内容简介
《基于异构社会网络的知识社区挖掘及学者相似度研究》围绕着异构社会网络中知识社区挖掘和学者相似度计算,在学科交叉的背景下,综合利用社会网络理论、社会资本理论、本体理论,提出:①基于社会资本理论的异构社会网络模型和知识社区发现方法;②基于关联网络链接分析的学者相似度计算方法;③基于本体的学者关联分析方法。全书以学者为研究对象,详细研究学者间多种学术关系的关联和融合,将单一节点、单一关系的学术网络扩展到多类型节点、多关系的异构社会网络,丰富和发展原有社会网络研究,对建立起更为广阔的语义社会网络研究范式具有一定的理论价值,同时也为科研组织创新团队管理提供决策支持。《基于异构社会网络的知识社区挖掘及学者相似度研究》可供管理类(如信息管理与信息系统、情报学、管理科学与工程等)、计算机类(如社会网络、语义网)专业或研究方向高校师生,以及各级科研管理和决策人员阅读参考。
目录
第1章 绪论
1.1 研究背景与目的
1.2 国内外研究现状
1.3 研究的主要内容与方法
第2章 相关理论
2.1 社会网络理论
2.2 行动者网络理论
2.3 社会资本理论
2.4 本体理论
2.5 本章小结
第3章 社区发现算法及其评价
3.1 社区的概念及定义
3.2 社区发现算法
3.3 评价方法
3.4 社区发现进展
3.5 本章小结
第4章 面向科研组织的异构社会网络构建
4.1 科研组织的需求
4.2 模型构建
4.3 基于社会资本的多关系关联
4.4 科研组织中多关系的测度
4.5 多关系融合
4.6 本章小结
第5章 科研组织的知识社区的发现及优化
5.1 基于网络拓扑结构的社区发现
5.2 基于节点属性的社区优化
5.3 融合网络结构与节点属性的社区优化
5.4 实验设计与分析
5.5 本章小结
第6章 学者领域知识结构挖掘
6.1 研究现状
6.2 学者领域知识的构成分析
6.3 学者领域知识网络构建
6.4 学者领域知识结构探测
6.5 实验
6.6 实验评价
6.7 本章小结
第7章 基于关联网络的学者相似度计算
7.1 引言
7.2 研究现状
7.3 基于图拓扑结构的SimRank算法和P-Rank算法
7.4 学者关联网络的构建及相似度计算
7.5 实验与讨论
7.6 本章小结
第8章 基于SimRank的学者相似度计算
8.1 SimRank相似度计算与共引、耦合的比较
8.2 基于SimRank的学者相似度计算方法
8.3 实验
8.4 本章小结
第9章 基于本体的学术网络建模及学者关联分析
9.1 引言
9.2 研究现状
9.3 基于本体的学术网络构建
9.4 学者关联度计算
9.5 实证分析
9.6 本章小结
第10章 总结与展望
10.1 全书工作总结
10.2 未来工作展望
参考文献
附录
后记
精彩书摘
《基于异构社会网络的知识社区挖掘及学者相似度研究》:
3.4.3异质网络中的社区发现
传统的社区发现算法只能用于处理同质网络,即只包含单一关系和节点类型的网络。但现实世界的网络往往是由多种类型的节点以及多样化的联系组成的异质网络,它们分别被称为多维网络和多模网络。
1.多维网络
本部分探讨的多维网络是同种节点类型的节点间存在多种关系的网络。在多维网络中,不同关系的重要程度的衡量是一个重要问题。Cai等(2005)提出了一种依赖用户要求(用户示例)确定关系重要程度,进行关系抽取的方法。根据特定用户要求得到了最满足用户预期的各关系的加权线性组合,将异质网络转化成了同质网络。在这个新的同质网络上应用传统算法划分社区。
Guy等(2008)设计了一种名叫SONAR(social networks architecture,即社会网络整合应用接口)的应用,汇集了来自博客、组织图等公共渠道和邮件、及时消息等私人渠道的信息资源。这种加权整合多渠道信息的社会网络能提供适应更多用户场景的信息。但又由于不同用户的视角与需求不同,难以得到普适的最优资源加权组合方案。
Rodriguez和Shinavier(2010)认为虽然已经存在大量成熟的同质网络分析方法,异构数据却较难处理。因此,他们提出了一种路径代数法,可将多关系网络映射为单关系网络。如此,则可利用现有的同质网络分析法处理这些经过转换的异构社会网络数据。
L.Tang等(2012)总结了现有的社区发现算法的统一过程,即网络矩阵、效用矩阵、软社区指标和节点划分。针对该过程的四个部分提出了从单维网络社区发现到多维网络社区发现的四种集成策略,即网络集成、效用集成、特征集成和划分集成。其中划分集成就是聚类集成问题,把同一数据不同的聚类结果组合成一致结果。Strehl和Ghosh(2003)早在2003年就研究了该问题。2.多模网络多模网络中社区发现的策略有两种,一种社区中包含多种节点类型,另一种社区中只包含同类节点。根据分析目的的不同可以选择不同的策略。
Sun等(2009b)提出的用于星形结构网络聚类的NetClus算法就可发现包含多种节点的社区。星形网络结构中存在一个中心节点类型和几个属性节点类型,属性类型的节点与且仅与中心类型的节点相连。社区的形成依据是由生成模型得出的后验概率的排序。由NetClus不仅能得到包含多种类型节点的社区,且可分别获取每种类型节点(如会议、作者、主题词)在所处社区中重要性的排序。相比仅能处理包含两种节点的二模网络的RankClus算法(Sun,2009c),NetClus的适用性与可解释性更强。但NetClus仅限处理星形模式的网络。
……
前言/序言
在21世纪知识经济时代,知识创新是促进知识经济与社会可持续发展的基础和源泉,是推动科技进步和经济增长的革命性力量,也是提高国家综合国力和国际竞争力的强大保障。中国制定的《国家中长期科学和技术发展规划纲要(2006-2020年)》和《中华人民共和国国民经济和社会发展第十一个五年规划纲要》明确提出加快科学技术创新和跨越,大力推进自主创新,加快建设国家创新体系。
在从“中国制造”到“中国创造”的战略转型过程中,科研组织扮演着极为重要的角色。科研组织中具有共同兴趣、经验、目的和研究背景的科研人员聚集在一起进行沟通交流形成的知识社区,能满足科研人员在其科研活动中进行学习、开放、交流、分享、团队合作及创新研究的需求。知识社区有助于集聚智慧、启迪思路,提升科研人员知识共享、协同与创新的效率和效果。对科研组织内的知识社区识别和挖掘已成为知识管理研究的新热点。
传统的知识管理强调信息技术(如搜索引擎、数据仓库、文献管理等),目标在于快速准确地将有用的知识传递给需要的人。然而第1代知识管理也暴露出明显的缺陷,那就是知识共享的不足。第2代知识管理更多地考虑人力资源和过程的主动性,注重营造知识共享环境,强调知识社区对知识共享的催化作用,反映了知识管理与组织社区学习相融合的趋势。识别组织中拥有共同需求和兴趣的人员,挖掘潜在的知识社区对于组织知识管理的理论和实践具有重要的意义。
基于异构社会网络的知识社区挖掘及学者相似度研究 下载 mobi epub pdf txt 电子书 格式