结合链路预测和ET机器学习的科研合作推荐方法研究
2017-04-25分类号：G353.1
【部门】中国科学院文献情报中心 中国科学院大学 中国科学院科技战略咨询研究院
【摘要】【目的】结合链路预测与机器学习,提出推荐未来科研合作的新方法,以提高单独基于链路预测方法的推荐精确度。【方法】构建加权作者合作网,以不同的链路预测指标作为特征输入,运用极端随机树(Extremely Randomized Trees,ET)机器学习算法训练分类,并利用遍历算法求取分类结果的最优权重组合,选取TOP准确度的预测作为合作推荐结果。【结果】选取纳米科技领域2008年–2010年SCI论文数据进行实证。在城市合作推荐中,改进的ET方法优于已有方法,有良好的推荐成功率;预测方法受网络结构等因素影响较
【关键词】科研合作网络 链路预测 机器学习 随机森林 极端随机树 推荐
【基金】国家自然科学基金面上项目“科学结构特征及其演化动力学分析方法与应用研究”(项目编号:71173211)的研究成果之一
【所属期刊栏目】数据分析与知识发现
文献传递
