Please wait a minute...
Advanced Search
数据分析与知识发现  2017, Vol. 1 Issue (8): 39-47     https://doi.org/10.11925/infotech.2096-3467.2017.08.05
  首届"数据分析与知识发现"学术研讨会专辑(II) 本期目录 | 过刊浏览 | 高级检索 |
基于多特征融合的金融领域科研合作推荐研究*
余传明1, 龚雨田1, 赵晓莉1, 安璐2()
1中南财经政法大学信息与安全工程学院 武汉 430073
2武汉大学信息管理学院 武汉 430072
Collaboration Recommendation of Finance Research Based on Multi-feature Fusion
Yu Chuanming1, Gong Yutian1, Zhao Xiaoli1, An Lu2()
1School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan 430073, China
2School of Information Management, Wuhan University, Wuhan 430072, China
全文: PDF (693 KB)   HTML ( 1
输出: BibTeX | EndNote (RIS)      
摘要 

目的】科研合作关系是一种重要的社会网络。为了促进科研合作, 提高科研生产率, 对金融领域的科研合作推荐模型进行研究。【方法】建立金融领域个人、机构和区域三个层面的科研合作网络, 提出一种新的融合基于邻居节点和基于路径的网络特征的科研合作推荐模型, 并从个人、机构和区域三个层面进行实证检验。【结果】通过对2000年到2014年刊载的68 905篇金融领域的文章进行分析并构建科研合作网络, 在个人、机构和区域三个层面上, 基于特征融合的链接预测方法的AUC值分别为84.25%、87.34%和91.84%, 均高于基于邻居节点的算法和基于路径的算法的AUC值。【局限】在进行训练集和测试集选取的时候只按时间进行切分, 有待使用更多的切分方式对实验结果进行优化。【结论】本文有助于金融科研领域的个人、机构和区域寻求合作对象, 为进行科研网络的研究以及科研合作推荐的学者提供新的研究方法和思路。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
余传明
龚雨田
赵晓莉
安璐
关键词 链接预测科研合作推荐科研合作网络多特征融合    
Abstract

[Objective] Research collaboration builds an important social network system. This paper proposes a new recommendation model for research collaboration in finance, aiming to promote the scientific collaboration and improve research productivity. [Methods] First, we established the scientific collaboration networks at individuals, institutions and regions levels. Then, we established a recommendation model based on network neighbors and paths. Finally, we conducted empirical study to examine the model at three levels. [Results] A total of 68 905 articles published from 2000 to 2014 on finance were analyzed to construct their research collaboration networks. The AUC values ??of the proposed model at individual, institutional and regional levels were 84.25%, 87.34%, and 91.84%, respectively, which were higher than those of the traditional algorithms. [Limitations] The training and testing sets were only classified by time. More segmentation methods were needed to optimize the new model. [Conclusions] This study helps researchers find collaboration opportunities, and provides new directions for studies on scientific collaboration networks.

Key wordsLink Prediction    Scientific Collaboration Recommendation    Scientific Collaboration Network    Multi-feature Fusion
收稿日期: 2017-05-31      出版日期: 2017-09-28
ZTFLH:  G350  
基金资助:*本文系国家自然科学基金面上项目“大数据环境下基于领域知识获取与对齐的观点检索研究”(项目编号: 71373286)、国家自然科学基金青年项目“突发公共卫生事件社交媒体信息主题演化与影响力建模”(项目编号: 71603189)和教育部人文社会科学研究青年基金项目“突发公共卫生事件情境下社交媒体信息影响力模型与预测研究”(项目编号: 16YJC870001)的研究成果之一
引用本文:   
余传明, 龚雨田, 赵晓莉, 安璐. 基于多特征融合的金融领域科研合作推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 39-47.
Yu Chuanming,Gong Yutian,Zhao Xiaoli,An Lu. Collaboration Recommendation of Finance Research Based on Multi-feature Fusion. Data Analysis and Knowledge Discovery, 2017, 1(8): 39-47.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2017.08.05      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2017/V1/I8/39
个人层面 机构层面 区域层面
总集合 作者数: 4 123
合作链接数:
7 096
机构数: 3 383
合作链接数:
12 336
区域数: 46
合作链接数: 411
训练集 作者数: 4 049
合作链接数:
6 119
机构数: 3 289
合作链接数:
11 241
区域数: 46
合作链接数: 400
测试集 作者数: 1 080
合作链接数: 864
机构数: 1 109
合作链接数: 1 553
区域数: 36
合作链接数: 171
  实验数据集
推荐 不推荐
有合作 TP FN
无合作 FP TN
  推荐模型产生的结果矩阵
  基于邻居节点的预测算法结果——作者层次
  基于路径特征的预测算法结果——作者层次
  融合参数$\alpha $调整折线图——作者层次
  各种链接预测算法的结果比较——作者层次
编号 作者1 作者2
1 阎庆民 谢 平
2 陈卫东 姜波克
3 姜波克 张健华
4 阎庆民 陈卫东
5 阎庆民 张健华
6 温信祥 樊志刚
7 胡 浩 樊志刚
8 王佳佳 樊志刚
9 张燕生 唐 旭
10 胡 浩 马素红
  PHM模型推荐的部分科研合作作者
  基于邻居节点的链接预测算法结果比较——机构层次
  基于路径特征的预测算法结果比较——机构层次
  融合参数$\alpha $调整折线图
  链接预测算法比较——机构层次
编号 机构1 机构2
1 中国金融学会金融史专业委员会 上海市金融学会
2 烟台大学经管学院 东北财经大学公共管理学院
3 云南财经大学商学院 云南财经大学会计学院
4 云南大学国际关系研究院 南开大学日本研究院
5 复旦大学管理学院产业经济系 复旦大学管理学院财务金融系
6 东北财经大学应用金融学院 东北财经大学职业技术学院
7 西南大学地理科学学院 重庆大学建设管理与房地产学院
8 华东师范大学俄罗斯研究中心 华东师范大学国际关系与地区发展研究院
9 浙江大学理学院 浙江水利水电专科学校
10 中国科学技术大学公共事务学院 西南科技大学政治学院
  PHM模型推荐的部分科研合作机构
  基于邻居节点的链接预测算法结果比较——区域层次
  基于路径特征的预测算法结果比较——区域层次
  融合参数$\alpha $调整折线图
  链接预测算法比较——区域层次
编号 区域1 区域2
1 陕西 海南
2 河北 重庆
3 重庆 陕西
4 黑龙江 重庆
5 天津 广西
6 吉林 重庆
7 四川 辽宁
8 江苏 广西
9 贵州 天津
10 海南 江苏
  PHM模型推荐的部分科研合作区域
[1] Dai C, Chen L, Li B, et al. Link Prediction in Multi-relational Networks Based on Relational Similarity[J]. Information Sciences, 2017, 394-395: 198-216.
doi: 10.1016/j.ins.2017.02.003
[2] Moradabadi B, Meybodi M R.Link Prediction Based on Temporal Similarity Metrics Using Continuous Action Set Learning Automata[J]. Physica A: Statistical Mechanics & Its Applications, 2016, 460: 361-373.
doi: 10.1016/j.physa.2016.03.102
[3] Yu C, Zhao X, An L, et al.Similarity-based Link Prediction in Social Networks: A Path and Node Combined Approach[J]. Journal of Information Science. DOI: 10.1177/016555151666 4039.
doi: 10.1177/0165551516664039
[4] 张斌, 马费成. 科学知识网络中的链路预测研究述评[J]. 中国图书馆学报, 2015, 41(3): 30-47.
[4] (Zhang Bin, Ma Feicheng.A Review on Link Prediction of Scientific Knowledge Network[J]. Journal of Library Science in China, 2015, 41(3): 30-47.)
[5] Lu L, Zhou T.Link Prediction in Complex Networks: A Survey[J]. Physica A: Statistical Mechanics and Its Applications, 2011, 390(6): 1150-1170.
doi: 10.1016/j.physa.2010.11.027
[6] Papadimitriou A, Symeonidis P, Manolopoulos Y.Fast and Accurate Link Prediction in Social Networking Systems[J]. Journal of Systems and Software, 2012, 8(5): 2119-2132.
doi: 10.1016/j.jss.2012.04.019
[7] Chen J, Geyer W, Dugan C, et al.Make New Friends, but Keep the Old: Recommending People on Social Networking Sites[C]////Proceedings of the 27th International Conference on Human Factors in Computing Systems (CHI). 2009: 201-210.
[8] Adamic L,Adar E.How to Search a Social Network[J]. Social Networks, 2005, 27(3): 187-203.
doi: 10.1016/j.socnet.2005.01.007
[9] Tan P N, Steinbach M, Kumar V.Introduction to Data Mining[M]. The 1st Edition. Boston: Addison Wesley, 2005: 65-84.
[10] Costa L da F, Rodrigues F A, Travieso G, et al. Characterization of Complex Networks: A Survey of Measurements[J]. Advances in Physics, 2007, 56(1): 167-242.
doi: 10.1080/00018730601170527
[11] Katz L.A New Status Index Derived from Scientometric Analysis[J]. Psychometrika, 1953, 18(1): 39-43.
doi: 10.1007/BF02289026
[12] Papadimitriou A, Symeonidis P, Manolopoulos Y.Fast and Accurate Link Prediction in Social Networking Systems[J]. Journal of Systems and Software, 2012, 8(5): 2119-2132.
doi: 10.1016/j.jss.2012.04.019
[13] Pan J, Yang H, Faloutsos C,et al.Automatic Multimedia Cross-modal Correlation Discovery[C]////Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Ming, Seattle, WA,USA. 2004: 653-658.
[14] Yan E, Guns R.Predicting and Recommending Collaborations: An Author-, Institution-, and Coutry-level Analysis[J]. Journal of Informetrics, 2014(8): 295-309.
doi: 10.1016/j.joi.2014.01.008
[15] 张斌. 科研合作网络中的链路预测研究[D]. 武汉: 武汉大学, 2016.
[15] (Zhang Bin.Research on Link Prediction of Scientific Collaboration Network [D]. Wuhan: Wuhan University, 2016.)
[16] 刘萍, 郑凯伦, 邹德安. 基于LDA模型的科研合作推荐研究[J]. 情报理论与实践, 2015, 38(9): 79-85.
doi: 10.16353/j.cnki.1000-7490.2015.09.016
[16] (Liu Ping, Zheng Kailun, Zou De’an.Research on Cooperative Recommendation Based on LDA Model[I]. Information Studies: Theory & Application, 2015, 38(9): 79-85.)
doi: 10.16353/j.cnki.1000-7490.2015.09.016
[17] 吕伟民, 王小梅, 韩涛. 结合链路预测和ET机器学习的科研合作推荐方法研究[J]. 数据分析与知识发现, 2017, 1(4): 38-45.
[17] (Lv Weiming, Wang Xiaomei, Han Tao.Recommending Scientific Research Collaborators with Link Prediction and Extremely Randomized Trees Algorithm[J]. Data Analysis and Knowledge Discovery, 2017, 1(4): 38-45.)
[18] Yue Y, Finley T, Radlinski F, et al.A Support Vector Method for Optimizing Average Precision[C]////Proceedings of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Amsterdam, Netherlands. New York: ACM, 2006:271-278.
[19] Zhou T, Lv L, Zhang Y C.Predicting Missing Links via Local Information[J]. European Physical Journal B - Condensed Matter and Complex Systems, 2009, 71(4): 623-630.
doi: 10.1140/EPJB/E2009-00335-8
[20] Evans T S, Lambiotte K, Panzarasa P.Community Structure and Patterns of Scientific Collaboration in Business and Management[J].Scientometrics, 2011, 9(1): 381-396.
doi: 10.1007/s11192-011-0439-1
[21] 巴志超, 李纲, 朱世伟. 基于知识超网络的科研合作行为实证研究和建模[J]. 情报学报, 2016, 35(6): 630-639.
doi: 10.3772/j.issn.1000-0135.2016.006.007
[21] (Ba Zhichao, Li Gang, Zhu Shiwei.Empirical Study and Modeling of Scientific Cooperation Behavior Based on Knowledge Hypernetwork[J]. Journal of the China Society for Scientific and Technical Information, 2016, 35(6): 630-639.)
doi: 10.3772/j.issn.1000-0135.2016.006.007
[1] 余传明,李浩男,王曼怡,黄婷婷,安璐. 基于深度学习的知识表示研究:网络视角*[J]. 数据分析与知识发现, 2020, 4(1): 63-75.
[2] 吕伟民, 王小梅, 韩涛. 结合链路预测和ET机器学习的科研合作推荐方法研究*[J]. 数据分析与知识发现, 2017, 1(4): 38-45.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn