基于图对比学习的科研合作社区发现研究

作     者：林汉堃 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：王玉明

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 070104[理学-应用数学] 0701[理学-数学] 

主      题：图对比学习 科研影响力 科研合作 社区发现 

摘      要：在科研领域中,科研机构间合作开展研究的现象十分常见,并且这些合作的紧密程度往往呈现出社区化的特点。科研合作社区通常由机构间过往合作行为形成,当两所科研机构处于同一个合作社区时,将更容易频繁地开展新的合作。为了发现科研机构间潜在的合作社区分布,本文基于科研影响力构建了包含多种合作关系的多路科研机构合作网络,并设计了高阶社区级互信息最大化模型(High-order Deep Community Infomax,HComm I)发现多路科研机构合作网络中潜在的社区分布情况。对于多路科研机构合作网络的构建,本文从真实的科研管理数据系统中抽取科研机构申请项目的数据记录,构建为异构的科研项目网络。针对网络中科研机构节点间通过学科和关键字节点联系的间接合作关系难以衡量的问题,提出了基于热扩散过程的科研影响力特征分析方法,量化表示了科研机构间接合作的多种异构关系,将其构建为多路科研机构合作网络。对于多路科研机构合作网络中的社区发现任务,本文基于以图对比学习为框架的图互信息最大化模型(Deep Graph Infomax,DGI)做出改进,针对DGI模型只关注图级别信息而缺少社区集群级别信息和聚类结果难以反向传播优化嵌入过程的问题,设计了HComm I模型进行解决。改进方式为设计一个可训练的聚类层,在节点嵌入的训练过程中获得聚类中心作为网络的社区级摘要信息,再通过社区级摘要信息、节点嵌入信息和网络全局信息间的高阶互信息设计出包含网络级和社区级的联合监督信号在模型中进行优化。此外,HComm I模型还针对多路网络的处理提出基于多头注意力机制的一致性正则化融合模块,建立了节点间各类型关系的联系。本文在真实的科研管理数据集和公开的DBLP数据集中进行了社区发现任务的对比实验并评估分析实验结果,与DGI及其他当前流行模型相比,HComm I在各指标上均有提升。另外,本文通过消融实验证明了模型的各个核心组件的必要性和有效性。最后通过t-SNE可视化和具体案例展示了科研合作社区发现的直观效果。