[发明专利]一种基于复杂网络的科研人员数据处理方法

说明书

本发明公开了一种基于复杂网络的科研人员数据处理方法。本发明方法包括数据采集与处理、科研合作网络构建、特征提取、结果评估四个模块。数据处理包括清理脏数据、补全遗失数据以及提取精准信息、作者重名处理和数据统计分析等。科研合作网络构建是项目合作网络和论文合作网络的构建。特征提取包括计量特征提取、网络拓扑特征提取和网络隐含特征提取，这三部分特征可以保证数据处理结果的准确性与可靠性。结果评估采用基于混淆矩阵的ROC曲线测试本专利的数据处理效果。本发明方法从数据挖掘和网络特征的角度研究国家自然科学基金等科研人员的科研数据，通过计量特征、网络拓扑特征和网络隐含特征对科研人员数据进行细致而准确的处理。

技术领域

本发明属于数据挖掘与预测技术领域，具体涉及一种基于复杂网络的科研人员数据处理方法。

背景技术

近年来，科学学成为大数据分析的一个重要应用。许多科学家从科学文献中获得了大量的数据集，科学文献通过引用、合作等关系形成了一个巨大的复杂网络。相关科学研究的重点大多放在预测任务上，例如，通过基于网络分析和计算的方法可以预测学术论文的影响力，研究学者的成长轨迹、预测学者的论文产出及其影响力等等。

国家自然科学基金是我国于上世纪80年代推出的一种科研经费拨款方式，是我国主要的项目资助项目，可以反映出不同领域的最新研究进展以及成果。基金项目一般有负责人和参与人，产出的成果大多由论文组成，这些论文有不同的作者，由此构成两个联系密切但却完全不同的复杂网络，即基金合作网络和论文合作网络。同时，国家自然科学基金项目和期刊论文的数量逐年增加，为科学研究提供了大量的数据，由此衍生出来的网络也越来越复杂。

科研人员在科研过程中产生诸多数据，包括其项目数据和论文数据等等。本专利基于国家自然科学基金项目但又不限于此，本专利提出一种基于复杂网络的科研人员数据处理方法。本专利在项目负责人历史科研项目数据的基础上，首先考虑了先前成果对科研项目申请的影响，对负责人的现有科研项目成果和论文成果进行了计量特征提取；然后考虑到科研项目合作网络和论文合作网络的影响，我们对这两个网络进行了拓扑特征提取；最后基于网络嵌入的方法提取了网络的隐含特征。从这三个方面考虑，本专利提出了一种基于复杂网络的科研人员数据处理方法。该方法通过将计量特征、网络拓扑特征和网络隐含信息相结合提高了数据的可用性，从而为后续学者研究科学学提供了可靠的数据集。

发明内容

本发明的目的在于处理科研人员的相关数据，提供一种基于复杂网络的科研人员数据处理方法。

本发明方法使用历年科研项目数据和与科研项目相关的论文数据，通过提取数据的计量特征、引入复杂网络的拓扑特征和嵌入特征，从而可以多方面、多层次的处理数据，使其成为研究科研人员可靠的数据集。

本发明方法包括数据采集和数据预处理模块、合作网络构建模块、特征提取模块、结果评估模块，具体如下：

(1)数据采集和数据预处理模块：

(1-1)数据收集：通过公开数据平台，获得科研人员往年项目的所有信息；通过科研项目，在论文库中检索相关论文，获得与之相关的所有论文。

(1-2)数据预处理：将没有论文信息的科研项目数据和没有科研项目信息的论文数据删除，以保证整体数据的可用性，并将科研项目数据和论文数据处理成便于后续研究的格式。

(1-3)数据统计分析：对科研项目数据和相关论文数据进行统计分析；统计不同科研项目数量下的平均论文数量，得到不同科研项目对应的平均论文数，验证得出科研项目数量和论文数量之间存在较为明显的正相关关系；统计不同科研项目数量下的平均职业年龄，其中职业年龄计算方式为某一年度与其在本数据中最早出现的时间之差，可根据数据需要更改计算年度，验证得出在一定职业年龄内，科研项目数量和职业年龄有着明显的正相关关系。