[发明专利]一种人才价值评估方法

说明书

本发明公开了一种人才价值评估方法，以专业人才发表的学术文献为基础，包括如下步骤：S1，计算文献网络结构高阶邻近度特征矩阵：计算网络结构邻接矩阵的特征值和特征向量，计算含有高阶邻近信息的结构矩阵奇异值分解结果，完成网络结构高阶邻近度的初始化嵌入特征矩阵计算；S2，计算文献网络低维特征矩阵：设计网络结构特征矩阵和节点内容特征矩阵的更新规则，迭代计算，获取最终的文献网络特征矩阵；S3，谱聚类完成文献网络节点聚类：将最终的网络嵌入矩阵作为谱聚类的输入矩阵，选择K‑Means聚类方法进行网络节点聚类；S4，计算人才价值数值。本发明提供法人一种人才价值评估方法，能够确定网络结构高阶邻近度特征矩阵，以及将网络节点内容高效地融合结构的高阶邻近度。

技术领域

本发明属于知识发现应用领域，具体涉及一种人才价值评估方法。

背景技术

针对科研这种知识密集型任务，一个十分有效的方法是找到具有适当专业知识的专家学者，专家能够提供可靠的信息和意见。个人的眼界与知识面终究是狭窄的，找到正确的专业知识与资源，与潜在的合作者互动是一种高效的工作模式。然而，寻找合作者并不是一件容易的事。专业知识是高度动态的，验证他人的专业知识是极为困难的。因此，研究和开发推荐在特定领域具有专业知识的人的工具已经受到了研究人员的广泛关注。

学术社交网站近年来发展迅速。大量用户希望与其他用户交朋友，以便进行潜在的学术交流合作。问答社区作为一种在人群中分享知识的有效方式，许多用户都是现实世界中的专家，可以在某些领域或技术中做出高质量的贡献，为了获取及评估这些专家目前已经有了大量的方法。但是，这些方法都过度的依赖专家本人的主动社交行为，对于专心学术、社交较少的专家却难以挖掘出来。因而，本发明拟从文献作者的角度实现人才挖掘。

信息网络在我们的日常生活中无处不在，如社交网络、引文网络和知识网络等，通过智能挖掘，可以提取各种有用的信息。通常，网络以图形的形式表示。不同类型的原始表示(如邻接矩阵或邻接列表)被用作许多机器学习算法的直接输入。然而，机器学习算法很难从这些表示中挖掘有用的信息，因为它们属于一个非常高维的空间，而且本质上也是非常稀疏的。

近年来，将高维网络映射到低维向量空间，使得信息损失在某种意义上最小，成为网络分析研究的中心课题。它能够保留了网络的固有特性和结构，已经成为一种用低维向量表示节点的范式，目的是为了弥合网络分析与机器学习算法之间的差距。

与直接挖掘网络中的数据相比，学习网络表示具有多种优势。一、特征本质上具有识别性和互补性，能够突出核心信息，剔除噪声信息；二、相同节点数量的低维特征相比于原始数据数据量少，存储空间少，计算速度快；三、不需要改变基本的网络嵌入算法来处理不同的网络分析任务，大多数嵌入方法被认为是通用的。四、由网络嵌入算法获取的特征可作为现有的机器学习算法的直接输入，例如现有的用于分类或聚类的网络分析方法可以很好地处理这些已经嵌入到低维的特征。

网络嵌入技术本质上大多是无监督的或半监督的。信息网络通常有少量标记节点或者没有任何标记节点，实际上，学习嵌入不需要太多的监督。大量文献提出了许多不同类型的网络嵌入方法，如Deepwalk、Line、node2vec、TADW、AROPE、FSCNMF等。对于网络结构高阶邻近度的研究表明，节点之间的高阶邻近度对于捕获网络的底层结构具有重要意义，因此可以为学习嵌入向量提供有价值的信息。可以在生成的节点嵌入中保留各种网络属性，如同质性、社区结构等。这些性质是自然联系在一起的。网络中的同质性根据所涉及节点之间的相似性来描述局部结构。尽管这种相似性通常是基于网络的结构属性捕获的，但是结合与节点相关的语义内容则可以更好地利用同质性。利用内容对结构数据进行目标正则化可以得到较好的嵌入效果，反之，利用结构对内容数据进行正则化也可以得到较好的嵌入结果。

如今，通过结合网络结构和节点内容，完成网络嵌入已经取得了较好的科研成果，同时，网络结构的高阶邻近度研究亦有了较大突破。但是，如何确定网络结构高阶邻近度特征矩阵，更进一步地，如何将网络节点内容高效地融合结构的高阶邻近度，并没有得到有效的解决，需要一个新的技术方案解决这个问题。