[发明专利]一种学术团队影响力传播预测方法、设备和存储介质

说明书

本发明公开了一种学术团队影响力传播预测方法、设备和存储介质，考虑团队内部组织结构特征和外部传播特征，提出将具有作者合著关系的合作关系网络中的社区节点向量与具有作者引用关系的影响力传播有向网络中的传播节点向量相结合，采用深层全连接神经网络链路预测模型实现团队影响力的传播预测，该方法用深度学习模型来求解复杂网络中团队影响力传播链路预测问题，普适性好，克服了传统方法链路预测的局限性以及现有深度学习方法难以对团队影响力传播方向进行预测的缺陷。通过真实数据集的实验表明，该方法具有较高的预测准确性。

技术领域

本发明涉及群体中个体影响力传播预测技术领域，尤其是涉及一种学术团队影响力传播预测方法、设备和存储介质。

背景技术

用复杂网络的理论与方法来研究个体与群体的影响力与传播行为，在信息时代的社会化电子商务、舆情分析、影响力分析的应用领域中具有重要意义。在学术研究领域，学者们将各自的研究成果发表在学术刊物上，是传播学术思想的一种重要方式。一个优秀学术团队的影响力将对科学研究发展产生引领作用，对学术团队的影响力传播进行预测，是复杂网络分析中的一个热点研究问题，可用于科技创新群体的遴选与评估。

团队影响力传播预测是预测团队影响力在网络中可能的传播路径，由于影响力传播具有随机性，其影响因素与应用场景直接相关，研究一种较为通用的团队影响力的传播预测方法是一大难点。现有影响力传播预测方法是将其转化为传播网络中的链路预测问题进行研究，主要方法有基于局部相似性与路径相似性两大类。这两类方法都是通过先验知识人为选定的相似性度量指标，且每个指标侧重于传播网络中的某些局部特征，使得其应用场景受到限制，通用性差，且不能实现团队影响力传播预测。

近年来，在机器学习领域，神经网络深度学习模型受到广泛关注，深度学习模型能直接从浅层原始特征中自动无监督学习隐藏的深层特征，是一种适用面较广的机器学习方法。因此，用深度学习模型来求解复杂网络中的链路预测问题是突破传统方法链路预测局限性的新途径。为了达到从网络的原始全局特征中学习隐藏的深度特征的目的，2014年Perozzi等人提出了DeepWalk^[1]算法，该算法通过在网络中随机游走将节点游走序列进行低维向量表示，得到具有网络全局结构特征的节点表征，是当前网络表征学习的基本方法，但是，这种方法只能表征传播网络中两节点间的传播情况，同样无法预测团队影响力传播情况。

参考文献：

[1]Perozzi B,Al-Rfou R,Skiena S.Deepwalk:Online learning of socialrepresentations[C]//Proceedings of the 20th ACM SIGKDD internationalconference on Knowledge discovery and data mining.ACM,2014:701-710.

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，第一方面，提出一种学术团队影响力传播预测方法，将影响力传播网络以及含有团队内部结构信息的合作关系网络分别表征成节点向量，结合两类节点向量构建低维向量和深度学习模型，准确预测学术团队的影响力传播情况。

根据本发明的第一方面实施例的学术团队影响力传播预测方法，包括：

基于文献数据库中文献的引用关系构建相应作者的影响力传播有向网络，基于所有所述作者的合著关系构建合作关系网络，所述合作关系网络根据作者的合著关系划分学术团队；

将所述影响力传播有向网络的每一节点表征成传播节点向量，将所述合作关系网络中的每一节点表征成社区节点向量，利用每一所述学术团队内每一作者的所述传播节点向量和该作者的所述社区节点向量构建每一所述学术团队的低维向量；

将每一所述学术团队的低维向量与所述学术团队以外的部分节点的传播节点向量分别拼接成第一联合向量，结合所述学术团队与所述学术团队以外的所述部分节点的传播关系构建数据集，并划分训练集和测试集；