學(xué)術(shù)合作是學(xué)術(shù)界的一種普遍現(xiàn)象,合作者推薦系統(tǒng)幫助學(xué)者發(fā)現(xiàn)有價(jià)值的合作者。大多數(shù)推薦技術(shù)以提高推薦結(jié)果的準(zhǔn)確率為目標(biāo),為學(xué)者提供相似的合作者,但是它們忽略了推薦結(jié)果的新奇性。合作行為受多方面因素影響,而新奇合作有助于科研技術(shù)的革新或科研成果的突破。因此,本文主要研究新奇（serendipity）科研合作者的特性和表現(xiàn),并分別提出了新奇合作者的識(shí)別和推薦方法。首先,本文總結(jié)了相關(guān)工作中對(duì)于新奇性概念的理解,從相關(guān)性、意外性和價(jià)值性三個(gè)角度定義新奇科研合作者,對(duì)應(yīng)的直觀定義分別為網(wǎng)絡(luò)結(jié)構(gòu)相似性、主題多樣性和合作者本身影響力,并分別通過隨機(jī)游走算法、跨領(lǐng)域合作數(shù)以及特征向量中心度對(duì)每個(gè)指標(biāo)進(jìn)行量化。然后,本文利用新奇合作者的定義設(shè)計(jì)了兩個(gè)有價(jià)值的應(yīng)用,分別是基于聚類算法的新奇合作者識(shí)別和基于網(wǎng)絡(luò)表示學(xué)習(xí)算法的新奇合作者推薦�；诰垲愃惴ǖ淖R(shí)別模型RUVMod對(duì)所有合作者進(jìn)行聚類,結(jié)合定義中的三個(gè)指標(biāo)對(duì)每個(gè)合作者簇進(jìn)行分析,并將所有合作者劃分為8個(gè)類別。最終相關(guān)性低、意外性和價(jià)值性高的合作者簇被識(shí)別為新奇合作者集合。另外,基于網(wǎng)絡(luò)表示學(xué)習(xí)算法的推薦方法Seren2vec將新奇合作者的量化指標(biāo)融... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外相關(guān)研究
        1.2.1 學(xué)術(shù)合作者推薦
        1.2.2 科研領(lǐng)域中的新奇性
    1.3 本文研究?jī)?nèi)容和貢獻(xiàn)
        1.3.1 本文研究目的和主要工作
        1.3.2 本文創(chuàng)新點(diǎn)
    1.4 本文組織結(jié)構(gòu)
2 理論基礎(chǔ)
    2.1 新奇性的概念分析
    2.2 融入新奇性的推薦技術(shù)
    2.3 新奇推薦系統(tǒng)的評(píng)估方法
    2.4 本章小結(jié)
3 新奇科研合作者的定義及量化
    3.1 新奇合作者的定義
        3.1.1 相關(guān)性及其量化
        3.1.2 意外性及其量化
        3.1.3 價(jià)值性及其量化
    3.2 DBLP數(shù)據(jù)預(yù)處理
        3.2.1 DBLP數(shù)據(jù)集簡(jiǎn)介
        3.2.2 DBLP數(shù)據(jù)處理
        3.2.3 論文合作網(wǎng)絡(luò)建模
    3.3 本章小結(jié)
4 新奇科研合作者的識(shí)別
    4.1 基于聚類算法的新奇合作者識(shí)別
        4.1.1 合作者分類模型
        4.1.2 自組織映射神經(jīng)網(wǎng)絡(luò)算法
        4.1.3 新奇合作者識(shí)別
    4.2 新奇性評(píng)估指標(biāo)
        4.2.1 意外性
        4.2.2 價(jià)值性
        4.2.3 新奇性
    4.3 實(shí)驗(yàn)評(píng)估
        4.3.1 基于聚類的對(duì)比算法
        4.3.2 基于新奇性的對(duì)比算法
        4.3.3 實(shí)驗(yàn)總結(jié)
    4.4 本章小結(jié)
5 新奇科研合作者的推薦
    5.1 基于網(wǎng)絡(luò)表示學(xué)習(xí)算法的新奇合作者推薦
        5.1.1 融合新奇性的合作網(wǎng)絡(luò)模型
        5.1.2 基于新奇性導(dǎo)向的網(wǎng)絡(luò)表示學(xué)習(xí)算法
        5.1.3 新奇合作者推薦
    5.2 實(shí)驗(yàn)評(píng)估
        5.2.1 對(duì)比算法
        5.2.2 模型參數(shù)對(duì)推薦效果的影響
        5.2.3 實(shí)驗(yàn)總結(jié)
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]A Bibliometric Framework for Identifying “Princes” Who Wake up the “Sleeping Beauty” in Challenge-type Scientific Discoveries[J]. Jian Du,Yishan Wu.  Journal of Data and Information Science. 2016(01)
[2]基于密度的聚類算法DBSCAN的研究與實(shí)現(xiàn)[J]. 曾澤林,段明秀.  科技信息. 2012(30)
[3]自組織映射（SOM）聚類算法的研究[J]. 余健,郭平.  現(xiàn)代計(jì)算機(jī). 2007(03)
[4]自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）在客戶分類中的一種應(yīng)用[J]. 陳伯成,梁冰,周越博,林析泉,趙延.  系統(tǒng)工程理論與實(shí)踐. 2004(03)

碩士論文
[1]基于內(nèi)容的個(gè)性化推薦系統(tǒng)研究[D]. 單京晶.東北師范大學(xué) 2015
[2]基于高斯混合模型的EM算法及其應(yīng)用研究[D]. 邱藤.電子科技大學(xué) 2015



本文編號(hào)：3173673