòu)建擁有更全面的作者及相關(guān)實體節(jié)點、更豐富的作者語義信息的科技知識圖譜，能夠更全面地比較作者間相關(guān)性，在知識圖譜中尋找相關(guān)作者也將有更多應(yīng)用場景。