李 翀，王宇宸，2*，杜偉靜，2，何曉濤，劉學敏，張士波，李樹仁

（1.中國科學院計算機網(wǎng)絡(luò)信息中心，北京 100190；2.中國科學院大學，北京 100049）

（*通信作者電子郵箱wangyuchen@cnic.cn）

0 引言

科研論文是科研人員重要成果之一，高水平科研論文既可以反映作者的科研水平，一定程度也能反映出研究熱點變化及國家科研投入變化情況。因此，基于時間序列對科研論文進行熱點學科、科研社區(qū)、合著網(wǎng)絡(luò)、人才發(fā)現(xiàn)研究非常有意義。人才作為重大科技成果、科技發(fā)展和社會進步的主體和源動力，挖掘優(yōu)秀人才、培養(yǎng)和發(fā)現(xiàn)潛在人才尤為重要。

目前有較多對優(yōu)秀科研人才挖掘的研究，并取得了一定的成效，不論是整體數(shù)據(jù)挖掘范圍、挖掘精度方面，還是對科研人員學術(shù)能力評價方面，都取得了不錯的效果。如馮嶺等［1］從專利數(shù)據(jù)中抽取發(fā)明人的各個特征構(gòu)建多層感知機模型，從而發(fā)現(xiàn)技術(shù)創(chuàng)新人才。江艷萍等［2］基于文獻計量方法對全球潛力華人青年學者進行發(fā)現(xiàn)與評價，通過制定相應的檢索策略獲取數(shù)據(jù)集，從數(shù)據(jù)集中提煉出學者信息，利用篩選指標體系和綜合評價指標體系確定潛力候選人，最后與同學科領(lǐng)域的標桿人物進行比較分析，明確潛力候選人的科研水平和學術(shù)定位。王孟頔等［3］利用Hadoop 計算平臺，通過網(wǎng)頁數(shù)據(jù)提取分析關(guān)鍵詞，根據(jù)關(guān)聯(lián)規(guī)則算法挖掘出關(guān)聯(lián)關(guān)鍵詞，采用基于相似項的策略推薦人才。

上述人才挖掘分析算法，在人才發(fā)現(xiàn)和學者評價角度都取得了較好的進展，但也存在一定的不足之處。首先在科研成果數(shù)據(jù)的選取上缺乏權(quán)威性，同時數(shù)據(jù)較為雜亂；其次在人才學術(shù)評價上需要與標桿學者進行對比，具有評價的片面性；最后在人才挖掘上多數(shù)算法都屬于廣泛挖掘，缺乏針對性，并且在計算上過于復雜，對計算能力要求較高。除此以外還存在學術(shù)評價上不具有時間序列特性、不能根據(jù)學者自身特點進行公平化評價等。

本文聚焦全球最大、覆蓋學科最多的綜合性學術(shù)資源WOS（Web Of Science）中收錄的中國科學院學術(shù)論文，在前期工作中，完成對熱點學科的學術(shù)論文語義圖譜構(gòu)建，并采用Louvain 社區(qū)發(fā)現(xiàn)算法（Community Detection）［4］對研究熱點背后相近研究領(lǐng)域的活躍學術(shù)圈進行挖掘，使人才挖掘研究更具有針對性。本文主要工作基于前期研究成果，深入研究了相關(guān)人才挖掘算法，結(jié)合學術(shù)論文語義網(wǎng)絡(luò)屬性和優(yōu)化后的PageRank 人才發(fā)現(xiàn)算法進行了設(shè)計和實現(xiàn)。實驗表明，基于科研社區(qū)使得人才發(fā)現(xiàn)更有針對性，能夠快速定位不同學科方向代表性人才，改進后算法使得在對優(yōu)秀人才挖掘、潛在人才發(fā)現(xiàn)更加精準。

1 相關(guān)工作

本章首先介紹關(guān)于人才挖掘領(lǐng)域的一些研究成果，然后介紹基于科研社區(qū)的人才挖掘算法研究并分析比較。

1.1 人才挖掘算法相關(guān)研究

在目前的人才發(fā)現(xiàn)算法研究中，大致可以分為兩類：一類為利用學者相關(guān)特征進行模型訓練的監(jiān)督學習方法，另一類為通過合著網(wǎng)絡(luò)形式進行預測的無監(jiān)督學習方法。以馮嶺等［1］研究成果為例，其工作主要是抽取了反映各個發(fā)明人技術(shù)創(chuàng)新實力的專利特征。抽取的發(fā)明人特征包括專利申請量、專利總被引用量、合作發(fā)明人數(shù)量、合作發(fā)明人的平均專利申請量、申請人維持的專利數(shù)量以及所申請專利的文本特征等；然后再通過神經(jīng)網(wǎng)絡(luò)模型進行訓練與預測，并且在其實驗中將神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)機器學習模型進行了對比，結(jié)果表明該實驗取得了不錯的效果。除此之外，隨著近幾年圖神經(jīng)網(wǎng)絡(luò)與知識圖譜領(lǐng)域的發(fā)展，也出現(xiàn)了一些新的思路。比如Park 等［5-6］提出的基于圖神經(jīng)網(wǎng)絡(luò)分析知識圖譜中節(jié)點重要性的方法，利用網(wǎng)絡(luò)拓撲結(jié)構(gòu)信息與節(jié)點間謂詞關(guān)系，結(jié)合每個節(jié)點的自身特征，通過圖神經(jīng)網(wǎng)絡(luò)模型進行節(jié)點重要性的預測。這個思路可以應用到人才挖掘研究當中，但需要合適且權(quán)威的數(shù)據(jù)集用于模型訓練。

通過合著網(wǎng)絡(luò)方法進行人才發(fā)現(xiàn)的研究也有很多，比如謝瑞霞等［7］的研究是基于合著網(wǎng)絡(luò)構(gòu)建學者影響力評價指標。在其評價指標中，不僅考慮了學者自身論文的影響力，還通過合著網(wǎng)絡(luò)中節(jié)點的介數(shù)中心度計算了學者的網(wǎng)絡(luò)影響力，也就是該學者在網(wǎng)絡(luò)中的重要性體現(xiàn)。在實驗中，通過將兩種影響力結(jié)合計算，也取得了不錯的效果。

本文充分吸取前面提到的相關(guān)研究的成功經(jīng)驗，在合著網(wǎng)絡(luò)的基礎(chǔ)上，首先通過學者論文相關(guān)特征計算學者的初始評分，再結(jié)合PageRank 在合著網(wǎng)絡(luò)上的傳遞性計算最終的評分，從而綜合考慮學者個人特征與合著網(wǎng)絡(luò)特征的影響，達到人才挖掘的目的。

1.2 人才挖掘算法比較

在已挖掘的科研社區(qū)基礎(chǔ)上，后續(xù)工作將利用社區(qū)網(wǎng)絡(luò)中心性對科研社區(qū)中的優(yōu)秀科研人才進行挖掘推薦。本節(jié)將對與此相關(guān)的Degree Centrality、Closeness Centrality、PageRank三個圖算法進行深入研究，其關(guān)系及區(qū)別如圖1所示。

圖1 基于中心性的人才挖掘算法之間的比較Fig.1 Comparison between centrality-based talent mining algorithms

1.2.1 Degree Centrality算法

Degree Centrality 算法可用于在沒有方向的圖譜中，利用度中心性去測量網(wǎng)絡(luò)中節(jié)點間的相互關(guān)聯(lián)關(guān)系程度，類似于關(guān)聯(lián)關(guān)系矩陣，即表示當前節(jié)點與其他所有節(jié)點的直接聯(lián)系總數(shù)［8］。但該種計算方式存在一定的弊端，如果社區(qū)中節(jié)點規(guī)模增大，則測量值均會增大，各節(jié)點的度中心性也會逐步增高。1994年，Stanley Wasserman 和Katherine Faust針對該問題提出一個新的標準化測量公式，如式（1）所示：

在對節(jié)點的度中心性進行衡量過程中，首先以本身節(jié)點i為初始階段，測量出自身度中心性；其次測量出除本身節(jié)點外，其他g-1 個節(jié)點相連接的可能連接數(shù)，從而計算出與本身節(jié)點i相關(guān)聯(lián)的其他節(jié)點的占比。最終比例范圍為0～1，0表示節(jié)點i不與任何節(jié)點相關(guān)聯(lián)，1 表示與所有節(jié)點都有關(guān)系。

Degree Centrality 用于計算來自節(jié)點的傳入和傳出關(guān)系的數(shù)量，并用于在圖中查找流行節(jié)點［9］?；谝陨戏治?，在適用性方面，如果試圖通過查看傳入和傳出關(guān)系的數(shù)量來分析影響力，或者找到各個節(jié)點的“流行度”，可以使用Degree Centrality算法。

1.2.2 Closeness Centrality 算法

Closeness Centrality 依靠節(jié)點之間的距離判斷節(jié)點間的近鄰程度。首先計算本身節(jié)點i與網(wǎng)絡(luò)中其他所有節(jié)點之間的距離，并進行相加求和，總值越小說明節(jié)點間可達且路徑越短，即在空間上與其他各節(jié)點越接近，最終發(fā)現(xiàn)處于有利位置的節(jié)點，從而控制和獲取組織內(nèi)的重要信息和資源，具體應用如文獻［10］。

為更明晰地表達該距離程度，Bavelas于1950年將計算的近鄰程度進行歸一化定義，定義為近鄰距離計算的倒數(shù)，最終的計算值取值范圍限定在（0，1），越接近于1 則節(jié)點的中心度越大，每個節(jié)點的具體計算公式如式（2）所示：

其中：u代表當前節(jié)點；n代表圖中節(jié)點的數(shù)量；d(u，v)代表節(jié)點u到節(jié)點v之間的最短距離。

Closeness Centrality 適用于篩選以最快速度傳播信息的節(jié)點，其中使用加權(quán)關(guān)系對評估交流和行為分析中的交互速度效果展示較為明顯。該算法適用于連接圖中的節(jié)點中心性計算，但當圖中兩個節(jié)點間沒有路徑時，計算該節(jié)點的所有距離之和會出現(xiàn)偏差，緊密度趨向于無限，最終影響整個圖的中心性計算。

1.2.3 PageRank算法

PageRank 算法初始用途是對網(wǎng)站網(wǎng)頁重要性進行排序，以此來評判網(wǎng)頁產(chǎn)生的影響力，具體計算如式（3）所示：

其中：u為待評估頁面。Bu為頁面u的鏈入集合。對于頁面u來說，每個入鏈頁面自身影響力PR(V)與V頁面的所有出鏈頁面數(shù)量之比，作為頁面V給頁面u帶來的影響力。這樣可以將頁面自身影響力平均分配至其每個出鏈上，再計算所有帶給u頁面的影響之和，便是網(wǎng)頁u的影響力。

但式（3）存在一些問題，如一個節(jié)點沒有出鏈或者入鏈，會出現(xiàn)等級泄漏或等級沉沒現(xiàn)象，故提出了一種新的優(yōu)化方式，加入阻尼系數(shù)d，如式（4）所示，這個阻尼系數(shù)代表用戶通過跳轉(zhuǎn)鏈接進入的概率，通常取值0.85。

PageRank 算法通過關(guān)聯(lián)關(guān)系間的緊密程度來量化彼此間的影響力，通過出鏈入鏈的影響程度，最終確定最優(yōu)影響能力的節(jié)點。PageRank 算法更加適用于關(guān)系較多，且彼此影響力不均勻的關(guān)聯(lián)狀況。這與論文之間引用等關(guān)聯(lián)關(guān)系相似，適用于挖掘關(guān)系復雜的圖信息。PageRank 算法還存在一些缺點，PageRank 算法在使用過程中，過于注重當前數(shù)據(jù)特征，周圍關(guān)聯(lián)的節(jié)點會直接影響當前節(jié)點的影響力；除此以外，PageRank 算法考量維度單一，對于出現(xiàn)較早的頁面會因鏈接度較高而提升影響力，沒有時間序列性。

綜上幾種對人才挖掘算法的分析，可以看出Degree Centrality 主要是度量節(jié)點的出度與入度，說明當前節(jié)點的權(quán)威只受周圍關(guān)聯(lián)節(jié)點影響，應用于優(yōu)秀科研人才挖掘上會具有單一性；另外，出入度計算上也存在大量重復計算，會導致計算效率較低。Closeness Centrality 算法主要利用節(jié)點間的距離來計算中心性，如果存在沒有相互關(guān)聯(lián)的節(jié)點，會導致計算結(jié)果偏離正常值，應用于優(yōu)秀人才挖掘上會導致挖掘結(jié)果不準確。PageRank 算法是計算網(wǎng)頁重要性排名的算法，主要利用鏈接關(guān)聯(lián)性進行分析，在計算上將節(jié)點影響力進行均分，后進行統(tǒng)計分析來確定節(jié)點的重要性，這在一定程度上突出了重要節(jié)點的影響力，達到了較為公平的計算效果，應用于優(yōu)秀人才挖掘上能對優(yōu)秀人才賦予較大的影響力，從而突出其貢獻度。綜合比較分析，本文人才挖掘算法最終選擇為PageRank算法。

2 PageRank算法優(yōu)化與實現(xiàn)

PageRank 算法的使用前提是需要有每位學者學術(shù)能力的初始評分，這能在一定程度上突出優(yōu)秀人才的貢獻度，但應用在學術(shù)論文的人才挖掘上也會存在一定的不足。首先不能根據(jù)時間連續(xù)性對人才進行篩選，隨著時間的變化，優(yōu)秀人才的科研方向和成果會發(fā)生變化，但PageRank 算法不能動態(tài)地對科研能力進行調(diào)整；其次，PageRank 算法評價維度單一，只是單一地考慮了關(guān)聯(lián)節(jié)點的影響力，沒有多維度評價因素，如論文被引用量、作者發(fā)文量等維度可以在一定程度上體現(xiàn)作者學術(shù)能力的強弱，提升優(yōu)秀人才挖掘的準確性。為了解決該問題，達到更加準確的人才挖掘效果，有必要對PageRank算法進行了多維度優(yōu)化。

經(jīng)過調(diào)研，本文在實驗中采用了Prathap于2010年提出的一種綜合性評價學術(shù)成果指標，對學者的學術(shù)能力從學術(shù)論文數(shù)量以及引用次數(shù)進行評價。并通過結(jié)合常雨蕭［11］的研究成果，為學術(shù)指標的計算加入時間因素、作者署名排序因素；在PageRank 算法中加入了作者間余弦相似度作為影響系數(shù)。將優(yōu)化后的算法應用在科研社區(qū)中，進行人才發(fā)現(xiàn)。

時間因素，作者署名排序因素以及學術(shù)指標P(i)的計算如式（5）～（7）所示。其中作者署名排序是采用了貢獻度等級分配法［12］，并參考了科研成果評價研究成果［13］。論文發(fā)表的時間越早，在學術(shù)成果指標中的影響就越??；作者署名次序越靠后，該論文對于作者的影響力也越小。通過計算策略調(diào)整，使得近期活躍的學者可以得到更高的學術(shù)指標值，更有利于活躍人才的挖掘。

其中：α為尺度系數(shù)；Tc為當前時間，Tk為論文發(fā)表時間；ak為論文k的作者總數(shù)，ik為作者i在論文k中的位次，ck為論文k的引用次數(shù)；C(i)為作者i的論文引用得分，N(i)為作者i的論文數(shù)目得分。

學者自身學術(shù)指標值的計算，見算法1。

算法1 Calculate Initial Score。

輸入 待消歧作者的全部相關(guān)論文數(shù)據(jù)。其中：i表示作者；n表示論文篇數(shù)；ak為論文k的作者總數(shù)；ck為論文k的引用次數(shù)；ik為作者i在論文k中的位次；Tc為當前時間；Tk為論文發(fā)表時間。

輸出 學者i的自身學術(shù)指標值。

對于PageRank 影響力傳遞過程，通過余弦相似度的方式計算作者節(jié)點間的關(guān)系。具體計算如式（8）、（9）所示，分別為作者間貢獻影響程度和作者影響力得分。

其中d為PageRank 中的阻尼系數(shù)，一般取值為0.85。最終的學者影響力評分由多輪迭代后的Imp(i)得出。

PageRank算法的Imp值計算，見算法2。

算法2 Modified PageRank Algorithm。

輸入 所有作者的自身學術(shù)指標值為Imp，所有作者間的貢獻影響度為Attr，每個作者的鄰居節(jié)點為neighbors，迭代輪次為n。

輸出 所有作者的最終評分列表。

3 實驗驗證與分析

3.1 基礎(chǔ)環(huán)境

操作系統(tǒng)為CentOS 7 64 位，Kernel Linux 3.10.0。開發(fā)環(huán)境為python3.7.3+Neo4j 3.5.13；CPU 為Intel Xeon Silver 4114@2.20 GHz 40核心；內(nèi)存為128 GB。

3.2 實驗數(shù)據(jù)

實驗數(shù)據(jù)為1949—2019年的WOS核心合集數(shù)據(jù)庫中國科學院發(fā)表的4 199 篇計算機科學學術(shù)論文數(shù)據(jù)，通過Neo4j創(chuàng)建論文語義網(wǎng)絡(luò)圖［14］，其中有作者19 200 位，機構(gòu)26 232個，生成Workwith 關(guān)系數(shù)15 799 個，其中實體類型為Author（作者）、Paper（論文）、Org（作者所屬機構(gòu)）；實體間關(guān)系為Belong to、Write、Workwith（Workwith 中包含屬性Weight）。如圖2所示。

圖2 論文語義實體關(guān)系示意圖Fig.2 Paper entity relationship diagram

在學術(shù)語義網(wǎng)絡(luò)圖基礎(chǔ)上，應用Louvain社區(qū)發(fā)現(xiàn)算法對活躍科研社區(qū)進行挖掘［15］。通過使用模塊度和模塊度收益進行評價［16］，成功挖掘出模塊度收益較高的前10個活躍科研社區(qū)，其分布如表1所示。

3.3 驗證過程

本實驗是在計算機科學領(lǐng)域挖掘出活躍度前10 個科研社區(qū)基礎(chǔ)上（見表1）對活躍科研人才進行挖掘。

表1 社區(qū)人數(shù)及社區(qū)中論文數(shù)量表Tab.1 Number of communities and the number of papers in communities

實驗分為兩個部分：一是根據(jù)式（4）采用優(yōu)化前的PageRank 算法對社區(qū)人才進行挖掘。在優(yōu)化前的算法中，得分值計算只利用了語義圖譜中作者節(jié)點間關(guān)系，而沒有考慮作者節(jié)點自身特征。二是根據(jù)式（9）采用優(yōu)化后的PageRank算法進行計算，綜合考慮了作者自身節(jié)點的多個特征因素，并且作者間的關(guān)系也使用作者間貢獻影響程度值進行了改進，使得不同鄰居節(jié)點對中心節(jié)點的影響程度具有獨特性。

本文以活躍度排名第一的141 號社區(qū)進行的人才挖掘為例，優(yōu)化前后的挖掘結(jié)果對比如表2和表3所示。

表2 活躍人才排名表（優(yōu)化前）Tab.2 Excellent talent ranking table（before optimization）

表3 活躍人才排名表（優(yōu)化后）Tab.3 Excellent talent ranking table（after optimization）

3.4 結(jié)果分析

對于優(yōu)化前后的兩張表中的優(yōu)秀人才挖掘結(jié)果，本文利用自然科學基金委項目數(shù)據(jù)以及人才個人信息對挖掘結(jié)果進行了驗證分析，同時也對優(yōu)化的效果進行了分析。

首先對挖掘結(jié)果的準確性進行分析，使用了較為權(quán)威的國家自然科學基金委員會項目數(shù)據(jù)對結(jié)果進行佐證。八位學者在自然科學基金委中的項目數(shù)據(jù)如圖3 所示。八位學者中有七位都在國家自然科學基金委中都承擔有項目，其中有一位學者博士剛畢業(yè)尚無基金項目。另外，經(jīng)查證八位均為領(lǐng)域內(nèi)國家級或地方優(yōu)秀人才，說明了優(yōu)化改進后的學術(shù)成果指標和PageRank算法可以在人才挖掘方面較為準確。

圖3 國家自然科學基金委員會項目數(shù)據(jù)統(tǒng)計Fig.3 Statistics of projects ofthe National Natural Science Foundation of China

其次對算法優(yōu)化有效性進行分析，通過表3 中的分數(shù)變化，可以看到受多個特征因素以及周邊關(guān)聯(lián)作者的得分變化的影響，八位學者的得分變化幅度不均。其中署名位次越靠前，論文發(fā)表時間越晚的學者得分增加幅度越大。以第四位與第五位學者為例，因為加入了署名順序因素，在優(yōu)化后排序發(fā)生了變化。這說明多個特征因素的加入會對學者的得分有著不同幅度的影響，進而能使學者的最終得分更客觀、科學。

4 結(jié)語

本文基于WOS 中收錄的中國科學院學術(shù)論文數(shù)據(jù)，在構(gòu)建學術(shù)論文語義網(wǎng)絡(luò)圖和Louvain 科研社區(qū)發(fā)現(xiàn)結(jié)果的基礎(chǔ)上，將人才挖掘范圍聚焦于活躍科研學術(shù)圈，對PageRank 人才挖掘算法加入論文發(fā)表時間因子、作者署名排序遞減模型、周圍作者節(jié)點對當前節(jié)點的影響因素、論文被引用量等指標進行算法優(yōu)化，使得人才挖掘更加客觀有效。實驗結(jié)果表明，該算法具有一定的準確性和有效性，對優(yōu)秀人才和潛在人才發(fā)現(xiàn)有一定的參考意義；同時也在一定程度證明了從高水平學術(shù)論文成果發(fā)現(xiàn)人才的可能性。