崔鴻飛，馮子函，張靖雨

（1. 北京科技大學經(jīng)濟管理學院，北京 100083；2. 北京航空航天大學經(jīng)濟管理學院，北京 100191；3. 愛丁堡大學商學院，愛丁堡 EH8 9JU）

0 引 言

隨著科研進程的不斷推進與發(fā)展，研究人員間的科研活動日趨復(fù)雜化、多樣化，獲得一項科研成果往往需要不同研究方向的研究者密切合作[1]，以及從不同研究主題中獲取新的靈感[2]。然而，由于各領(lǐng)域研究者不斷增多，潛在的合作者變得越來越多，隨著學術(shù)問題的研究日趨深入，研究者所面臨的知識爆炸問題也日趨嚴重。在這種情況下，研究者難以在有限的時間中，對自己領(lǐng)域內(nèi)外的潛在合作者和研究靈感進行全面了解。

與此同時，隨著信息技術(shù)的發(fā)展，互聯(lián)網(wǎng)上涌現(xiàn)了許多優(yōu)秀的科研文獻數(shù)據(jù)庫，如美國科學信息研究所創(chuàng)建的多學科核心期刊文獻數(shù)據(jù)庫Web of Science （www.webofknowledge.com）、美國國立醫(yī)學圖書館國家生物技術(shù)信息中心的醫(yī)學文獻數(shù)據(jù)庫PubMed（http://www.ncbi.nl.nih.gov/pubmed）等，收錄了其關(guān)注的各個領(lǐng)域的大量研究成果。這些成果主要以論文形式展示，囊括了作者的合作關(guān)系、作者對關(guān)鍵詞的選擇等大量科研行為。合理利用這些科研行為信息，個性化地提供潛在合作者和研究靈感的推薦列表以供篩選，對研究者來說，不僅可以有效地節(jié)約時間，更可以使其科學研究道路更具有方向性。

對科研論文中的科研行為信息進行挖掘，一種比較常見的做法是將大量論文中蘊含的科研關(guān)系抽象成同質(zhì)（homogeneous）[1,3-4]或異質(zhì)（heterogeneous）信息網(wǎng)絡(luò)（information network）[5-7]，各種科研主體（如作者、關(guān)鍵詞等）被抽象為網(wǎng)絡(luò)中的節(jié)點，對象間的各種聯(lián)系（如合著關(guān)系）被抽象成網(wǎng)絡(luò)中的邊。這種網(wǎng)絡(luò)化處理方法已經(jīng)被廣泛應(yīng)用于科研關(guān)系分析及推薦任務(wù)的研究中，并在數(shù)據(jù)整合、數(shù)據(jù)挖掘、科研合作關(guān)系理解、科研個性化推薦研究等方面做出了重要貢獻（詳見下文“相關(guān)研究”）。然而，這類研究往往具有兩個特點：其一，現(xiàn)有研究往往更關(guān)注科研共著關(guān)系（或科研合作者推薦），忽略了科研興趣方向推薦任務(wù)的研究；其二，現(xiàn)有研究往往基于同質(zhì)信息網(wǎng)絡(luò)，忽略了作者與機構(gòu)之間的從屬關(guān)系、作者與文章關(guān)鍵詞之間的學科領(lǐng)域與科研興趣關(guān)系當中蘊含的巨大信息量。在最新的一些研究中，已經(jīng)有學者開始關(guān)注并分析異質(zhì)信息網(wǎng)絡(luò)[5-7]，但這些研究引入異質(zhì)性的普遍目標依然是科研合作者推薦任務(wù)，或者即使涉及關(guān)鍵詞推薦，也缺乏對關(guān)鍵詞推薦正確率的量化分析。而完全從異質(zhì)性視角出發(fā)，分析作者與關(guān)鍵詞之間的關(guān)系，并為科研人員提供有效的關(guān)鍵詞推薦列表，激發(fā)科研人員的研究靈感，是非常重要且至今尚缺乏深入研究的主題。

在關(guān)鍵詞推薦和合作者推薦的雙任務(wù)推薦背景下，本研究希望探討與同質(zhì)信息網(wǎng)絡(luò)表示的視角相比，基于異質(zhì)信息網(wǎng)絡(luò)的節(jié)點表示與推薦方法是否更加適用。為此，本研究基于PubMed 文獻數(shù)據(jù)庫，選擇當前研究熱點之一，即生命組學及醫(yī)學相關(guān)的機器學習、深度學習領(lǐng)域，分析科研工作者之間以及科研工作者與領(lǐng)域關(guān)鍵詞之間的關(guān)系，同時解決合作者推薦與研究興趣推薦兩大任務(wù)。基于該領(lǐng)域2010—2021 年發(fā)表的13 萬篇論文，本研究濾除僅出現(xiàn)1 次的作者與關(guān)鍵詞，篩選出1.1 萬篇適合進行科研合作者及關(guān)鍵詞預(yù)測的文獻，從異質(zhì)性視角將文獻抽象成為包含作者、機構(gòu)、關(guān)鍵詞、論文多種主體的“科研異質(zhì)信息網(wǎng)絡(luò)”，并使用異質(zhì)信息網(wǎng)絡(luò)表示學習算法metapath2vec 進行網(wǎng)絡(luò)節(jié)點嵌入，生成一個同時對作者與關(guān)鍵詞進行語義化向量表示、充分體現(xiàn)作者研究興趣的異質(zhì)科研興趣空間，進而基于該異質(zhì)科研興趣空間同時完成科研合作者與科研關(guān)鍵詞推薦兩種任務(wù)，在兩種任務(wù)中均獲得更優(yōu)的表現(xiàn)。此外，本研究的關(guān)注點不僅在于推薦任務(wù)，還對網(wǎng)絡(luò)分析過程中生成的異質(zhì)科研興趣空間中蘊含的豐富語義信息開展進一步挖掘和研究，以證明該興趣空間對表示科研人員潛在研究方向的有效性，并在科研領(lǐng)域交叉與關(guān)聯(lián)的理解中提供啟發(fā)性方向。

1 相關(guān)研究

1.1 基于經(jīng)典網(wǎng)絡(luò)視角的科研推薦研究

“科研推薦”是存在于兩個科研主體（如作者、關(guān)鍵詞、機構(gòu)、期刊等）間的推薦任務(wù)的統(tǒng)稱，其背后包含了各種具體的推薦任務(wù)，如本研究主要關(guān)注的科研合作者推薦、科研關(guān)鍵詞推薦等。在網(wǎng)絡(luò)視角下，科研推薦的本質(zhì)是一種鏈接預(yù)測（link prediction），當模型預(yù)測兩個科研主體在網(wǎng)絡(luò)中有大概率產(chǎn)生聯(lián)系時，其中一個科研主體就會被推薦給與之匹配的另一個科研主體。

現(xiàn)有關(guān)于“科研推薦”的研究主要集中于科研合作者推薦，“科研網(wǎng)絡(luò)”是執(zhí)行這一推薦任務(wù)的主要載體。比如，張金柱等[1]構(gòu)建了作者-關(guān)鍵詞二分網(wǎng)絡(luò)，并使用基于路徑組合的網(wǎng)絡(luò)指標與邏輯回歸進行了科研合著預(yù)測；劉萍等[8]、關(guān)盼盼[9]以社交網(wǎng)絡(luò)理論為基礎(chǔ)，在作者關(guān)系的研究中引入隱含狄利克雷分布（latent Dirichlet allocation，LDA）來刻畫作者的研究興趣，進而實現(xiàn)科研合作者的推薦；余傳明等[3]、Yan 等[10]、呂偉民等[11]、秦紅武等[12]在作者合著網(wǎng)絡(luò)的分析中應(yīng)用了鏈接預(yù)測的特征指標，如Adamic-Adar index（AA）、common neighbors（CN）、Katz indices（Katz）等，其中，呂偉民等[11]、秦紅武等[12]分別將極端隨機樹、k-means 算法與這些指標結(jié)合，余傳明等[3]將基于路徑的與基于鄰居的網(wǎng)絡(luò)特征指標彼此間融合，以“特征融合”為基本思路完成科研合作推薦的任務(wù)。

上述研究的共同特點是基于網(wǎng)絡(luò)結(jié)構(gòu)指標特征，結(jié)合統(tǒng)計學習理論建立模型，實現(xiàn)對網(wǎng)絡(luò)鏈接關(guān)系進行預(yù)測的目標。這種方式非常依賴于模型開發(fā)者對網(wǎng)絡(luò)的理解和對特征的選擇經(jīng)驗，同時對于大規(guī)模數(shù)據(jù)集，這種傳統(tǒng)的網(wǎng)絡(luò)分析方法對計算力的要求非常高。隨著深度學習領(lǐng)域研究的創(chuàng)新與突破，網(wǎng)絡(luò)表示學習逐漸在科研推薦任務(wù)中得到越來越廣泛的應(yīng)用，這種方法直接通過模型訓(xùn)練從原始數(shù)據(jù)中自動提取特征，避免了對模型開發(fā)者經(jīng)驗的過度依賴；同時，在大規(guī)模網(wǎng)絡(luò)的計算方面，往往可以比傳統(tǒng)網(wǎng)絡(luò)分析方法具有更優(yōu)的速度，因此，在科研推薦研究中逐漸開始扮演重要角色。

1.2 基于網(wǎng)絡(luò)表示學習的科研推薦研究

網(wǎng)絡(luò)表示學習（network representation learning）是表示學習（representation learning）方法的一個重要分支。相關(guān)實驗已經(jīng)證明，將網(wǎng)絡(luò)表示學習算法應(yīng)用于鏈路預(yù)測等下游任務(wù)中，其表現(xiàn)往往優(yōu)于一些基于指標計算的傳統(tǒng)算法，在SDNE（structural deep network embedding）[13]與node2vec[14]等研究中皆可體現(xiàn)。隨著深度學習技術(shù)的不斷發(fā)展，這種以數(shù)據(jù)隱式特征提取為思路的研究方法，被廣泛應(yīng)用于科研行為數(shù)據(jù)的分析中。

在這些基于網(wǎng)絡(luò)表示學習的科研推薦研究工作中，學者們往往先構(gòu)建以推薦主體為節(jié)點的科研網(wǎng)絡(luò)，再利用各種網(wǎng)絡(luò)表示學習方法對網(wǎng)絡(luò)主體進行向量化表示。例如，張金柱等[1]使用網(wǎng)絡(luò)表示學習算法在合著網(wǎng)絡(luò)中對作者向量進行表示學習以完成科研合作預(yù)測任務(wù)；余傳明等[4]將不同網(wǎng)絡(luò)表示學習算法下的作者向量表示進行了加權(quán)平均融合，并基于此構(gòu)建科研合作推薦模型；張鑫等[15]將網(wǎng)絡(luò)表示學習算法生成的作者節(jié)點嵌入與基于作者主題模型生成的作者主題向量表征進行線性特征融合，用于作者合作預(yù)測。上述研究的相似點在于它們的同質(zhì)性視角：在這些研究中，被進行表示學習的網(wǎng)絡(luò)都是科研合作網(wǎng)絡(luò)，或稱“共著網(wǎng)絡(luò)”，其本質(zhì)是一種僅包含作者節(jié)點，并以作者合作關(guān)系為邊的同質(zhì)信息網(wǎng)絡(luò)。因此，上述研究中所利用的網(wǎng)絡(luò)表示學習算法都屬于同質(zhì)信息網(wǎng)絡(luò)嵌入方法，如Deep-Walk、node2vec、LINE （large-scale information network embedding）、SDNE 等。

事實上，在科研關(guān)系預(yù)測問題中，同質(zhì)的作者合作關(guān)系僅是豐富科研行為信息中的冰山一角。一個直觀的靈感是，如果把作者與研究機構(gòu)的從屬關(guān)系、作者對關(guān)鍵詞的選取關(guān)系等信息融入網(wǎng)絡(luò)進行挖掘，在科研關(guān)系預(yù)測中可能會獲得更好的效果。隨著網(wǎng)絡(luò)表示學習方法的不斷發(fā)展，異質(zhì)信息網(wǎng)絡(luò)表示學習方法越來越成熟，學者們對科研網(wǎng)絡(luò)的構(gòu)建與分析，自然而然地轉(zhuǎn)向了異質(zhì)信息網(wǎng)絡(luò)表示學習方法。劉云楓等[5]在網(wǎng)絡(luò)構(gòu)建時引入作者、關(guān)鍵詞、機構(gòu)、論文、出版物多種主體，提出了一種基于不同元路徑的多關(guān)系映射方法以獲取表示學習的語料庫；王鑫[7]在異質(zhì)信息網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)上，提出了一種基于屬性網(wǎng)絡(luò)表示和主題感知的學術(shù)合作者推薦（topic-aware academic collaborator recommendation based on attributed network representation learning，TACR-ANRL）算法。這些研究通過在網(wǎng)絡(luò)中引入異質(zhì)信息，對作者向量給出了更精準的表示，從而獲得了更優(yōu)的合作者推薦結(jié)果。在本研究關(guān)注的另一個重要推薦任務(wù)即關(guān)鍵詞推薦方面，相關(guān)研究非常缺乏。其中一項優(yōu)秀的先驅(qū)性研究來自林原等[16]，該研究將作者、地址、關(guān)鍵詞3 種信息用于構(gòu)建科研異質(zhì)信息網(wǎng)絡(luò)，利用node2vec 方法進行網(wǎng)絡(luò)嵌入后，為科研工作者推薦了合作者、機構(gòu)與關(guān)鍵詞。在這項研究中，雖然科研網(wǎng)絡(luò)為異質(zhì)信息網(wǎng)絡(luò)，但圖嵌入算法依然為同質(zhì)信息網(wǎng)絡(luò)表示學習算法，這種方式是否能充分發(fā)揮異質(zhì)信息網(wǎng)絡(luò)的異質(zhì)性優(yōu)勢，有待進一步討論。同時，這項研究并未設(shè)計相關(guān)指標對合作者與關(guān)鍵詞的推薦正確率進行評估。這些方面非常值得進一步探索。已有很多網(wǎng)絡(luò)表示學習算法，如經(jīng)典的以隨機游走為基礎(chǔ)的metapath2vec[17]和在其基礎(chǔ)上從不同角度改進的spacey[18]、 JUST[19]、 BHIN2vec （balanced heterogeneous information network to vector）[20]、HHNE（hyperbolic heterogeneous information network embedding model）[21]等，以矩陣分解為基礎(chǔ)的PME（projected metric embedding model）[22]、 EOE （embedding of embedding）[23]等，以及近年來不斷涌現(xiàn)的深度學習方法GATNE（general attributed multiplex heterogeneous network embedding）[24]、 MAGNN （metapath aggregated graph neural network）[25]、HGT（heterogeneous graph transformer）[26]等，這些算法均能夠應(yīng)用于異質(zhì)信息網(wǎng)絡(luò)表示學習，其中部分算法被證明在一些作者合作網(wǎng)絡(luò)的鏈路預(yù)測任務(wù)中可以獲得良好效果[17,27-28]?；谶@些算法，本課題組的一項預(yù)研究工作[29]驗證了基于metapath2vec 的網(wǎng)絡(luò)表示學習方法，所得到的作者與其所發(fā)表過的關(guān)鍵詞之間的平均距離顯著低于該作者與隨機選擇的關(guān)鍵詞之間的距離，這為本研究的雙目標推薦系統(tǒng)提供了充分的可行性依據(jù)。

此外，盡管網(wǎng)絡(luò)表示學習的方法有效地提升了科研推薦任務(wù)的效果，但對科研主體嵌入表示結(jié)果的解釋和分析研究仍較為缺乏。從向量空間中深入分析同質(zhì)或異質(zhì)科研主體之間的位置和聚集關(guān)系，尤其是關(guān)鍵詞空間或關(guān)鍵詞相關(guān)的作者空間的分析，會為理解科研工作者視角下的領(lǐng)域定位、領(lǐng)域之間相關(guān)性與領(lǐng)域差異，提供豐富的可解釋性資源。因此，本研究不但在異質(zhì)信息網(wǎng)絡(luò)構(gòu)建、網(wǎng)絡(luò)表示學習算法使用、推薦模型構(gòu)建與評估等各方面進行了更深一步的探索，而且完成了科研合作者與科研興趣推薦的任務(wù)，并對嵌入的向量空間進行了全局與個體視角的深入可視化分析。這些工作將為現(xiàn)有的科研推薦研究工作提供新的分析角度，研究結(jié)論也將為科研人員理解領(lǐng)域交叉、尋找新的研究方向提供靈感。

2 研究思路和方法

2.1 研究思路

本研究的整體思路如圖1 所示。本研究聚焦于生命組學及醫(yī)學相關(guān)的機器學習、深度學習大領(lǐng)域，收集了2010—2021 年發(fā)表的13 萬篇科研論文，并根據(jù)數(shù)據(jù)記錄質(zhì)量、作者出現(xiàn)次數(shù)等標準（詳見3.1 節(jié)），從中篩選出1.1 萬篇，構(gòu)成適合進行科研合作者及關(guān)鍵詞推薦的科研數(shù)據(jù)集?；谧髡?、機構(gòu)、關(guān)鍵詞、論文信息，為了說明異質(zhì)視角處理科研關(guān)鍵詞及合作者推薦任務(wù)時相較于傳統(tǒng)同質(zhì)視角的效果差異，本研究構(gòu)建了基于科研行為的異質(zhì)信息網(wǎng)絡(luò)（簡稱“異質(zhì)科研行為信息網(wǎng)絡(luò)”），并使用經(jīng)典的異質(zhì)信息網(wǎng)絡(luò)表示學習算法metapath2vec學習這些科研主體在異質(zhì)信息網(wǎng)絡(luò)所抽象的科研行為背后的語義信息，得到作者、機構(gòu)、關(guān)鍵詞、論文4 種科研主體的向量表示。根據(jù)metapath2vec 算法的特性，上述4 種向量可以在同一個空間進行分析，本研究稱之為“異質(zhì)科研興趣空間”，在此空間中，距離的遠近表示同質(zhì)或異質(zhì)主體之間的相關(guān)程度，利用這種特性，分別計算不同科研主體的向量表示之間的相似度，并基于該相似度完成科研推薦任務(wù)；同時，針對該情景定義相應(yīng)的評價指標，對推薦結(jié)果的正確率進行評價。

本研究的推薦任務(wù)包括科研合作者推薦和關(guān)鍵詞推薦?？紤]到推薦任務(wù)的一致性，本研究選取了現(xiàn)有研究中同時涉及這兩項任務(wù)的林原等[16]的研究作為對比基線方法，該方法采用同質(zhì)信息網(wǎng)絡(luò)表示學習方法對異質(zhì)信息網(wǎng)絡(luò)進行分析，在合作者與科研關(guān)鍵詞方面均給出了參考性的推薦結(jié)果。進一步將該結(jié)果的正確率指標化（詳見2.5 節(jié)），并將其與本研究的推薦結(jié)果進行比較。此外，本研究的數(shù)據(jù)集規(guī)模較為龐大（訓(xùn)練集共3.9 萬個節(jié)點），考慮到基線方法原始選取的同質(zhì)信息網(wǎng)絡(luò)表示學習方法node2vec 在大型數(shù)據(jù)集上所需內(nèi)存極大，運行時間長，在實際應(yīng)用中的計算效率受限，本研究采用速度更快、更適合大型數(shù)據(jù)集[30]，且正確率表現(xiàn)不亞于node2vec[17-18,31-32]的方法LINE 作為替代，用于分析在異質(zhì)信息網(wǎng)絡(luò)的節(jié)點表示方面，異質(zhì)信息網(wǎng)絡(luò)表示學習算法相較于同質(zhì)信息網(wǎng)絡(luò)表示學習算法的特性。

2.2 異質(zhì)科研行為信息網(wǎng)絡(luò)的建立與嵌入

2.2.1 異質(zhì)科研行為信息網(wǎng)絡(luò)的建立

本研究構(gòu)建的異質(zhì)科研行為信息網(wǎng)絡(luò)GHeter，包含的節(jié)點種類集合為TV={A,K,P,O}，A、K、P、O分別代表作者（author）、關(guān)鍵詞（keyword）、論文（paper）、機構(gòu)（organization）4 種網(wǎng)絡(luò)節(jié)點；包含的邊種類集合為TE={(O,A),(A,P),(P,K)}，(O,A)、(A,P)、(P,K)分別代表作者相對于機構(gòu)的從屬關(guān)系、作者相對于論文的發(fā)表關(guān)系、論文相對于關(guān)鍵詞的包含關(guān)系3 種邊。異質(zhì)科研行為信息網(wǎng)絡(luò)中節(jié)點與邊的具體抽象方式如圖2a 所示。

圖2 科研行為信息網(wǎng)絡(luò)構(gòu)建方法

值得注意的是，該網(wǎng)絡(luò)為無向網(wǎng)絡(luò)，且作者A與機構(gòu)O節(jié)點間通過邊(O,A)直接相連；本研究在作者A與關(guān)鍵詞K這兩類節(jié)點間引入了論文P，并使用邊(A,P)和(P,K)相連兩者。一方面，相比于將作者A與關(guān)鍵詞K通過邊(A,K)直接相連，這種做法能夠顯著減少邊的條數(shù)；另一方面，能更好地還原關(guān)鍵詞與作者在現(xiàn)實語義上的聯(lián)系。

2.2.2 異質(zhì)信息網(wǎng)絡(luò)表示學習與元路徑

本研究選擇了一種基于網(wǎng)絡(luò)結(jié)構(gòu)的異質(zhì)信息網(wǎng)絡(luò)表示學習算法——metapath2vec，用于盡量完整地表征網(wǎng)絡(luò)結(jié)構(gòu)。該算法在異質(zhì)信息網(wǎng)絡(luò)中使用元路徑引導(dǎo)的隨機游走策略來捕獲不同類型節(jié)點和關(guān)系的結(jié)構(gòu)以及語義相關(guān)性，然后利用針對異質(zhì)節(jié)點的skip-gram 模型執(zhí)行網(wǎng)絡(luò)嵌入。該模型在提出時已經(jīng)被證明當其用于一個計算機領(lǐng)域會議論文科研數(shù)據(jù)集時，可以有效地挖掘會議之間的聯(lián)系，并能在一定程度上反映作者之間的研究方向關(guān)聯(lián)（雖然該研究并未展示其在作者合作關(guān)系與關(guān)鍵詞興趣方面的挖掘效果）。

在metapath2vec 算法中，采樣時的隨機游走需要根據(jù)指定的元路徑（meta-path） 進行[17]，其中“元路徑”

被定義在一種固定的R=R1?R2?… ?Rl-1復(fù)合關(guān)系上，用于拓展網(wǎng)絡(luò)節(jié)點之間的語義關(guān)聯(lián)。本研究參考了一種常被應(yīng)用于科研主題數(shù)據(jù)集如DBIS（database and information system）[33]、AMiner[34]等的有效元路徑方案，并結(jié)合異質(zhì)科研行為信息網(wǎng)絡(luò)中的節(jié)點和節(jié)點間的語義關(guān)系，定義了元路徑“OA-P-K-P-A-O”用于指導(dǎo)算法采樣時的隨機游走。該條元路徑包含了網(wǎng)絡(luò)中的所有類型節(jié)點，在隨機游走過程中能夠直接采樣作者對關(guān)鍵詞的使用關(guān)系（體現(xiàn)在A-P-K與K-P-A）。此外，還包括作者與機構(gòu)的從屬關(guān)系（體現(xiàn)在O-A與A-O）、作者與作者因關(guān)鍵詞興趣而產(chǎn)生的關(guān)聯(lián)（體現(xiàn)在A-P-K-P-A）等各類聯(lián)系。使用這樣的元路徑能夠?qū)⒏嗟恼Z義融合于算法生成的嵌入向量中，從而在下游任務(wù)中實現(xiàn)更可靠的關(guān)鍵詞與合作者推薦。

2.3 基線方法中的科研行為網(wǎng)絡(luò)建立與嵌入

基于林原等[16]研究中的網(wǎng)絡(luò)構(gòu)建方式與網(wǎng)絡(luò)表示學習思維，本研究將相同的科研行為數(shù)據(jù)建立成為基線科研行為網(wǎng)絡(luò)GBaseline。在該網(wǎng)絡(luò)中，節(jié)點種類依舊包括作者（A）、機構(gòu)（O）、關(guān)鍵詞（K），邊則刻畫了作者間的合作關(guān)系（author-author，AA）、作者相對于機構(gòu)的從屬關(guān)系（author-organization，A-O）、作者相對于關(guān)鍵詞的使用關(guān)系（author-keyword，A-K）、機構(gòu)間的合作關(guān)系（organization-organization，O-O） 以及機構(gòu)相對于關(guān)鍵詞的使用關(guān)系（organization-keyword，O-K）?；€科研行為網(wǎng)絡(luò)中節(jié)點與邊的具體抽象方式見圖2b。

根據(jù)基線算法的原設(shè)計，本研究采用同質(zhì)信息網(wǎng)絡(luò)表示學習方法對基線科研行為網(wǎng)絡(luò)GBaseline中的節(jié)點進行嵌入表示。考慮到對大型數(shù)據(jù)集的適配，本研究使用同質(zhì)信息網(wǎng)絡(luò)表示學習方法LINE 替代原基線算法設(shè)計中的node2vec（詳見2.1 節(jié)），用于探索利用基于同質(zhì)的方法處理異質(zhì)信息網(wǎng)絡(luò)時會發(fā)生的現(xiàn)象。LINE 算法使用KL （Kullback-Leibler）散度作為損失函數(shù)，計算節(jié)點相似度在向量表示下的概率分布與實際網(wǎng)絡(luò)中的經(jīng)驗分布之間的差異，并經(jīng)過優(yōu)化獲得每個節(jié)點的低維向量表示。

2.4 科研主體間的相似度計算方法

得到作者、關(guān)鍵詞等科研主體的向量表示后，本研究通過向量間的相似度來表征不同科研對象間的“距離”，相似度越高，表示兩個對象在異質(zhì)科研興趣空間中的距離越近，越可能存在潛在的關(guān)聯(lián)。本研究選擇余弦相似度作為向量間的相似度的度量。向量X=(X1,X2,…,Xn)與向量Y=(Y1,Y2,…,Yn)間的相似度sim (X,Y)的計算公式為

其中，向量X與向量Y可以是同類型的科研主體，如作者向量Ai與作者向量Aj；也可以是不同類型的科研主體，如作者向量Ai與關(guān)鍵詞向量Kj。具體的科研主體類型由推薦任務(wù)本身的需求決定。

2.5 推薦模型及其評價指標

本研究是雙任務(wù)目標，即可以同時完成科研關(guān)鍵詞推薦和科研合作者推薦。為了在推薦任務(wù)中充分為用戶提供新信息，本研究以科研主體間的相似度為標準，在篩除用戶已經(jīng)使用過的關(guān)鍵詞或已經(jīng)合作過的作者后，再進行top-n推薦。在科研關(guān)鍵詞推薦任務(wù)中，本研究為作者推薦其在異質(zhì)科研興趣空間中最接近（即向量相似度最大）的且未使用過的n個關(guān)鍵詞。類似地，在科研合作者推薦任務(wù)中，與被推薦作者向量相似度最大的n個未合作過的作者將被推薦。

在評價指標方面，由于科研推薦任務(wù)與很多其他領(lǐng)域（如電影推薦等）的推薦任務(wù)有相通之處，本研究參考了電影推薦場景中衡量推薦效果的指標[35]，利用“用戶命中率（hit user proportion，HUP）”來描述在未來一段時間（即測試集時間范圍）內(nèi)使用了模型推薦的關(guān)鍵詞或合作者的作者比例，計算公式為

其中，U表示測試集中的作者總數(shù)；Ii表示第i名作者在測試集中是否使用了模型推薦的關(guān)鍵詞或合作者，若使用過，則Ii= 1，否則，Ii= 0。HUP 指標能夠描述推薦列表在現(xiàn)實中將為多大比例的作者提供幫助，HUP 值越大，表示推薦的效果越好。

3 實驗與分析

3.1 數(shù)據(jù)獲取與預(yù)處理

本研究使用的數(shù)據(jù)集來自生物醫(yī)學和健康科學領(lǐng)域的PubMed（https://pubmed.ncbi.nlm.nih.gov/）數(shù)據(jù)庫，它是當今國際最權(quán)威的醫(yī)學文獻數(shù)據(jù)庫之一Medline 的免費檢索工具，由美國國立醫(yī)學圖書館開發(fā)，也是生物醫(yī)學及健康領(lǐng)域使用最廣泛的互聯(lián)網(wǎng)文獻檢索工具。近年來，深度學習方法發(fā)展迅猛，在生物與醫(yī)學領(lǐng)域也產(chǎn)生了深刻的影響。同時，PubMed 還有一套非常全面且規(guī)范的主題詞表（medical subject headings，MeSH），其將論文中可能出現(xiàn)的各種科研概念的書寫形式進行了嚴格的控制和規(guī)范，并對每一篇論文進行了主題詞標注，可以認為，PubMed 數(shù)據(jù)庫中的MeSH 主題詞比作者在撰寫論文時標注的關(guān)鍵詞更加全面、規(guī)范和準確，因此，采用MeSH 主題詞作為關(guān)鍵詞的代表。本研究下載了2010 年1 月1 日至2021 年2 月28 日發(fā)表的所有深度學習、機器學習相關(guān)的主題論文，檢索式為“(deep learning) OR (machine learning) OR (neural network)”，共下載131691 篇。

由于文化原因和語言習慣，英文姓名往往存在著大量重名。為了明確區(qū)分同名作者，避免在研究中將不同的科研實體混淆，本研究使用作者所屬機構(gòu)字段對作者姓名進行了消歧處理[29]。簡而言之，若兩篇論文中某兩名作者所留姓名相同且其所屬的若干機構(gòu)中存在相同所屬機構(gòu)，則這兩名作者將被視為同一個作者，并使用相同的作者ID 進行標識。

鑒于各文獻所屬期刊的記錄習慣不同，為了按照統(tǒng)一的時間字段劃分數(shù)據(jù)集，本研究選取相關(guān)文獻數(shù)最多的時間字段，即PubMed 收錄時間，作為劃分訓(xùn)練集與測試集的標準。共有108477 篇論文擁有此字段，其中2010—2019 年發(fā)表的論文77467篇，2020 年及以后發(fā)表的論文31010 篇。訓(xùn)練集為構(gòu)建異質(zhì)科研行為信息網(wǎng)絡(luò)和后續(xù)分析科研興趣空間的基礎(chǔ)。由于關(guān)鍵詞推薦是本研究的重要目標之一，在進行數(shù)據(jù)清洗過程中，本研究將沒有關(guān)鍵詞字段的論文直接剔除。同時，由于僅出現(xiàn)一次的作者節(jié)點和關(guān)鍵詞節(jié)點在網(wǎng)絡(luò)中無法起到鏈接不同論文的作用，也無法用于推薦正確率的測試，無法提供額外的語義信息，因此，本研究對作者與關(guān)鍵詞的累計出現(xiàn)次數(shù)進行了篩選，將所有只出現(xiàn)一次的作者與關(guān)鍵詞剔除。清洗后的訓(xùn)練集剩余10670 篇論文。在測試集中，為了充分測試為已有論文發(fā)表的研究者推薦關(guān)鍵詞或合作者的效果，本研究僅保留在訓(xùn)練集中出現(xiàn)過的作者和與其相關(guān)的機構(gòu)、關(guān)鍵詞、論文數(shù)據(jù)，清洗后的測試集剩余485 篇論文，其與清洗后的訓(xùn)練集共同組成適合進行科研推薦研究的高質(zhì)量數(shù)據(jù)集。最終數(shù)據(jù)集情況如表1所示。

表1 數(shù)據(jù)集情況

3.2 推薦模型評價

為評價本研究方法的推薦效果，從兩個角度對模型進行評價。從定量角度，基于上述以2020 年1月1 日為界的訓(xùn)練集和測試集，利用訓(xùn)練集的數(shù)據(jù)進行表示學習，并在測試集中驗證推薦效果，通過與基線方法的效果進行比較分析，來說明本研究方法的優(yōu)勢和可靠性。從定性角度，在推薦結(jié)果中隨機選取了一些案例，對照測試集中的真實數(shù)據(jù)，用于對模型效果進行更形象和具體的說明。

3.2.1 定量評價指標

基于預(yù)處理后的訓(xùn)練集，分別采用本研究方法（詳見2.2 節(jié)）與基線方法（詳見2.3 節(jié)）構(gòu)建異質(zhì)科研行為信息網(wǎng)絡(luò)GHeter與基線科研行為網(wǎng)絡(luò)GBaseline，并分別進行節(jié)點嵌入表示，最終得到兩個不同的向量空間。本研究分別基于這兩個向量空間，按照向量相似度指標從高到低排序，進行合作者與關(guān)鍵詞的top-n推薦（詳見2.4 節(jié)），并剔除訓(xùn)練集中已經(jīng)與被推薦作者產(chǎn)生過聯(lián)系的推薦對象，對兩種方法分別計算用戶命中率（HUP）（詳見2.5節(jié)）?？蒲泻献髡吲c關(guān)鍵詞推薦的top-10、top-20、top-50 和top-100 推薦結(jié)果如表2 所示。由于本研究方法使用的metapath2vec 與基線方法使用的LINE 在嵌入表示時均具有一定的隨機性，為避免因單次實驗結(jié)果的浮動而導(dǎo)致對比不公平，本研究將實驗重復(fù)5 次，表2 所示為所有實驗結(jié)果的平均值。

表2 推薦模型的HUP對比 %

結(jié)果表明，在關(guān)鍵詞推薦任務(wù)中，本研究方法在所有推薦級別的用戶命中率均高于基線方法，尤其是在top-20 以上的推薦級別，本研究方法的效果有非常明顯的優(yōu)勢，均有約1/3 的提升。在進行top-100 推薦時，本研究方法的用戶命中率可達31.49%；而由于本研究方法僅推薦了用戶沒有使用過的關(guān)鍵詞，這意味著瀏覽本研究方法的推薦列表將為近1/3 的用戶提供新的靈感。

在合作者推薦任務(wù)中，本研究方法并非在所有情況下都優(yōu)于基線方法。在進行top-10 與top-20 級別推薦時，本研究方法表現(xiàn)優(yōu)于基線方法，分別改善39.75%和13.11%；而在進行top-50 與top-100 級別推薦時，用戶命中率較基線方法略低，分別下降8.79%和14.87%。盡管如此，依然可以看到，本研究方法傾向于把對用戶信息量最大的結(jié)果集中在頭部，在選取較小的推薦數(shù)量時，即可展現(xiàn)出較為優(yōu)越的推薦效果，這種情況在top-10 級別時現(xiàn)得尤其明顯，提升近40%。

由表2 可以看到，與基線方法相比，本研究方法在合作者推薦方面能獲得同樣理想的結(jié)果，并且更傾向于把有效結(jié)果集中在頭部推薦結(jié)果中；在關(guān)鍵詞推薦方面，本研究方法則具備極大的優(yōu)勢，改善效果十分明顯。值得深思的是，在本研究方法構(gòu)建的異質(zhì)科研行為信息網(wǎng)絡(luò)中，作者節(jié)點A與關(guān)鍵詞節(jié)點K并沒有直接相連；反而在基線方法的科研行為網(wǎng)絡(luò)構(gòu)建中，作者節(jié)點與關(guān)鍵詞節(jié)點被直接連接。相較于兩種節(jié)點直接相連的基線方法，沒有直接相連的異質(zhì)科研行為信息網(wǎng)絡(luò)在進行嵌入表示后所得到的作者向量A與其關(guān)鍵詞向量K之間相似度更高。其中的主要區(qū)別是，在基線方法中，雖然目標網(wǎng)絡(luò)是異質(zhì)信息網(wǎng)絡(luò)，但網(wǎng)絡(luò)嵌入方法是基于同質(zhì)的方法，導(dǎo)致異質(zhì)節(jié)點被當作同質(zhì)節(jié)點進行嵌入表示，失去了異質(zhì)節(jié)點之間本來的語義信息；而本研究充分考慮到這一點，通過異質(zhì)信息網(wǎng)絡(luò)嵌入方法充分挖掘異質(zhì)科研主體之間的語義相關(guān)性，在為作者推薦關(guān)鍵詞這種異質(zhì)性推薦任務(wù)中，獲得了非常明顯的優(yōu)勢。

此外，為了衡量推薦模型的穩(wěn)定性，本研究還計算了5 次重復(fù)實驗中HUP 值的方差，結(jié)果如表3所示?？梢钥吹剑狙芯糠椒ㄖ械哪Ｐ驮趦煞N推薦任務(wù)的各個推薦級別中，方差均小于基線方法，尤其在合作者推薦方面更為明顯，可以認為基于異質(zhì)信息網(wǎng)絡(luò)嵌入表示的推薦模型具有更優(yōu)的穩(wěn)定性。

表3 推薦模型的穩(wěn)定性對比 %

3.2.2 定性推薦案例

在真實的合作者推薦任務(wù)中，對于推薦清單中的潛在合作者，科研人員需要從論文、學術(shù)關(guān)系方面對被推薦者進行了解，并通過郵件、會議等渠道進行充分溝通，才會真正產(chǎn)生合作意向，因此，合作者推薦的清單宜少而精（如10 人）。因此，選取了3 個有代表性的top-10 合作者推薦案例，用于說明本研究方法的推薦效果，如表4 所示。

表4 合作者推薦結(jié)果舉例

表4 展示了相同單位、相同國家不同單位、不同國家不同單位3 種合作者推薦的情況。對于一些研究方向較為集中的單位，同一領(lǐng)域的研究者通常人數(shù)較多，相互之間學術(shù)交流較為充分，學者之間的表示向量往往更加相似，因此，在top-10 合作者推薦時，更容易推薦本單位的研究者。例如，美國德克薩斯大學健康科學中心生物醫(yī)學信息學院的Yuqi Si，被預(yù)測成功的是來自他同單位的合作者Kirk Roberts，這也是他在測試集中的唯一新合作者。Kirk Roberts 曾與同單位的另一學者Hua Xu 以共同通信作者的方式合作發(fā)表文章，而Yuqi Si 則曾經(jīng)參與過Hua Xu 的其他文章工作。此后，以Yuqi Si 為第一作者、Kirk Roberts 為通信作者的方式展開了合作。此外，本研究方法也會對不同單位的研究人員進行有效的推薦。例如，來自韓國VUNO 公司的Yeha Lee，2020 年以來共有3 位新合作者，均來自韓國世宗醫(yī)院，其中Ki-Hyun Jeon 被本研究算法預(yù)測成功。雖然以前從未合作過，但他們有一個共同的合作者，來自韓國世宗醫(yī)院的Joon-Myoung Kwon。來自不同國家的研究者也會被推薦，如Muhammed Talo 來自土耳其Munzur 大學的計算機工程系，其測試集中的唯一新合作者被本研究方法預(yù)測成功，新合作者是新加坡國家心臟中心的Ru-San Tan。這兩位研究者雖然以前從未合作過，但他們都各自與對方單位的其他研究人員進行過合作?？梢钥吹剑诒狙芯磕Ｐ蛯撛诤献髡叩耐扑]過程中，有效抓取了作者以往合作關(guān)系網(wǎng)絡(luò)中蘊含的信息。

在關(guān)鍵詞推薦任務(wù)中，目標是為科研工作者提供潛在的興趣方向。在此場景下，科研人員往往通過自身的研究經(jīng)驗和適度的相關(guān)文獻查詢，即可從推薦的關(guān)鍵詞列表中提取自己真正感興趣的主題。因此，用戶對關(guān)鍵詞推薦列表的信息處理成本較低，可以推薦較多關(guān)鍵詞（如50 或100 個）供用戶參考。

表5 展示了隨機選取的3 個top-50 關(guān)鍵詞推薦案例。Robert Whelan 來自愛爾蘭都柏林圣三一大學，本研究方法為其推薦成功的關(guān)鍵詞為“沖動行為/生理學”，這個關(guān)鍵詞在其訓(xùn)練集數(shù)據(jù)中并沒有字面上非常貼近的表述，3 個比較接近的關(guān)鍵詞為“前額葉皮層/診斷成像/生理病理學”“延遲貼現(xiàn)/生理學”和“新紋狀體/診斷成像和生理病理學”，因為大腦前額葉皮層受損會導(dǎo)致沖動控制能力降低，紋狀體也和沖動行為的可能性成正相關(guān)，而延遲折扣則是研究沖動行為的重要視角之一。這說明本研究模型可以從醫(yī)學語義方面對關(guān)鍵詞進行理解并推薦。同時，推薦列表中的一部分其他關(guān)鍵詞也與Robert Whelan 在測試集中使用的新關(guān)鍵詞高度相關(guān)，如“神經(jīng)網(wǎng)絡(luò)/診斷成像/生理學/生理病理學”“功能神經(jīng)成像/方法”“心理/生理學理論”等，分別與作者實際的“神經(jīng)網(wǎng)絡(luò)/診斷成像/生理學”“功能神經(jīng)成像”“心理/生理學”等非常接近。另外，兩位研究者獲得的關(guān)鍵詞推薦列表也有類似現(xiàn)象。例如，美國斯坦福大學計算機科學系的Jure Leskovec，除推薦了與實際使用“RNA 序列分析”“RNA/遺傳學”等高度相關(guān)的關(guān)鍵詞“序列分析”“RNA/方法”“外顯子”以外，還推薦了與骨關(guān)節(jié)炎在醫(yī)學上高度相關(guān)的“樹突狀細胞/免疫學”“T淋巴細胞亞群/免疫學”等，而這些在訓(xùn)練集上并無直接關(guān)聯(lián)的關(guān)鍵詞，應(yīng)是綜合研究者的合作關(guān)系與關(guān)鍵詞使用綜合推薦的結(jié)果；日本大阪大學醫(yī)學研究生院眼科的Atsuya Miki，在命中“青光眼、開角/診斷成像/生理病理”等關(guān)鍵詞之外，還推薦了大量直接包含“青光眼”的關(guān)鍵詞，這些應(yīng)是通過與訓(xùn)練集中的“眼內(nèi)壓/生理學”和“房角鏡檢查”在醫(yī)學語義上的相關(guān)性進行推薦的。由此可見，在本研究方法的關(guān)鍵詞推薦過程中，確實能基于醫(yī)學語義相關(guān)性進行有效的推薦。

表5 關(guān)鍵詞推薦舉例

3.3 異質(zhì)向量空間的語義分析

上述實驗結(jié)果證明，本研究方法具有更好的推薦效果，其核心在于使用異質(zhì)信息網(wǎng)絡(luò)表示學習算法metapath2vec 生成的異質(zhì)向量空間（異質(zhì)科研興趣空間），這個空間可以同時表示作者之間、關(guān)鍵詞之間以及作者與關(guān)鍵詞之間富含語義相關(guān)性的豐富信息。為了呈現(xiàn)這種語義相關(guān)性，本研究重新使用全部數(shù)據(jù)集，刨除沒有關(guān)鍵詞字段的論文以及僅出現(xiàn)一次的作者節(jié)點和關(guān)鍵詞節(jié)點后，構(gòu)建異質(zhì)科研興趣空間，并對其中包含的關(guān)鍵詞向量與作者向量分別進行可視化與語義分析。本研究使用t-SNE（t-distributed stochastic neighbor embedding） 算法，將關(guān)鍵詞向量與作者向量同時映射到二維平面，并結(jié)合關(guān)鍵詞與作者的特點，進行可視化及相關(guān)討論。

3.3.1 關(guān)鍵詞向量空間

本研究涉及的所有關(guān)鍵詞在異質(zhì)科研興趣空間中的低維分布如圖3 所示?？梢钥吹剑M管各關(guān)鍵詞向量廣泛分散于整個向量空間中，其局部依然展示了非常明顯的聚集現(xiàn)象。語義相近或邏輯相關(guān)的關(guān)鍵詞會聚集分布在近似的區(qū)域，即關(guān)鍵詞向量具有“語義聚集”的特點。例如，在圖3 中，空間第二象限框出的幾個關(guān)鍵詞均傾向于與“空氣污染（air pollution）”話題相關(guān)，這個區(qū)域除該關(guān)鍵詞本身，還包括“空氣污染物/分析（air pollutants/analysis）”“顆粒物（particulate matter）”“二氧化氮（nitrogen dioxide） ”“氣溶膠/分析（aerosols/analysis） ”以及“氣象學（meteorology）”等。有趣的是，“早產(chǎn)/化學誘導(dǎo)（premature birth/chemically induced） ” 和“環(huán)境暴露（environmental exposure）”等關(guān)鍵詞也在此區(qū)域內(nèi)。事實上，環(huán)境暴露主要是指以各種形式接觸環(huán)境中的污染物，而空氣污染是最普遍、影響最廣泛的暴露因素之一。近年來，隨著國內(nèi)外科學界對空氣污染的關(guān)注，在空氣污染暴露與妊娠結(jié)局相關(guān)性方面，涌現(xiàn)了越來越多的研究，其中包括空氣中各類污染物對早產(chǎn)的影響。在關(guān)鍵詞空間的其他區(qū)域，也存在著這樣表面看似不相關(guān)，卻在科學研究中聯(lián)系密切的關(guān)鍵詞語義聚集現(xiàn)象。比如，空間最右側(cè)框出的“農(nóng)作物育種”區(qū)域，盡管大部分關(guān)鍵詞都和農(nóng)作物種子的分類與培育直接相關(guān)，如“種子/分類（seeds/classification） ”和“發(fā)芽（germination）”等，但同時也存在著“高光譜成像（hyperspectral imaging）”這樣表面上無關(guān)，但在科研語義上高度相關(guān)的關(guān)鍵詞，這是因為高光譜成像可以在分析種子活性、活力、潛在缺陷、凈度等問題上發(fā)揮巨大作用。

圖3 關(guān)鍵詞空間

為了進一步研究局部區(qū)域中關(guān)鍵詞遠近分布的細節(jié)特性，本研究選取了圖3 右上側(cè)作為示例區(qū)域并進行局部放大，研究各個關(guān)鍵詞向量的詞義和位置（圖4a）。該區(qū)域明顯與遺傳發(fā)育相關(guān)，除了包括“大腦皮層/細胞學/生長發(fā)育（cerebral cortex/cytology/growth & development） ”“哺乳動物胚胎（embryo, mammalian）”這種細胞發(fā)育和分化研究中常見的目標細胞類型，還有研究細胞發(fā)育與分化時所使用的常見手段，如“基因表達/生理學（gene expression/physiology）”“發(fā)育中的基因表達/生理學（gene expression regulation, developmental/physiology）”，也包含了各種蛋白質(zhì)的遺傳代謝問題，如“轉(zhuǎn)錄因子/遺傳學/代謝（transcription factors/genetics/metabolism） ”“鈣黏蛋白/遺傳學/代謝（cadherins/genetics/metabolism） ”“同源結(jié)構(gòu)域蛋白質(zhì)/遺傳學/代謝（homeodomain proteins/genetics/metabolism）”這種蛋白質(zhì)大類，以及“分化抑制蛋白2/遺傳學/代謝（inhibitor of differentiation protain 2/genetics/metabolism） ”“EphA7 受體/遺傳學/代謝（receptor, EphA7/ genetics/metabolism）”等特定蛋白質(zhì)。值得注意的是，與遺傳代謝相關(guān)的各種蛋白質(zhì)研究形成了極為密集的聚集現(xiàn)象（圖4b）。與其聚集在一起的是“LIM 同源結(jié)構(gòu)域蛋白（LIM-homeodomain proteins） ”，雖然該主題詞不帶“genetics/metabolism”，但其與同區(qū)域的幾種蛋白質(zhì)都在各種腫瘤演化及進展中扮演了非常重要的角色，這一現(xiàn)象更體現(xiàn)了關(guān)鍵詞在科研興趣空間中“語義聚集”的特點?？梢钥闯觯m然局部區(qū)域內(nèi)部的關(guān)鍵詞表面上并非十分相似，但從研究興趣、科研問題和研究手段上來看，它們之間有著密不可分的聯(lián)系。這種聯(lián)系若由研究人員挖掘，則需要大量的時間用于文獻調(diào)研和分析，而本研究方法可以自動地發(fā)現(xiàn)這些潛在的關(guān)聯(lián)，在充分節(jié)約時間的基礎(chǔ)之上，為研究人員提供更多的靈感，甚至可以讓不熟悉某個領(lǐng)域的新研究者，通過科研興趣空間中特定關(guān)鍵詞的局部分布，快速了解整個相關(guān)小領(lǐng)域。

圖4 遺傳發(fā)育相關(guān)關(guān)鍵詞區(qū)域示意

3.3.2 作者向量空間

與研究關(guān)鍵詞向量空間類似，本研究對科研興趣空間中的作者向量進行可視化分析。為了體現(xiàn)科研興趣視角下的作者向量間關(guān)系，考慮到作者文章中包含的關(guān)鍵詞能夠在一定程度上反映作者的研究興趣與研究方向，選取了一些整體熱度較高的關(guān)鍵詞，并以“是否使用過某關(guān)鍵詞”為標準對作者向量空間中的點進行標注，“使用過”為深灰色，反之為淺灰色（圖5、圖6），進而對這些區(qū)域進行研究。

圖5 相關(guān)主題的作者分布區(qū)域差異示例

可以看到，在人類主題相關(guān)的研究中（圖5），研究“成年人（adult）”主題的作者主要分布于第二象限，并少量分布于第三象限。相對來說，“青年人（young adult）”作為成年人的子群體，該主題相關(guān)的作者分布范圍也是研究“成年人”作者分布范圍的子集，有所不同的是，“青年人”主題的作者分布更偏重于第二象限，而第三象限分布非常少。有趣的是，“中年人（middle aged）”雖然也是成年人的子群體，該主題的研究者分布范圍卻與“成年人”主題研究者形成了交錯趨勢，更偏重于第三象限，且在區(qū)域下側(cè)明顯聚集了更多的作者，這可能是由于研究“中年人”的作者從興趣上還有一部分傾向于細胞老化的研究話題。

圖6 展示了相同主題下的作者分布與作者研究側(cè)重點之間存在的聯(lián)系。其中，圖6a 與圖6b 的研究主題均包含“計算機輔助的圖像處理（image processing, computer-assisted）”，兩者唯一的區(qū)別為是否具有副主題詞“方法（methods） ”（圖6b），這一微小差異卻使兩個關(guān)鍵詞的使用者產(chǎn)生了巨大的差異（分別分布在第二象限與第三象限）。類似地，圖6c 與圖6d 的研究主題均為“核磁共振成像（magnetic resonance imaging） ”，但由于副主題詞“方法（methods）”的存在，兩個關(guān)鍵詞的研究者也分別分布于兩個不同的象限區(qū)域?？梢钥吹?，“計算機輔助的圖像處理”作者的分布范圍，大部分在“核磁共振成像”作者分布的區(qū)域子集中，除此之外，僅在第四象限與第三象限下部有小簇聚集，與“核磁共振成像”區(qū)域有明顯區(qū)別（圖6a、圖6c），這說明目前大部分計算機輔助的圖像處理研究都應(yīng)用在核磁共振成像數(shù)據(jù)中。對比圖6b 與圖6d 可以發(fā)現(xiàn)，核磁共振成像的方法學研究者分布在第三象限的部分明顯與計算機輔助圖像處理的方法學研究者分布區(qū)域重疊。根據(jù)上述結(jié)果可知，在作者向量空間中，醫(yī)學圖像處理領(lǐng)域的方法驅(qū)動研究者傾向于分布在第三象限，即使這些研究者的研究主題不同（如一部分研究者研究核磁共振成像，另一部分研究者研究其他種類的圖像處理），他們也可能因各種圖像處理方法學研究的模型理論相關(guān)性而聚集在一起。這充分說明了在科研興趣空間中，作者向量分布的語義學意義。

4 結(jié) 語

本研究將科研行為數(shù)據(jù)抽象成具有4 類節(jié)點、3類邊的異質(zhì)信息網(wǎng)絡(luò)，使用異質(zhì)信息網(wǎng)絡(luò)表示學習算法metapath2vec 對其進行了嵌入表示，再通過余弦相似度計算向量間的相似度，據(jù)此構(gòu)建了基于異質(zhì)信息網(wǎng)絡(luò)表示學習算法的科研關(guān)鍵詞推薦與科研合作者推薦模型。與基線方法的對比結(jié)果，驗證了本研究構(gòu)建的模型在完成科研關(guān)鍵詞與科研合作者推薦任務(wù)中均具有良好的效果和穩(wěn)定性，尤其在科研關(guān)鍵詞推薦任務(wù)方面有著非常強的優(yōu)勢，這主要得益于本研究更關(guān)注科研行為網(wǎng)絡(luò)本身的“異質(zhì)”特性，并使用了相應(yīng)的異質(zhì)信息網(wǎng)絡(luò)表示算法對其進行處理，合理地挖掘了不同種類節(jié)點之間的語義信息。同時，通過對異質(zhì)信息網(wǎng)絡(luò)表示學習算法生成的異質(zhì)科研興趣空間中作者與關(guān)鍵詞的向量進行可視化分析，本研究發(fā)現(xiàn)各主體向量表示具有非常明確和合理的語義聚集特點，這些語義特點往往需要研究者耗費大量時間進行文獻閱讀與總結(jié)，但本研究方法能夠自動挖掘和發(fā)現(xiàn)它們，有助于從研究興趣視角更為快速、深入與準確地理解領(lǐng)域中各個子領(lǐng)域的特點與關(guān)聯(lián)。

需要說明的是，本研究尚有一些可以改進的方面。比如，作為一項探索性工作，本研究傾向于闡述在雙任務(wù)目標的前提下，異質(zhì)信息網(wǎng)絡(luò)表示學習算法相較于同質(zhì)信息網(wǎng)絡(luò)表示學習算法在處理異質(zhì)信息網(wǎng)絡(luò)方面的優(yōu)勢。本研究使用的metapath2vec僅是眾多異質(zhì)信息網(wǎng)絡(luò)表示算法的典型代表，還有更新的方法值得嘗試。在后續(xù)研究中可以對異質(zhì)信息網(wǎng)絡(luò)表示學習算法做進一步改進，構(gòu)建更適合科研推薦任務(wù)的模型，從而進一步提升推薦效果。此外，本研究僅考慮了作者、論文、關(guān)鍵詞、機構(gòu)4種較為基礎(chǔ)的科研主體及其之間的關(guān)系，未來可考慮引入更多樣的科研主體（如文獻出版物、發(fā)表時間等），以進一步豐富對科研行為的研究與探索。