第10卷第4期 智能系统学报 Vol.10 No.4 2015年8月 CAAI Transactions on Intelligent Systems Aug.2015 D0:10.3969/j.issn.1673-4785.201505052 网络出版地址：htp:/www.cmki.net/kcms/detail/23.1538.TP.20150630.1629.008.html 基于学术会议的科研合作网络微观结构动态演化分析 张燕平12，鲍媛媛2，赵姝12，陈洁2，黄梦晗12 (1.安徽大学计算机科学与技术学院，安徽合肥230601：2.安徽大学计算智能与信号处理教育部重点实验室，安 徽合肥230601) 摘要：学术科研合作网络的演化特征研究，对掌握特定学术会议的发展有着重要的意义。目前主要针对合作网络 的宏观特征演化进行分析，然而个体研究者的演化规律同样有着重要的作用。使用DBLP数据库系统提供的人工智 能与模式识别领域的学术会议论文作者信息以及清华大学AretMiner系统下载的公用数据集作为原始数据，对合作 发表论文形成的合作网络进行了研究。基于意见领袖和结构洞，从微观方面分析科研合作网络随时间发展的演化 规律。实验结果表明：在给出的数据集上，以引用数作为意见领袖影响力衡量指标，按照PageRank值和度中心性指 标比特征向量、接近中心性、介数中心性指标具有更好的刻画节点影响力的能力：在该网络演化过程中，结构洞变化 相比于意见领袖的变化较稳定，每年占据结构洞的作者基本相同。结构洞的占据者大部分是意见领袖，并且这些作 者在网络中占据结构洞的程度越来越大：且在网络演化过程中，结构洞占据者有可能成为意见领袖。 关键词：演化：科研合作网：意见领袖：结构洞：微观结构：PageRank:学术会议：引用数 中图分类号：TP399文献标志码：A文章编号：1673-4785(2015)04-0620-07 中文引用格式：张幕平，鲍媛媛，赵蛛，等.基于学术会议的科研合作网络微观结构动态演化分析[J].智能系统学报，2015,10(4)： 620-626. 英文引用格式：ZHANG Yanping,BAO Yuanyuan,ZHAO Shu,ctal.Dynamic microscopic structure evolution analysis for the au- thor collaboration network of academic conferences[J].CAAI Transactions on Intelligent Systems,2015,10(4):620-626. Dynamic microscopic structure evolution analysis for the author collaboration network of academic conferences ZHANG Yanping'2,BAO Yuanyuan'2,ZHAO Shu'2,CHEN Jie'2,HUANG Menghan'2 (1.School of Computer Science and Technology,Anhui University,Hefei 230601,China;2.Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education,Anhui University,Hefei 230601,China) Abstract:This paper makes an analysis on the author collaboration network of academic conferences.Based on the opin- ion leaders and structural holes,the evolution law of the collaboration network of academic conferences developing with time is analyzed from the microscopic view.The evolution characteristics of the academic author collaboration network have very important significance for grasping the development of the particular academic conferences.Currently,re- searchers mainly focus on the evolution analysis of macroscopic characteristics,but the evolution law of the individual re- searchers also plays an important role.Author information of conference papers in the field of artificial intelligence and pattern recognition provided by the Database systems and logic programming(DBLP)and the public datasets downloaded from the ArnetMiner system of Tsinghua University are taken as the original data.The experimental results show that in the given dataset,when using the number of citations as the index to measure the opinion leader,the indexes of PageR- ank and degree centrality are more capable of describing node's influence than eigenvector,closeness centrality,be- tweenness centrality,and in the network evolution process.The change of structural hole is more stable than that of opin- ion leader,and the authors occupying structural holes are basically consistent each year.Most of structural hole occupiers are opinion leaders,also the ability of occupying structural holes is becoming better and better.In the process of network evolution,the structural hole occupiers are likely to be opinion leaders. Keywords:evolution;author collaboration network;opinion leader;structural hole;microscopic structure;PageR- ank;academic conferences;number of citations 科研合作网络作为一种典型的社会网络受 收稿日期：2015-05-29.网络出版日期：2015-06-30. 基金项目：国家自然科学基金资助项目(61175046：61402006)：安徽省自然科 到了复杂网络领域众多学者的关注，美国科学家 学基金资助项目(IS0808sFIl3):安徽省高等学校自然科学研究Price出版的《Little science,big science》)指出“科 资助项目(2013A016):安徽大学国家级大学生创新创业训练 计划资助项目(201410357041). 研合作已经成为当今科学发展的重要动力”四。 通信作者：赵妹.E-mail:zhaoshuzs@163.com. 科研合作有助于信息的传递和共享、研究者之间
第 １０ 卷第 ４ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．４ ２０１５ 年 ８ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｕｇ． ２０１５ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１５０５０５２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１５０６３０．１６２９．００８．ｈｔｍｌ 基于学术会议的科研合作网络微观结构动态演化分析 张燕平１，２ ，鲍媛媛１，２ ，赵姝１，２ ，陈洁１，２ ，黄梦晗１，２ （１． 安徽大学 计算机科学与技术学院，安徽 合肥 ２３０６０１； ２． 安徽大学 计算智能与信号处理教育部重点实验室，安 徽 合肥 ２３０６０１） 摘 要：学术科研合作网络的演化特征研究，对掌握特定学术会议的发展有着重要的意义。 目前主要针对合作网络 的宏观特征演化进行分析，然而个体研究者的演化规律同样有着重要的作用。 使用 ＤＢＬＰ 数据库系统提供的人工智 能与模式识别领域的学术会议论文作者信息以及清华大学 ＡｒｎｅｔＭｉｎｅｒ 系统下载的公用数据集作为原始数据，对合作 发表论文形成的合作网络进行了研究。 基于意见领袖和结构洞，从微观方面分析科研合作网络随时间发展的演化 规律。 实验结果表明：在给出的数据集上，以引用数作为意见领袖影响力衡量指标，按照 ＰａｇｅＲａｎｋ 值和度中心性指 标比特征向量、接近中心性、介数中心性指标具有更好的刻画节点影响力的能力；在该网络演化过程中，结构洞变化 相比于意见领袖的变化较稳定，每年占据结构洞的作者基本相同。 结构洞的占据者大部分是意见领袖，并且这些作 者在网络中占据结构洞的程度越来越大；且在网络演化过程中，结构洞占据者有可能成为意见领袖。 关键词：演化；科研合作网；意见领袖；结构洞；微观结构； ＰａｇｅＲａｎｋ； 学术会议； 引用数 中图分类号： ＴＰ３９９ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０４⁃０６２０⁃０７ 中文引用格式：张燕平，鲍媛媛，赵姝，等． 基于学术会议的科研合作网络微观结构动态演化分析［Ｊ］． 智能系统学报， ２０１５， １０（４）： ６２０⁃６２６． 英文引用格式：ＺＨＡＮＧ Ｙａｎｐｉｎｇ， ＢＡＯ Ｙｕａｎｙｕａｎ， ＺＨＡＯ Ｓｈｕ， ｅｔ ａｌ． Ｄｙｎａｍｉｃ ｍｉｃｒｏｓｃｏｐｉｃ ｓｔｒｕｃｔｕｒｅ ｅｖｏｌｕｔｉｏｎ ａｎａｌｙｓｉｓ ｆｏｒ ｔｈｅ ａｕ⁃ ｔｈｏｒ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｏｆ ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（４）： ６２０⁃６２６． Ｄｙｎａｍｉｃ ｍｉｃｒｏｓｃｏｐｉｃ ｓｔｒｕｃｔｕｒｅ ｅｖｏｌｕｔｉｏｎ ａｎａｌｙｓｉｓ ｆｏｒ ｔｈｅ ａｕｔｈｏｒ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｏｆ ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ ＺＨＡＮＧ Ｙａｎｐｉｎｇ １，２ ， ＢＡＯ Ｙｕａｎｙｕａｎ １，２ ， ＺＨＡＯ Ｓｈｕ １，２ ， ＣＨＥＮ Ｊｉｅ １，２ ， ＨＵＡＮＧ Ｍｅｎｇｈａｎ １，２ （１． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ， Ｈｅｆｅｉ ２３０６０１， Ｃｈｉｎａ； ２． Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ， Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ， Ｈｅｆｅｉ ２３０６０１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｍａｋｅｓ ａｎ ａｎａｌｙｓｉｓ ｏｎ ｔｈｅ ａｕｔｈｏｒ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｏｆ ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｏｐｉｎ⁃ ｉｏｎ ｌｅａｄｅｒｓ ａｎｄ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅｓ， ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｌａｗ ｏｆ ｔｈｅ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｏｆ ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ ｄｅｖｅｌｏｐｉｎｇ ｗｉｔｈ ｔｉｍｅ ｉｓ ａｎａｌｙｚｅｄ ｆｒｏｍ ｔｈｅ ｍｉｃｒｏｓｃｏｐｉｃ ｖｉｅｗ． Ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ａｃａｄｅｍｉｃ ａｕｔｈｏｒ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｈａｖｅ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｓｉｇｎｉｆｉｃａｎｃｅ ｆｏｒ ｇｒａｓｐｉｎｇ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ ｐａｒｔｉｃｕｌａｒ ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ． Ｃｕｒｒｅｎｔｌｙ， ｒｅ⁃ ｓｅａｒｃｈｅｒｓ ｍａｉｎｌｙ ｆｏｃｕｓ ｏｎ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｍａｃｒｏｓｃｏｐｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ， ｂｕｔ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｌａｗ ｏｆ ｔｈｅ ｉｎｄｉｖｉｄｕａｌ ｒｅ⁃ ｓｅａｒｃｈｅｒｓ ａｌｓｏ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ． Ａｕｔｈｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｃｏｎｆｅｒｅｎｃｅ ｐａｐｅｒｓ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｏｖｉｄｅｄ ｂｙ ｔｈｅ Ｄａｔａｂａｓｅ ｓｙｓｔｅｍｓ ａｎｄ ｌｏｇｉｃ ｐｒｏｇｒａｍｍｉｎｇ （ＤＢＬＰ） ａｎｄ ｔｈｅ ｐｕｂｌｉｃ ｄａｔａｓｅｔｓ ｄｏｗｎｌｏａｄｅｄ ｆｒｏｍ ｔｈｅ ＡｒｎｅｔＭｉｎｅｒ ｓｙｓｔｅｍ ｏｆ Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ ａｒｅ ｔａｋｅｎ ａｓ ｔｈｅ ｏｒｉｇｉｎａｌ ｄａｔａ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｉｎ ｔｈｅ ｇｉｖｅｎ ｄａｔａｓｅｔ， ｗｈｅｎ ｕｓｉｎｇ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｃｉｔａｔｉｏｎｓ ａｓ ｔｈｅ ｉｎｄｅｘ ｔｏ ｍｅａｓｕｒｅ ｔｈｅ ｏｐｉｎｉｏｎ ｌｅａｄｅｒ， ｔｈｅ ｉｎｄｅｘｅｓ ｏｆ ＰａｇｅＲ⁃ ａｎｋ ａｎｄ ｄｅｇｒｅｅ ｃｅｎｔｒａｌｉｔｙ ａｒｅ ｍｏｒｅ ｃａｐａｂｌｅ ｏｆ ｄｅｓｃｒｉｂｉｎｇ ｎｏｄｅ＇ｓ ｉｎｆｌｕｅｎｃｅ ｔｈａｎ ｅｉｇｅｎｖｅｃｔｏｒ， ｃｌｏｓｅｎｅｓｓ ｃｅｎｔｒａｌｉｔｙ， ｂｅ⁃ ｔｗｅｅｎｎｅｓｓ ｃｅｎｔｒａｌｉｔｙ， ａｎｄ ｉｎ ｔｈｅ ｎｅｔｗｏｒｋ ｅｖｏｌｕｔｉｏｎ ｐｒｏｃｅｓｓ． Ｔｈｅ ｃｈａｎｇｅ ｏｆ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅ ｉｓ ｍｏｒｅ ｓｔａｂｌｅ ｔｈａｎ ｔｈａｔ ｏｆ ｏｐｉｎ⁃ ｉｏｎ ｌｅａｄｅｒ， ａｎｄ ｔｈｅ ａｕｔｈｏｒｓ ｏｃｃｕｐｙｉｎｇ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅｓ ａｒｅ ｂａｓｉｃａｌｌｙ ｃｏｎｓｉｓｔｅｎｔ ｅａｃｈ ｙｅａｒ． Ｍｏｓｔ ｏｆ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅ ｏｃｃｕｐｉｅｒｓ ａｒｅ ｏｐｉｎｉｏｎ ｌｅａｄｅｒｓ， ａｌｓｏ ｔｈｅ ａｂｉｌｉｔｙ ｏｆ ｏｃｃｕｐｙｉｎｇ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅｓ ｉｓ ｂｅｃｏｍｉｎｇ ｂｅｔｔｅｒ ａｎｄ ｂｅｔｔｅｒ． Ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｎｅｔｗｏｒｋ ｅｖｏｌｕｔｉｏｎ， ｔｈｅ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅ ｏｃｃｕｐｉｅｒｓ ａｒｅ ｌｉｋｅｌｙ ｔｏ ｂｅ ｏｐｉｎｉｏｎ ｌｅａｄｅｒｓ． Ｋｅｙｗｏｒｄｓ：ｅｖｏｌｕｔｉｏｎ； ａｕｔｈｏｒ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ； ｏｐｉｎｉｏｎ ｌｅａｄｅｒ； ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅ； ｍｉｃｒｏｓｃｏｐｉｃ ｓｔｒｕｃｔｕｒｅ； ＰａｇｅＲ⁃ ａｎｋ； ａｃａｄｅｍｉｃ ｃｏｎｆｅｒｅｎｃｅｓ； ｎｕｍｂｅｒ ｏｆ ｃｉｔａｔｉｏｎｓ 收稿日期：２０１５⁃０５⁃２９． 网络出版日期：２０１５⁃０６⁃３０． 基金项目：国家自然科学基金资助项目（６１１７５０４６；６１４０２００６）；安徽省自然科 学基金资助项目（１５０８０８５ＭＦ１１３）；安徽省高等学校自然科学研究 资助项目（ＫＪ２０１３Ａ０１６）；安徽大学国家级大学生创新创业训练 计划资助项目（２０１４１０３５７０４１）． 通信作者：赵姝． Ｅ⁃ｍａｉｌ： ｚｈａｏｓｈｕｚｓ＠ １６３．ｃｏｍ． 科研合作网络作为一种典型的社会网络受 到了复杂网络领域众多学者的关注，美国科学家 Ｐｒｉｃｅ 出版的《 Ｌｉｔｔｌｅ ｓｃｉｅｎｃｅ， ｂｉｇ ｓｃｉｅｎｃｅ》 指出“ 科 研合作已经成为当今科学发展的重要动力” ［ １］ 。 科研合作有助于信息的传递和共享、研究者之间
第4期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 ·621· 的交流、新时期复合型人才的培养等。同时对某 中心性)以及研究意见领袖、结构洞的演化规律。 一领域内科研合作网络的演化机制研究，可以发 1理论基础 现与科研合作网络相关的新知识，对了解科研合 作网的最新研究动态和发展方向有着重要的 本文用到的重要节点评价指标如下：设图G= 意义。 (V,E)是一个无向网络，其中V={1,2,…,,}是 很多研究人员对科研合作网络的宏观动态 所有节点的集合，E={e1,e2,…,em}是节点之间的 演化进行了研究，Newman发现生物化学、物理、 边的集合。 高能物理和计算机科学4个数据库中论文合作 1.1度中心性 网络都呈现小世界特征、度分布具有幂律特 度中心性[]刻画的是节点直接影响力，不同规 征[2]。Barabasie等利用数学与神经科学8年合 模的网络中有相同度值的节点有不同的影响力，为 作网络，发现平均度随时间减少，定点分离度增 了进行比较，定义节点v,的归一化度中心性指标为 加，网络度分布呈无标度特性)。Tomassini 等[4]分析了科研合作网络的时间演化规律，对 DC(i)= (1) n-1 平均度、聚类系数、平均路径长度、度分布的增长 式中：k:=∑，ag,a,即网络邻接矩阵A中第i行第 规律做出了实证研究。Almendral等[]分析了欧 j列元素，n为网络的节点数目，分母n-1为节点可 洲框架内的机构间合作网络，发现了加速增长的 能的最大度值。 无标度现象，表明新合作不断得到鼓励。Km 1.2特征向量 等]分析了韩国热点研究者科研合作网的2个 一个节点的重要性既取决于其邻居节点的数 组群和重叠节点的演化规律。胡枫等[)利用平 量，也取决于其邻居节点的重要性。记EC:为节点i 均场理论发现了作者的发表论文数分布符合幂 的重要性度量值，那么，应该有[6] 律分布，并且分布的幂指数y与合作领域作者增 长速度相关。也有不少微观动态演化方面的研 EC,=A1∑ag9 (2) j=1 究，主要集中对个体工作者的研究。李季等[]考 式中：入为邻接矩阵a;的最大特征值，e= 虑到实际网络演化过程中广泛存在的节点数加 [e1,e2,…,e.]「为邻接矩阵A对应最大矩阵值入对 速增长现象，提出了一种基于BA模型的节点数 应的特征向量。 加速增长的网络模型。苑卫国等[1]对微博网络 1.3介数中心性 中用户特征量和增长率分布进行了研究。池丽 介数指标(betweenness centrality)刻画了网络中 萍从微观角度研究了复杂网络演化过程中， 的节点对于信息流动的影响力，则节点i的介数指 通过删除节点和边，网络的平均度变化情况。 标定义为[) Madaan等[2)分析了科研合作网中合作者和论文 数随着时间的变化规律，发现每篇论文的合作者 BC(i)= (3) s<t gs 数分布符合幂律分布。Alves等1]研究了在科研 式中：g表示节点s和节点t之间的最短路径数， 合作网的演化过程中核心科研团队的演化规律。 n表示节点s和节点t之间经过节点i的最短路径。 Nguyen等[41s)研究了科研合作网演化过程中社 节点的介数值越高，这个节点越有影响力，说明这个 团的演化。 节点越重要。 目前，研究者对科研合作网络演化的研究虽 1.4接近中心性 然从宏观和微观2个方面进行，分析科研合作网 接近中心性用来度量网络中节点通过网络对其 的网络属性随着时间演化的变化规律，但是对科 他节点施加影响的能力。节点的接近中心性越大， 研合作网的微观结构研究大部分基于节点自身 表明该节点居于网络中心的能力越大。接近中心性 的属性对演化网络的影响，而对网络中意见领袖 的表达式为[2 和结构洞的演化研究甚少。因此本文立足于科 W-1 研合作网络，从微观层面基于意见领袖和结构洞 CC(i)=- (4) 对学术会议科研合作网络进行分析，比较科研合 作网5个重要节点作者发现的评价指标(PageR- 式中：N表示节点数，d:表示节点i到节点j的最短 ank值、聚集中心性、特征向量、介数中心性、接近 距离，节点接近中心性的值越大，表明节点居于网络
的交流、新时期复合型人才的培养等。 同时对某 一领域内科研合作网络的演化机制研究，可以发 现与科研合作网络相关的新知识，对了解科研合 作网的 最 新 研 究 动 态 和 发 展 方 向 有 着 重 要 的 意义。 很多研究人员对科研合作网络的宏观动态 演化进行了研究，Ｎｅｗｍａｎ 发现生物化学、物理、 高能物理和计算机科学 ４ 个数据库中论文合作 网络 都 呈 现 小 世 界 特 征、 度 分 布 具 有 幂 律 特 征［ ２］ 。 Ｂａｒａｂａｓｉｅ 等利用数学与神经科学 ８ 年合 作网络，发现平均度随时间减少，定点分离度增 加， 网 络 度 分 布 呈 无 标 度 特 性［ ３］ 。 Ｔｏｍａｓｓｉｎｉ 等［ ４⁃５］ 分析了科研合作网络的时间演化规律，对 平均度、聚类系数、平均路径长度、度分布的增长 规律做出了实证研究。 Ａｌｍｅｎｄｒａｌ 等［ ６］ 分析了欧 洲框架内的机构间合作网络，发现了加速增长的 无标度 现 象， 表 明 新 合 作 不 断 得 到 鼓 励。 Ｋｉｍ 等［ ７］ 分析了韩国热点研究者科研合作网的 ２ 个 组群和重叠节点的演化规律。 胡枫等［ ８］ 利用平 均场理论发现了作者的发表论文数分布符合幂 律分布，并且分布的幂指数 γ 与合作领域作者增 长速度相关。 也有不少微观动态演化方面的研 究，主要集中对个体工作者的研究。 李季等［ ９］ 考 虑到实际网络演化过程中广泛存在的节点数加 速增长现象，提出了一种基于 ＢＡ 模型的节点数 加速增长的网络模型。 苑卫国等［ １０］ 对微博网络 中用户特征量和增长率分布进行了研究。 池丽 萍［ １１］ 从微观角度研究了复杂网络演化过程中， 通过删 除 节 点 和 边， 网 络 的 平 均 度 变 化 情 况。 Ｍａｄａａｎ 等［ １２］ 分析了科研合作网中合作者和论文 数随着时间的变化规律，发现每篇论文的合作者 数分布符合幂律分布。 Ａｌｖｅｓ 等［ １３］ 研究了在科研 合作网的演化过程中核心科研团队的演化规律。 Ｎｇｕｙｅｎ 等［ １４⁃１５］ 研究了科研合作网演化过程中社 团的演化。 目前，研究者对科研合作网络演化的研究虽 然从宏观和微观 ２ 个方面进行，分析科研合作网 的网络属性随着时间演化的变化规律，但是对科 研合作网的微观结构研究大部分基于节点自身 的属性对演化网络的影响，而对网络中意见领袖 和结构洞的演化研究甚少。 因此本文立足于科 研合作网络，从微观层面基于意见领袖和结构洞 对学术会议科研合作网络进行分析，比较科研合 作网 ５ 个重要节点作者发现的评价指标（ ＰａｇｅＲ⁃ ａｎｋ 值、聚集中心性、特征向量、介数中心性、接近 中心性）以及研究意见领袖、结构洞的演化规律。 １ 理论基础 本文用到的重要节点评价指标如下：设图 Ｇ ＝ （Ｖ，Ｅ） 是一个无向网络，其中 Ｖ ＝ ｛ｖ１ ，ｖ２ ，…，ｖｎ ｝ 是 所有节点的集合， Ｅ ＝ ｛ｅ１ ，ｅ２ ，…，ｅｍ ｝ 是节点之间的 边的集合。 １．１ 度中心性 度中心性［１２］刻画的是节点直接影响力，不同规 模的网络中有相同度值的节点有不同的影响力，为 了进行比较，定义节点 ｖｉ 的归一化度中心性指标为 ＤＣ（ｉ） ＝ ｋｉ ｎ － １ （１） 式中： ｋｉ ＝∑ｉ ａｉｊ ， ａｉｊ 即网络邻接矩阵 Ａ 中第 ｉ 行第 ｊ 列元素，ｎ 为网络的节点数目，分母 ｎ－１ 为节点可 能的最大度值。 １．２ 特征向量 一个节点的重要性既取决于其邻居节点的数 量，也取决于其邻居节点的重要性。 记 ＥＣｉ 为节点 ｉ 的重要性度量值，那么，应该有［１６］ ＥＣｉ ＝ λ －１∑ Ｎ ｊ ＝ １ ａｉｊ ｅｊ （２） 式中： λ 为 邻 接 矩 阵 ａｉｊ 的 最 大 特 征 值， ｅ ＝ ［ｅ１ ，ｅ２ ，…，ｅｎ ］ Ｔ 为邻接矩阵 Ａ 对应最大矩阵值 λ 对 应的特征向量。 １．３ 介数中心性 介数指标（ｂｅｔｗｅｅｎｎｅｓｓ ｃｅｎｔｒａｌｉｔｙ）刻画了网络中 的节点对于信息流动的影响力，则节点 ｉ 的介数指 标定义为［１７］ ＢＣ（ｉ） ＝ ∑ｓ ＜ ｔ ｎ ｉ ｓｔ ｇｓｔ （３） 式中： ｇｓｔ 表示节点 ｓ 和节点 ｔ 之间的最短路径数， ｎ ｉ ｓｔ 表示节点 ｓ 和节点 ｔ 之间经过节点 ｉ 的最短路径。 节点的介数值越高，这个节点越有影响力，说明这个 节点越重要。 １．４ 接近中心性 接近中心性用来度量网络中节点通过网络对其 他节点施加影响的能力。 节点的接近中心性越大， 表明该节点居于网络中心的能力越大。 接近中心性 的表达式为［１２］ ＣＣ（ｉ） ＝ Ｎ － １ ∑ Ｎ ｊ ＝ １ ｄｉｊ （４） 式中： Ｎ 表示节点数， ｄｉｊ 表示节点 ｉ 到节点 ｊ 的最短 距离，节点接近中心性的值越大，表明节点居于网络 第 ４ 期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 ·６２１·
·622· 智能系统学报 第10卷 中心位置的程度越大，在网络中越重要。 指向网页B,就认为B获得了A对它贡献的分值， l.5 PageRank值 该值得多少取决于网页A本身的重要程度，即网页 PageRank(PR)【8)是Google对网页重要性的评 A的重要性越大，网页B获得的贡献值就越高。即 估，PageRank值的高低是衡量网页在Google搜索引 本文中使用的PageRank值就是节点的链接数，节点 擎中排名的重要参数之一。本文将PageRank值作 PageRank值越大，此节点就越重要。PageRank算 为衡量节点重要性的指标。 法[劉公式为 2结构洞和意见领袖的挖掘及演化 PR(x)=- 了PR(Y) =0+o2c(Y) (5) n Lou等认为创新的想法首先是由意见领袖传播 结构洞和意见领袖的演化算法（算法2）描述 到更广泛的群体，因此，某个个体与不同团队的意见 如下： 领袖有联系，同时这个个体有可能成为结构洞占据 Begin 者[)。本节将提出意见领袖和结构洞两类重要节 1)for v 1 to n 点在科研合作网上的动态演化。 for t=1 to T 为了能够清楚地对演化模型进行描述，下面给 G,={G,G2,…,G}/得到每个T时刻图G的 出结构洞和意见领袖挖掘及演化模型对应的算法。 集合 意见领袖和结构洞对应的算法（算法1）描述如下： 2)0L1={ol1,1,ol1.2,…,ol1.k} begin 1)根据V和E生成图G 0L,={ol.1,ol.2,…,ol4}/得到每个1时 2)forv=1ton/意见领袖的挖掘；计算 刻网络图中的前k意见领袖 每个节点对应的度中心性DC(),特征向量 3)SH1={sh1.1,sh1.2,…,sh1,k} EC(),介数中心性BC(),接近中心性CC(), PR(v); SHx={shr.1,shr.2,…,shr.}/得到每个t end for 时刻网络图中的前k结构洞 3)sot(DC);/按照度中心性进行降序排序 4)比较0L1,0L2,…,0L,/比较连续t时刻 sot(EC);/按照特征向量进行降序排序 前k意见领袖 sot(BC)://按照介数中心性进行降序排序 5)比较SH1,SH2,…,SH,/比较连续t时刻 sot(CC);/按照接近中心性进行降序排序 前k结构洞 sort(PR);/按照PageRank值进行降序 6)对比分析0L1,0L2,…,0L,和SH1,SH2,…, 排序 SH?之间的关系 4)找出按每个指标排序之后的前k节点即为 end for 对应的意见领袖 end for 5)for v =1 to n /结构洞的挖掘，计算每 End 个节点对应的约束度 其中PR(x)为网页x的PageRank值；PR(Y:) end for 为连接到网页x的网页Y:的PageRank值；Cm(Y:) 6)sot(C);/按约束度进行升序排序 为网页Y,的出链接量：σ为阻尼系数，表示在任意 7)找出排序之后的前k节点即对应结构洞H= 时刻，用户到达某网页后并继续向后浏览的概率，阻 (h,h2,…,hg) 尼系数越大，页面级别的收益越大，通常设定σ为 End 0.85;n为网页总数。本文借鉴PageRank算法将网 算法1中步骤2，使用的重要节点衡量指标为 页链接价值概念重要性排名因素的思想。 PageRank值、度中心性、特征向量、介数中心性、接 算法1中步骤5使用的结构洞挖掘公式，是将 近中心性。分别用这几种指标来计算节点的重要性 约束度最小的节点作为合作网络的结构洞占据者， 值，并按大小排序，其中PageRank算法基本思想是： 即按约束度系数来挖掘结构洞，其中节点i的网络 每个到页面的链接都是对该页面的一次“投票”，被 约束系数的计算表达式[为 链接的次数越多，意味着该页面就越重要；PageRank 是基于传统的随机游走模型，当网页A有一个链接 C:=∑(Pg+∑PP) (6)
中心位置的程度越大，在网络中越重要。 １．５ ＰａｇｅＲａｎｋ 值 ＰａｇｅＲａｎｋ（ＰＲ） ［１８］是 Ｇｏｏｇｌｅ 对网页重要性的评 估，ＰａｇｅＲａｎｋ 值的高低是衡量网页在 Ｇｏｏｇｌｅ 搜索引 擎中排名的重要参数之一。 本文将 ＰａｇｅＲａｎｋ 值作 为衡量节点重要性的指标。 ２ 结构洞和意见领袖的挖掘及演化 Ｌｏｕ 等认为创新的想法首先是由意见领袖传播 到更广泛的群体，因此，某个个体与不同团队的意见 领袖有联系，同时这个个体有可能成为结构洞占据 者［１９］ 。 本节将提出意见领袖和结构洞两类重要节 点在科研合作网上的动态演化。 为了能够清楚地对演化模型进行描述，下面给 出结构洞和意见领袖挖掘及演化模型对应的算法。 意见领袖和结构洞对应的算法（算法 １）描述如下： ｂｅｇｉｎ １） 根据 Ｖ 和 Ｅ 生成图 Ｇ ２） ｆｏｒ ｖ ＝ １ ｔｏ ｎ ／ ／ 意见领袖的挖掘；计算 每个 节 点 对 应 的 度 中 心 性 ＤＣ（ｖ） ， 特 征 向 量 ＥＣ（ｖ） ，介数中心性 ＢＣ（ｖ） ，接近中心性 ＣＣ（ｖ） ， ＰＲ（ｖ） ； ｅｎｄ ｆｏｒ ３） ｓｏｒｔ（ ＤＣ ）； ／ ／ 按照度中心性进行降序排序 ｓｏｒｔ（ ＥＣ ）； ／ ／ 按照特征向量进行降序排序 ｓｏｒｔ（ ＢＣ ）； ／ ／ 按照介数中心性进行降序排序 ｓｏｒｔ（ ＣＣ ）； ／ ／ 按照接近中心性进行降序排序 ｓｏｒｔ（ ＰＲ ）； ／ ／ 按照 ＰａｇｅＲａｎｋ 值进行降序 排序 ４） 找出按每个指标排序之后的前 ｋ 节点即为 对应的意见领袖 ５） ｆｏｒ ｖ ＝ １ ｔｏ ｎ ／ ／ 结构洞的挖掘，计算每 个节点对应的约束度 ｅｎｄ ｆｏｒ ６） ｓｏｒｔ（Ｃ）； ／ ／ 按约束度进行升序排序 ７） 找出排序之后的前 ｋ 节点即对应结构洞 Ｈ ＝ （ｈ１ ，ｈ２ ，…，ｈｋ） Ｅｎｄ 算法 １ 中步骤 ２，使用的重要节点衡量指标为 ＰａｇｅＲａｎｋ 值、度中心性、特征向量、介数中心性、接 近中心性。 分别用这几种指标来计算节点的重要性 值，并按大小排序，其中 ＰａｇｅＲａｎｋ 算法基本思想是： 每个到页面的链接都是对该页面的一次“投票”，被 链接的次数越多，意味着该页面就越重要；ＰａｇｅＲａｎｋ 是基于传统的随机游走模型，当网页 Ａ 有一个链接 指向网页 Ｂ，就认为 Ｂ 获得了 Ａ 对它贡献的分值， 该值得多少取决于网页 Ａ 本身的重要程度，即网页 Ａ 的重要性越大，网页 Ｂ 获得的贡献值就越高。 即 本文中使用的 ＰａｇｅＲａｎｋ 值就是节点的链接数，节点 ＰａｇｅＲａｎｋ 值越大，此节点就越重要。 ＰａｇｅＲａｎｋ 算 法［１８］公式为 ＰＲ（ｘ） ＝ １ － σ ｎ ＋ σ∑ ｎ ｉ ＝ １ ＰＲ（Ｙｉ） Ｃｏｕｔ（ＹＩ） （５） 结构洞和意见领袖的演化算法（算法 ２） 描述 如下： Ｂｅｇｉｎ １） ｆｏｒ ｖ ＝ １ ｔｏ ｎ ｆｏｒ ｔ ＝ １ ｔｏ Ｔ Ｇｔ ＝ ｛Ｇ１ ，Ｇ２ ，…，ＧＴ ｝ ／ ／ 得到每个 Ｔ 时刻图 Ｇ 的 集合 ２） ＯＬ１ ＝ ｛ｏｌ １，１ ，ｏｌ １，２ ，…，ｏｌ １，ｋ｝ ︙ ＯＬＴ ＝ ｛ｏｌＴ，１ ，ｏｌＴ，２ ，…，ｏｌＴ，ｋ｝ ／ ／ 得到每个 ｔ 时 刻网络图中的前 ｋ 意见领袖 ３） ＳＨ１ ＝ ｛ｓｈ１，１ ，ｓｈ１，２ ，…，ｓｈ１，ｋ｝ ︙ ＳＨＴ ＝ ｛ｓｈＴ，１ ，ｓｈＴ，２ ，…，ｓｈＴ，ｋ｝ ／ ／ 得到每个 ｔ 时刻网络图中的前 ｋ 结构洞 ４） 比较 ＯＬ１ ，ＯＬ２ ，…，ＯＬＴ ／ ／ 比较连续 ｔ 时刻 前 ｋ 意见领袖 ５） 比较 ＳＨ１ ，ＳＨ２ ，…，ＳＨＴ ／ ／ 比较连续 ｔ 时刻 前 ｋ 结构洞 ６）对比分析 ＯＬ１ ，ＯＬ２ ，…，ＯＬＴ 和 ＳＨ１ ，ＳＨ２ ，…， ＳＨＴ 之间的关系 ｅｎｄ ｆｏｒ ｅｎｄ ｆｏｒ Ｅｎｄ 其中 ＰＲ（ｘ） 为网页 ｘ 的 ＰａｇｅＲａｎｋ 值； ＰＲ（Ｙｉ） 为连接到网页 ｘ 的网页 Ｙｉ 的 ＰａｇｅＲａｎｋ 值； Ｃｏｕｔ（Ｙｉ） 为网页 Ｙｉ 的出链接量； σ 为阻尼系数，表示在任意 时刻，用户到达某网页后并继续向后浏览的概率，阻 尼系数越大，页面级别的收益越大，通常设定 σ 为 ０．８５；ｎ 为网页总数。 本文借鉴 ＰａｇｅＲａｎｋ 算法将网 页链接价值概念重要性排名因素的思想。 算法 １ 中步骤 ５ 使用的结构洞挖掘公式，是将 约束度最小的节点作为合作网络的结构洞占据者， 即按约束度系数来挖掘结构洞，其中节点 ｉ 的网络 约束系数的计算表达式［１９］为 Ｃｉ ＝ ∑ ｊ ｐｉｊ ＋ ｑ∑≠ｉ≠ｊ ｐｉｑ ｐ ( ｑｊ) ２ （６） ·６２２· 智 能 系 统 学 报 第 １０ 卷
第4期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 ·623. 式中：g为连接节点i和节点j的间接节点，P。为 引用数作为意见领袖衡量指标，PageRank值和度中 节点i花费在节点j上的时间占其总时间的比 心性指标比特征向量、接近中心性、介数中心性指标 例。网络约束系数C:越小，节点占据结构洞的程 有较好的刻画节点重要性的能力。 度越大。 ×10 算法2中，按照上述介绍的PageRank算法和 40r -Topic16 ★ICTAI 结构洞挖掘公式分别找出每个时刻t对应的前k 0 COLT ◆ICML 意见领袖l,和前k结构洞h,由每个时刻t的前k 20 15 意见领袖和前k结构洞得到意见领袖集合L和结 10 构洞H。分别分析集合L和集合H中前k意见领 0 Page度中特征介数接近 袖和前k结构洞随着时间的变化情况：最后对t= Rank心性向量中心性中心性 1oT时间内意见领袖和结构洞的动态变化进行 图1按5个指标挖掘的前5节点引用数之和 对比分析，找出意见领袖和结构洞演化规律。 Fig.1 The total citation of Top 5 nodes based on five indices 3实证分析 3.2.2结构洞的发现 以3个不同级别会议和Topic16数据集为例， 3.1数据来源及处理 表2给出前10和Topic16数据集结构洞，同时给出 本文的数据来源是DBLP数据库系统[20]中下 前10意见领袖作为对比。 载的作者合作关系数据以及清华大学ArnetMiner 表2前10结构洞与前10意见领袖对比 (研究者社会网络分析与挖掘系统)[2)系统下载的 Table 2 Comparison of Topl0 structure holes and Topl0 数据Topic 16。从DBLP数据库中选取人工智能与 opinion leaders 模式识别领域2005-2013年的6个会议，分为3个 AAAI COLT ICTAI Topic16 不同级别，A类：ICML会议、AAAI会议，B类：COLT 结构意见结构意见结构意见结构意见 会议、ECAI会议，C类：ICTAI会议、ICANN会议：具 洞领袖洞领袖洞领袖洞领袖 体的数据信息如表1。 14604719198198186648642 642 表1合作网络数据信息表 47191460497512 648186 615 615 Table 1 Statistics of collaboration network datasets 42003048467 497724724 130 130 47674767369 46717931916 540 203 类别 数据来源 节点数 边数 24024476512 7212282511 203 540 ICML 2730 5516 A类 3374512264 518 853 926 226 226 AAAI 5192 11000 4476389 72 290 830 744 305 590 ECAI 3207 5180 B类 19804200335 141 926 853 174 305 COLT 517 879 13452402 451 33516111793 590 174 ICTAI 2485 4322 C类 389198036436915231523114497 ICANN 1990 3066 Topic 16 679 1687 表2中黑体节点编号即是结构洞又是意见领 3.2微观结构实证分析会议科研合作网络 袖，在AAAI数据集上，前10结构洞占据者有7个 3.2.1影响力节点的评价指标分析 都是意见领袖，Topicl6数据集上，前10结构洞占据 在不同级别的6个会议数据集上，分别按上述 者有9个都是意见领袖，在其他几个会议上也有类 介绍的5种指标找出前5节点。图1给出了其中3 似的结果，再此不给出说明。 实验结果表明，在3个会议数据集上，每个会议 个会议和Topic16数据集按5个指标排序前5名作 者的引用数之和的结果对比。 前10结构洞占据者大部分是意见领袖。说明此科 从图1可以看出，3个不同级别会议数据集上， 研合作网中的科研交流是通过意见领袖产生的，意 按PageRank值和度中心性找出的前5作者引用数 见领袖不仅领导团队内部的合作，对团队之间的合 之和大于按特征向量、介数中心性、接近中心性找出 作也起着重要的作用。 的前5引用数之和。并且在本文给出的另外3个数 3.2.3意见领袖与结构洞的动态演化 据上也有类似的结果。结果表明，在本文数据上，以 1)意见领袖动态演化。 图2~4分别以ICML、ICTAI和COLT数据集为
式中：ｑ 为连接节点 ｉ 和节点 ｊ 的间接节点， Ｐｉｊ 为 节点 ｉ 花费在节点 ｊ 上的时间占其总时 间 的 比 例。 网络约束系数 Ｃｉ 越小，节点占据结构洞的程 度越大。 算法 ２ 中，按照上述介绍的 ＰａｇｅＲａｎｋ 算法和 结构洞挖掘公式分别找出每个时刻 ｔ 对应的前 ｋ 意见领袖 ｌ ｔ和前 ｋ 结构洞 ｈｔ，由每个时刻 ｔ 的前 ｋ 意见领袖和前 ｋ 结构洞得到意见领袖集合 Ｌ 和结 构洞 Ｈ。 分别分析集合 Ｌ 和集合 Ｈ 中前 ｋ 意见领 袖和前 ｋ 结构洞随着时间的变化情况；最后对 ｔ ＝ １ ｔｏ Ｔ 时间内意见领袖和结构洞的动态变化进行 对比分析，找出意见领袖和结构洞演化规律。 ３ 实证分析 ３．１ 数据来源及处理 本文的数据来源是 ＤＢＬＰ 数据库系统［２０］ 中下 载的作者合作关系数据以及清华大学 ＡｒｎｅｔＭｉｎｅｒ （研究者社会网络分析与挖掘系统） ［２１］ 系统下载的 数据 Ｔｏｐｉｃ １６。 从 ＤＢＬＰ 数据库中选取人工智能与 模式识别领域 ２００５－２０１３ 年的 ６ 个会议，分为 ３ 个 不同级别，Ａ 类：ＩＣＭＬ 会议、ＡＡＡＩ 会议，Ｂ 类：ＣＯＬＴ 会议、ＥＣＡＩ 会议，Ｃ 类：ＩＣＴＡＩ 会议、ＩＣＡＮＮ 会议；具 体的数据信息如表 １。 表 １ 合作网络数据信息表 Ｔａｂｌｅ １ Ｓｔａｔｉｓｔｉｃｓ ｏｆ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｄａｔａｓｅｔｓ 类别 数据来源 节点数 边数 Ａ 类 ＩＣＭＬ ２ ７３０ ５ ５１６ ＡＡＡＩ ５ １９２ １１ ０００ Ｂ 类 ＥＣＡＩ ３ ２０７ ５ １８０ ＣＯＬＴ ５１７ ８７９ Ｃ 类 ＩＣＴＡＩ ２ ４８５ ４ ３２２ ＩＣＡＮＮ １ ９９０ ３ ０６６ Ｔｏｐｉｃ １６ ６７９ １ ６８７ ３．２ 微观结构实证分析会议科研合作网络 ３．２．１ 影响力节点的评价指标分析 在不同级别的 ６ 个会议数据集上，分别按上述 介绍的 ５ 种指标找出前 ５ 节点。 图 １ 给出了其中 ３ 个会议和 Ｔｏｐｉｃ １６ 数据集按 ５ 个指标排序前 ５ 名作 者的引用数之和的结果对比。 从图 １ 可以看出，３ 个不同级别会议数据集上， 按 ＰａｇｅＲａｎｋ 值和度中心性找出的前 ５ 作者引用数 之和大于按特征向量、介数中心性、接近中心性找出 的前 ５ 引用数之和。 并且在本文给出的另外 ３ 个数 据上也有类似的结果。 结果表明，在本文数据上，以 引用数作为意见领袖衡量指标，ＰａｇｅＲａｎｋ 值和度中 心性指标比特征向量、接近中心性、介数中心性指标 有较好的刻画节点重要性的能力。 图 １ 按 ５ 个指标挖掘的前 ５ 节点引用数之和 Ｆｉｇ． １ Ｔｈｅ ｔｏｔａｌ ｃｉｔａｔｉｏｎ ｏｆ Ｔｏｐ ５ ｎｏｄｅｓ ｂａｓｅｄ ｏｎ ｆｉｖｅ ｉｎｄｉｃｅｓ ３．２．２ 结构洞的发现 以 ３ 个不同级别会议和 Ｔｏｐｉｃ１６ 数据集为例， 表 ２ 给出前 １０ 和 Ｔｏｐｉｃ １６ 数据集结构洞，同时给出 前 １０ 意见领袖作为对比。 表 ２ 前 １０ 结构洞与前 １０ 意见领袖对比 Ｔａｂｌｅ ２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｔｏｐ１０ ｓｔｒｕｃｔｕｒｅ ｈｏｌｅｓ ａｎｄ Ｔｏｐ１０ ｏｐｉｎｉｏｎ ｌｅａｄｅｒｓ ＡＡＡＩ ＣＯＬＴ ＩＣＴＡＩ Ｔｏｐｉｃ１６ 结构 洞 意见 领袖 结构 洞 意见 领袖 结构 洞 意见 领袖 结构 洞 意见 领袖 １ ４６０ ４ ７１９ １９８ １９８ １８６ ６４８ ６４２ ６４２ ４ ７１９ １ ４６０ ４９７ ５１２ ６４８ １８６ ６１５ ６１５ ４ ２００ ３ ０４８ ４６７ ４９７ ７２４ ７２４ １３０ １３０ ４ ７６７ ４ ７６７ ３６９ ４６７ １ ７９３ １ ９１６ ５４０ ２０３ ２ ４０２ ４ ４７６ ５１２ ７２ １ ２２８ ２５１１ ２０３ ５４０ ３ ３７４ ５１２ ２６４ ５１８ ８５３ ９２６ ２２６ ２２６ ４ ４７６ ３８９ ７２ ２９０ ８３０ ７４４ ３０５ ５９０ １ ９８０ ４ ２００ ３３５ １４１ ９２６ ８５３ １７４ ３０５ １ ３４５ ２ ４０２ ４５１ ３３５ １ ６１１ １ ７９３ ５９０ １７４ ３８９ １ ９８０ ３６４ ３６９ １ ５２３ １ ５２３ １１４ ４９７ 表 ２ 中黑体节点编号即是结构洞又是意见领 袖，在 ＡＡＡＩ 数据集上，前 １０ 结构洞占据者有 ７ 个 都是意见领袖，Ｔｏｐｉｃ１６ 数据集上，前 １０ 结构洞占据 者有 ９ 个都是意见领袖，在其他几个会议上也有类 似的结果，再此不给出说明。 实验结果表明，在 ３ 个会议数据集上，每个会议 前 １０ 结构洞占据者大部分是意见领袖。 说明此科 研合作网中的科研交流是通过意见领袖产生的，意 见领袖不仅领导团队内部的合作，对团队之间的合 作也起着重要的作用。 ３．２．３ 意见领袖与结构洞的动态演化 １）意见领袖动态演化。 图 ２～４ 分别以 ＩＣＭＬ、ＩＣＴＡＩ 和 ＣＯＬＴ 数据集为 第 ４ 期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 ·６２３·
624 智能系统学报 第10卷 例，给出了2005年按PageRank值排序前3节点随 ±Yoram Singer 着时间在网络中影响力排名变化。 80 「-Manfred K. 70 6 ◆Gabor Lugosi 250 200 士Niels Birbaumer Martin Bogdan 3 150 ◆Bernhard Scholkopf 10 100 0 20052006200720082009201020I120I22013 年份 50 图4前3节点影响力排名变化(COLT) 0◆ 2005200620072008200920102012012 Fig.4 Ranking of the Top 3 node influence(COLT) 年份 图中可以看出，在3个不同级别会议数据上，按 图2前3节点影响力排名变化(ICML) PageRank值排名前3的节点在随后的年份中排名 Fig.2 Ranking of the Top 3 nodes influence(ICML) 均有所靠后，同样在文本其他几个数据集上也有类 70[◆Andrew Lim 似的结果，这说明该类会议每年有新的作者进入，新 60 -Nasser Sadati 加入的作者与网络中作者有新的连接，每年的意见 50 -Pradeep M.Patil 领袖变化较大。 营 40 ● 0 2)结构洞动态演化。 20 表3是前1结构洞占据者对应作者以及约束 10 度。本文表中人名全部由首字母缩写给出。ICML 20052006200720082009200201202 中，2005-2011年，B.S一直是结构洞的占据者 年份 2012-2013年，M.L.J成为结构洞。ECAI中，从2009 年后，N.B就一直是结构洞占据者；ICANN中，从 图3前3节点影响力排名变化(ICTAI) 2008年后，M.F.B就一直是结构洞的占据者。并且 Fig.3 Ranking of the Top 3 node influence(ICTAI) 这些结构洞占据者的约束度值随着年份逐年递减。 表3ICML、ECAL,ICANN会议前I结构洞节点 Table 3 Top 1 structure holes (ICML,ECAI,ICANN) 2005 2006 2007 2008 20092010 2011 2012 2013 ICML B.S B.S B.S B.S B.S B.S B.S M.LJ M.II 约束度0.14650.14260.11110.08830.08960.09040.08020.06840.0625 ECAI A.L A.L F.C F.C N.B N.B N.B N.B N.B 约束度0.30270.30270.22550.22550.15780.15780.1420.130.12 ICANN A.B A R.K T.Z M.F.BM.F.BM.F.B M.F.B M.F.B M.F.B 约束度0.5 0.310.26 0.200.140.150.1460.120.115 实验结果说明，在3个不同级别的会议数据集 ICML会议中，2005-2011年的结构洞占据者 上，科研合作网随着时间动态演化，但每年网络中按 B.S,在2012和2013年成为了意见领袖。ICTAI会 约束度排名第1结构洞的占据者基本一致。并且这 议中，2010年的结构洞占据者N.B在2011-2013年 些第1作者占据结构洞的程度越来越大，即他们控 成为了意见领袖。C0LT会议中，2008年的结构洞 制科研合作网中团队合作的能力越来越大，在动态 占据者M.B在2012-2013年成为了意见领袖，2009 的科研合作网中，对信息的交流与研究者合作起着 年的结构洞占据者YM在2010-2011年成为了意见 越来越重要的作用。 领袖。在其他3个会议也能得到同样的结论，这里 3)意见领袖与结构洞的演化关系。 不做详细图表说明。 在本文所给的科研合作网中，意见领袖和结构 实验结果表明，在人工智能与模式识别领域的 洞之间存在着相互转换的关系。表4以ICML会议、 6个会议的数据集上，结构洞随着网络的演化，有可 ICTAI会议和COLT会议为例，给出了每年意见领袖 能成为意见领袖，即促进团队之间合作交流的研究 和第1结构洞。 者，也有可能随着网络的演化成为团队中的领袖者
例，给出了 ２００５ 年按 ＰａｇｅＲａｎｋ 值排序前 ３ 节点随 着时间在网络中影响力排名变化。 图 ２ 前 ３ 节点影响力排名变化（ＩＣＭＬ） Ｆｉｇ． ２ Ｒａｎｋｉｎｇ ｏｆ ｔｈｅ Ｔｏｐ ３ ｎｏｄｅｓ ｉｎｆｌｕｅｎｃｅ（ＩＣＭＬ） 图 ３ 前 ３ 节点影响力排名变化（ＩＣＴＡＩ） Ｆｉｇ． ３ Ｒａｎｋｉｎｇ ｏｆ ｔｈｅ Ｔｏｐ ３ ｎｏｄｅ ｉｎｆｌｕｅｎｃｅ（ＩＣＴＡＩ） 图 ４ 前 ３ 节点影响力排名变化（ＣＯＬＴ） Ｆｉｇ． ４ Ｒａｎｋｉｎｇ ｏｆ ｔｈｅ Ｔｏｐ ３ ｎｏｄｅ ｉｎｆｌｕｅｎｃｅ（ＣＯＬＴ） 图中可以看出，在 ３ 个不同级别会议数据上，按 ＰａｇｅＲａｎｋ 值排名前 ３ 的节点在随后的年份中排名 均有所靠后，同样在文本其他几个数据集上也有类 似的结果，这说明该类会议每年有新的作者进入，新 加入的作者与网络中作者有新的连接，每年的意见 领袖变化较大。 ２）结构洞动态演化。 表 ３ 是前 １ 结构洞占据者对应作者以及约束 度。 本文表中人名全部由首字母缩写给出。 ＩＣＭＬ 中，２００５ － ２０１１ 年， Ｂ． Ｓ 一直是结构洞的占据者， ２０１２－２０１３年，Ｍ．Ｉ． Ｊ 成为结构洞。 ＥＣＡＩ 中，从 ２００９ 年后，Ｎ． Ｂ 就一直是结构洞占据者；ＩＣＡＮＮ 中，从 ２００８ 年后，Ｍ．Ｆ．Ｂ 就一直是结构洞的占据者。 并且 这些结构洞占据者的约束度值随着年份逐年递减。 表 ３ ＩＣＭＬ、ＥＣＡＩ、ＩＣＡＮＮ 会议前 １ 结构洞节点 Ｔａｂｌｅ ３ Ｔｏｐ １ ｓｔｒｕｃｔｕｒｅ ｈｏｌｅｓ （ＩＣＭＬ、ＥＣＡＩ、ＩＣＡＮＮ） ２００５ ２００６ ２００７ ２００８ ２００９ ２０１０ ２０１１ ２０１２ ２０１３ ＩＣＭＬ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｍ．Ｉ．Ｊ Ｍ．Ｉ．Ｊ 约束度 ０．１４６ ５ ０．１４２ ６ ０．１１１ １ ０．０８８ ３ ０．０８９ ６ ０．０９０ ４ ０．０８０ ２ ０．０６８ ４ ０．０６２ ５ ＥＣＡＩ Ａ．Ｌ Ａ．Ｌ Ｆ．Ｃ Ｆ．Ｃ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ 约束度 ０．３０２ ７ ０．３０２ ７ ０．２２５ ５ ０．２２５ ５ ０．１５７ ８ ０．１５７ ８ ０．１４２ ０．１３ ０．１２ ＩＣＡＮＮ Ａ．Ｂ Ａ Ｒ．Ｋ Ｔ． Ｚ Ｍ．Ｆ．Ｂ Ｍ．Ｆ．Ｂ Ｍ．Ｆ．Ｂ Ｍ．Ｆ．Ｂ Ｍ．Ｆ．Ｂ Ｍ．Ｆ．Ｂ 约束度 ０．５ ０．３１ ０．２６ ０．２０ ０．１４ ０．１５ ０．１４６ ０．１２ ０．１１５ 实验结果说明，在 ３ 个不同级别的会议数据集 上，科研合作网随着时间动态演化，但每年网络中按 约束度排名第 １ 结构洞的占据者基本一致。 并且这 些第 １ 作者占据结构洞的程度越来越大，即他们控 制科研合作网中团队合作的能力越来越大，在动态 的科研合作网中，对信息的交流与研究者合作起着 越来越重要的作用。 ３）意见领袖与结构洞的演化关系。 在本文所给的科研合作网中，意见领袖和结构 洞之间存在着相互转换的关系。 表 ４ 以 ＩＣＭＬ 会议、 ＩＣＴＡＩ 会议和 ＣＯＬＴ 会议为例，给出了每年意见领袖 和第 １ 结构洞。 ＩＣＭＬ 会议中，２００５－ ２０１１ 年的结构洞占据者 Ｂ．Ｓ，在 ２０１２ 和 ２０１３ 年成为了意见领袖。 ＩＣＴＡＩ 会 议中，２０１０ 年的结构洞占据者 Ｎ．Ｂ 在 ２０１１－２０１３ 年 成为了意见领袖。 ＣＯＬＴ 会议中，２００８ 年的结构洞 占据者 Ｍ．Ｂ 在 ２０１２－２０１３ 年成为了意见领袖，２００９ 年的结构洞占据者 ＹＭ 在 ２０１０－２０１１ 年成为了意见 领袖。 在其他 ３ 个会议也能得到同样的结论，这里 不做详细图表说明。 实验结果表明，在人工智能与模式识别领域的 ６ 个会议的数据集上，结构洞随着网络的演化，有可 能成为意见领袖，即促进团队之间合作交流的研究 者，也有可能随着网络的演化成为团队中的领袖者。 ·６２４· 智 能 系 统 学 报 第 １０ 卷
第4期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 .625· 这些结构洞占据者成为合作网络中的领袖，他们在 要影响。 团队间是受关注的中间人，对促进团队的发展有重 表4意见领袖与结构洞的演化 Table 4 The evolution of opinion leaders and structure holes 2005 20062007 2008 2009 2010 2011 2012 2013 意见领袖B.S B.S B.S B.S B.S B.S B.S B.S B.S ICML 结构洞 B.S B.S B.S B.S B.S B.S B.S M.I.J M.I.J 意见领袖A.L A.L Y.W T.M.K B.O B.0 N.B N.B N.B ICTAI 结构洞 A.L A.L F.C F.C N.B N.B N.B N.B N.B 意见领袖AB RA.S Z M.B YM M.B M.B M.B M.B COLT 结构洞RA.S RA.S YM M.B YM YM YM M.B M.B 4结束语 tistical Mechanics and Its Applications,2007,385(2): 750-764 本文从微观结构层次，基于意见领袖和结构洞 [5]PERC M.Growth and structure of Slovenia's scientific col- 对学术科研合作网的动态演化进行研究，分析了人 laboration network [J ]Journal of Informetrics,2010,4 工智能与模式识别领域3个不同级别会议科研合作 (3):475-482. [6]RONDA-PUPO G A,GUERRAS-MARTIN L A.Dynamics 网的重要节点指标评价、意见领袖以及结构洞的演 of the scientific community network within the strategic man- 化特征。实验表明，在本文所给的数据集上，用引用 agement field through the Strategic Management Journal 数作为衡量意见领袖的影响力，发现按PageRank 1980-2009:The role of cooperation [J].Scientometrics, 值、度中心性指标找出的重要节点的影响力比按特 2010,85(3):821-848. 征向量、接近中心性、介数中心性找出的重要节点的 [7]KIM H,YOON J W,CROWCROFT J.Network analysis of 影响力要大；在本文中的会议科研合作网中，随着时 temporal trends in scholarly research productivity[]].Jour- 间的演化，每年的意见领袖变化比较大，而结构洞的 nal of Informetrics,2012,6(1):97-110. 变化相对稳定：结构洞的占据者大部分都是各自团 [8]胡枫，赵海兴，何佳倍，等.基于超图结构的科研合作网 队的领导者，并且这些作者在网络动态演化过程中 络演化模型[J].物理学报，2013,62(19)：198901. 占据结构洞的程度越来越大，即控制团队之间合作 HU Feng,ZHAO Haixing,HE Jiabei,et al.An evolving 与信息传递的能力越来越强：最后还发现在该科研 model for hypergraph-structure-based scientific collaboration 合作网络演化过程中，结构洞占据者有可能成为意 networks[J].Acta Physica Sinica,2013,62(19):198901. [9]李季，汪秉宏，蒋品群，等.节点数加速增长的复杂网络 见领袖，由合作网络中团队之间的中间人转变成为 生长模型[J].物理学报，2006,55(8)：4051-4057. 团队中的权威作者。未来我们的研究工作主要可从 LI Ji,WANG Binghong,JIANG Pinqun,et al.Growing 以下展开：将本文数据集上的实验分析结果运用在 complex network model with acceleratingly increasing num- 其他学术会议上，并将实验结果运用在学术会议的 ber of nodes[J.Acta Physica Sinica,2006,55(8):4051- 影响力预测上。 4057 参考文献： [10]苑卫国，刘云，程军军.微博网络中用户特征量和增长 率分布的研究[J].计算机学报，2014,37(4)：767. [1]De SOLLA P D S.Little science,big science M].New 778. York:Columbia University Press,1963. YUAN Weiguo,LIU Yun,CHENG Junjun.Research on [2]NEWMAN M E J.The structure of scientific collaboration the user characteristics and growth rates distribution in mi- networksJ.Proceedings of the National Academy of Sci- croblog[J].Chinese Journal of Computers,2014,37(4): ences of the United States of America,2001,98(2):404- 767-778. 409 [11]CHI Liping.Measuring microscopic evolution processes of [3]BARABASI AL,JEONG H,NEDA Z,et al.Evolution of complex networks based on empirical data[J].Journal of the social network of scientific collaborations[].Physica Physics Conference Series,2015,604(1):1-7. A:Statistical Mechanics and Its Applications,2002,311 [12]MADAAN G,JOLAD S.Evolution of scientifie collabora- (3/4):590-614. tion networks [C]//2014 IEEE International Conference [4]TOMASSINI M,LUTHI L.Empirical analysis of the evolu- on Big Data Big Data).Washington,DC:IEEE,2014: tion of a scientific collaboration network J.Physica A:Sta- 7-13
这些结构洞占据者成为合作网络中的领袖，他们在 团队间是受关注的中间人，对促进团队的发展有重 要影响。 表 ４ 意见领袖与结构洞的演化 Ｔａｂｌｅ ４ Ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｏｐｉｎｉｏｎ ｌｅａｄｅｒｓ ａｎｄ ｓｔｒｕｃｔｕｒｅ ｈｏｌｅｓ ２００５ ２００６ ２００７ ２００８ ２００９ ２０１０ ２０１１ ２０１２ ２０１３ ＩＣＭＬ 意见领袖 Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ 结构洞 Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｂ．Ｓ Ｍ．Ｉ．Ｊ Ｍ．Ｉ．Ｊ ＩＣＴＡＩ 意见领袖 Ａ．Ｌ Ａ．Ｌ Ｙ．Ｗ Ｔ．Ｍ． Ｋ Ｂ．Ｏ Ｂ．Ｏ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ 结构洞 Ａ．Ｌ Ａ．Ｌ Ｆ．Ｃ Ｆ．Ｃ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ Ｎ．Ｂ ＣＯＬＴ 意见领袖 Ａ．Ｂ ＲＡ．Ｓ ＴＺ Ｍ．Ｂ ＹＭ Ｍ．Ｂ Ｍ．Ｂ Ｍ．Ｂ Ｍ．Ｂ 结构洞 ＲＡ．Ｓ ＲＡ．Ｓ ＹＭ Ｍ．Ｂ ＹＭ ＹＭ ＹＭ Ｍ．Ｂ Ｍ．Ｂ ４ 结束语 本文从微观结构层次，基于意见领袖和结构洞 对学术科研合作网的动态演化进行研究，分析了人 工智能与模式识别领域 ３ 个不同级别会议科研合作 网的重要节点指标评价、意见领袖以及结构洞的演 化特征。 实验表明，在本文所给的数据集上，用引用 数作为衡量意见领袖的影响力，发现按 ＰａｇｅＲａｎｋ 值、度中心性指标找出的重要节点的影响力比按特 征向量、接近中心性、介数中心性找出的重要节点的 影响力要大；在本文中的会议科研合作网中，随着时 间的演化，每年的意见领袖变化比较大，而结构洞的 变化相对稳定；结构洞的占据者大部分都是各自团 队的领导者，并且这些作者在网络动态演化过程中 占据结构洞的程度越来越大，即控制团队之间合作 与信息传递的能力越来越强；最后还发现在该科研 合作网络演化过程中，结构洞占据者有可能成为意 见领袖，由合作网络中团队之间的中间人转变成为 团队中的权威作者。 未来我们的研究工作主要可从 以下展开：将本文数据集上的实验分析结果运用在 其他学术会议上，并将实验结果运用在学术会议的 影响力预测上。 参考文献： ［１］ Ｄｅ ＳＯＬＬＡ Ｐ Ｄ Ｓ． Ｌｉｔｔｌｅ ｓｃｉｅｎｃｅ， ｂｉｇ ｓｃｉｅｎｃｅ ［ Ｍ］． Ｎｅｗ Ｙｏｒｋ： Ｃｏｌｕｍｂｉａ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， １９６３． ［２］ ＮＥＷＭＡＮ Ｍ Ｅ Ｊ． Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉ⁃ ｅｎｃｅｓ ｏｆ ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ， ２００１， ９８（２）： ４０４⁃ ４０９． ［３］ＢＡＲＡＢÁＳＩ ＡＬ， ＪＥＯＮＧ Ｈ， ＮÉＤＡ Ｚ， ｅｔ ａｌ． Ｅｖｏｌｕｔｉｏｎ ｏｆ ｔｈｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａｔｉｏｎｓ ［ Ｊ］． Ｐｈｙｓｉｃａ Ａ： Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００２， ３１１ （３ ／ ４）： ５９０⁃６１４． ［４］ＴＯＭＡＳＳＩＮＩ Ｍ， ＬＵＴＨＩ Ｌ． Ｅｍｐｉｒｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｅｖｏｌｕ⁃ ｔｉｏｎ ｏｆ ａ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ［Ｊ］． Ｐｈｙｓｉｃａ Ａ： Ｓｔａ⁃ ｔｉｓｔｉｃａｌ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００７， ３８５ （ ２）： ７５０⁃７６４． ［５］ＰＥＲＣ Ｍ． Ｇｒｏｗｔｈ ａｎｄ ｓｔｒｕｃｔｕｒｅ ｏｆ Ｓｌｏｖｅｎｉａ’ ｓ ｓｃｉｅｎｔｉfiｃ ｃｏｌ⁃ ｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍｅｔｒｉｃｓ， ２０１０， ４ （３）： ４７５⁃４８２． ［６］ ＲＯＮＤＡ⁃ＰＵＰＯ Ｇ Ａ， ＧＵＥＲＲＡＳ⁃ＭＡＲＴÍＮ Ｌ Ａ． Ｄｙｎａｍｉｃｓ ｏｆ ｔｈｅ ｓｃｉｅｎｔｉｆｉｃ ｃｏｍｍｕｎｉｔｙ ｎｅｔｗｏｒｋ ｗｉｔｈｉｎ ｔｈｅ ｓｔｒａｔｅｇｉｃ ｍａｎ⁃ ａｇｅｍｅｎｔ ｆｉｅｌｄ ｔｈｒｏｕｇｈ ｔｈｅ Ｓｔｒａｔｅｇｉｃ Ｍａｎａｇｅｍｅｎｔ Ｊｏｕｒｎａｌ １９８０⁃２００９： Ｔｈｅ ｒｏｌｅ ｏｆ ｃｏｏｐｅｒａｔｉｏｎ ［ Ｊ ］． Ｓｃｉｅｎｔｏｍｅｔｒｉｃｓ， ２０１０， ８５（３）： ８２１⁃８４８． ［７］ＫＩＭ Ｈ， ＹＯＯＮ Ｊ Ｗ， ＣＲＯＷＣＲＯＦＴ Ｊ． Ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｏｆ ｔｅｍｐｏｒａｌ ｔｒｅｎｄｓ ｉｎ ｓｃｈｏｌａｒｌｙ ｒｅｓｅａｒｃｈ ｐｒｏｄｕｃｔｉｖｉｔｙ［ Ｊ］． Ｊｏｕｒ⁃ ｎａｌ ｏｆ Ｉｎｆｏｒｍｅｔｒｉｃｓ， ２０１２， ６（１）： ９７⁃１１０． ［８］胡枫， 赵海兴， 何佳倍， 等． 基于超图结构的科研合作网 络演化模型［Ｊ］． 物理学报， ２０１３， ６２（１９）： １９８９０１． ＨＵ Ｆｅｎｇ， ＺＨＡＯ Ｈａｉｘｉｎｇ， ＨＥ Ｊｉａｂｅｉ， ｅｔ ａｌ． Ａｎ ｅｖｏｌｖｉｎｇ ｍｏｄｅｌ ｆｏｒ ｈｙｐｅｒｇｒａｐｈ⁃ｓｔｒｕｃｔｕｒｅ⁃ｂａｓｅｄ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋｓ［Ｊ］． Ａｃｔａ Ｐｈｙｓｉｃａ Ｓｉｎｉｃａ， ２０１３， ６２（１９）： １９８９０１． ［９］李季， 汪秉宏， 蒋品群， 等． 节点数加速增长的复杂网络 生长模型［Ｊ］． 物理学报， ２００６， ５５（８）： ４０５１⁃４０５７． ＬＩ Ｊｉ， ＷＡＮＧ Ｂｉｎｇｈｏｎｇ， ＪＩＡＮＧ Ｐｉｎｑｕｎ， ｅｔ ａｌ． Ｇｒｏｗｉｎｇ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｗｉｔｈ ａｃｃｅｌｅｒａｔｉｎｇｌｙ ｉｎｃｒｅａｓｉｎｇ ｎｕｍ⁃ ｂｅｒ ｏｆ ｎｏｄｅｓ［Ｊ］． Ａｃｔａ Ｐｈｙｓｉｃａ Ｓｉｎｉｃａ， ２００６， ５５（８）： ４０５１⁃ ４０５７． ［１０］苑卫国， 刘云， 程军军． 微博网络中用户特征量和增长 率分布的研究［ Ｊ］． 计算机学报， ２０１４， ３７ （ ４）： ７６７⁃ ７７８． ＹＵＡＮ Ｗｅｉｇｕｏ， ＬＩＵ Ｙｕｎ， ＣＨＥＮＧ Ｊｕｎｊｕｎ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｕｓｅｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｇｒｏｗｔｈ ｒａｔｅｓ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｍｉ⁃ ｃｒｏｂｌｏｇ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２０１４， ３７（４）： ７６７⁃７７８． ［１１］ ＣＨＩ Ｌｉｐｉｎｇ． Ｍｅａｓｕｒｉｎｇ ｍｉｃｒｏｓｃｏｐｉｃ ｅｖｏｌｕｔｉｏｎ ｐｒｏｃｅｓｓｅｓ ｏｆ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｅｍｐｉｒｉｃａｌ ｄａｔａ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｐｈｙｓｉｃｓ Ｃｏｎｆｅｒｅｎｃｅ Ｓｅｒｉｅｓ， ２０１５， ６０４（１）： １⁃７． ［１２］ＭＡＤＡＡＮ Ｇ， ＪＯＬＡＤ Ｓ． Ｅｖｏｌｕｔｉｏｎ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａ⁃ ｔｉｏｎ ｎｅｔｗｏｒｋｓ ［ Ｃ］ ／ ／ ２０１４ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｇ Ｄａｔａ （Ｂｉｇ Ｄａｔａ）． Ｗａｓｈｉｎｇｔｏｎ， ＤＣ： ＩＥＥＥ， ２０１４： ７⁃１３． 第 ４ 期 张燕平，等：基于学术会议的科研合作网络微观结构动态演化分析 ·６２５·
.626. 智能系统学报 第10卷 [13]ALVES B L,BENEVENUTO F,LAENDER A H F.The Proceedings of the 22nd International Conference on World role of research leaders on the evolution of scientific com- Wide Web.Rio de Janeiro,Brazil,2013:825-836. munities[C]//Proceedings of the 22nd International Con- [20]LEY M.DBLP system EB/OL].(2015-03-01)http:// ference on World Wide Web Companion.Rio de Janeiro, dblp.uni-trier.de/xml/. Brazil,2013:649-656. [21]TANG J.Social influence analysis in large-scale social net- [14]GREENE D,DOYLE D,CUNNINGHAM P.Tracking the work[EB/OL].(2015-03-01).http://arnetminer.org/lab- evolution of communities in dynamic social networks[C]// datasets/soinf/. 2010 International Conference on Advances in Social Net- 作者简介： works Analysis and Mining ASONAM).Odense:IEEE, 张燕平，女，1962年生，教授，主要 2010:176-183. 研究方向为智能计算与商空间理论、机 [15]VAN NGUYEN M,KIRLEY M,GARCIA-FLORES R. 器学习、三支决策等。主持完成省基金 Community evolution in a scientific collaboration network 项目、省产学研项目多项，参加了多项 [C]//2012 IEEE Congress on Evolutionary Computation 国家973及国家重点基金项目：主持并 (CEC).Brisbane:IEEE,2012:1-8. 完成国家自然科学基金项目1项。主持 [16]任晓龙，吕琳媛.网络重要节点排序方法综述[J].中国 国家质量工程特色专业项目“计算机科学与技术”。获发明 科学，2014,59(13)：1175-1197. 专利2项，获软件著作权2项。发表学术论文80余篇，其中 REN Xiaolong,LYU Linyuan.Review of ranking nodes in SC,EI、ISTP收录30多篇，出版专著1部。 complex networks[J].Chinese Science Bulletin,2014,59 鲍媛媛，女，1990年生，硕士研究 (13):1175-1197. 生，主要研究方向为社交网络。 [17]王文钊，王斌强.基于网络中心性分析的虚拟网络映射 算法[J].计算机应用研究，2015,32(2)：565-568. WANG Wenzhao,WANG Binqiang.Virtual network em- bedding algorithm based on analysis of network centrality 赵妹，女，1979年生，副教授，博士 [J].Application Research of Computers,2015,32(2): 主要研究方向为商空间理论、粒度计 565-568. 算、机器学习等。申请专利3项，其中已 [18]RANI P,SINGH E S.An offline SEO (search engine opti- 获专利号1项，获软件著作权1项，发表 mization)based algorithm to calculate web page rank ac- 学术论文10余篇。 cording to different parameters[J].International Journal of Computers Technology,2013,9(1):926-931. [19]LOU Tiancheng,TANG Jie.Mining structural hole span- [责任编辑：王亚秋] ners through information diffusion in social networks[C]//
算、机器学习等。申请专利 ３ 项，其中已 ［１３］ＡＬＶＥＳ Ｂ Ｌ， ＢＥＮＥＶＥＮＵＴＯ Ｆ， ＬＡＥＮＤＥＲ Ａ Ｈ Ｆ． Ｔｈｅ ｒｏｌｅ ｏｆ ｒｅｓｅａｒｃｈ ｌｅａｄｅｒｓ ｏｎ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｃｏｍ⁃ ｍｕｎｉｔｉｅｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｍｐａｎｉｏｎ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２０１３： ６４９⁃６５６． ［１４］ＧＲＥＥＮＥ Ｄ， ＤＯＹＬＥ Ｄ， ＣＵＮＮＩＮＧＨＡＭ Ｐ． Ｔｒａｃｋｉｎｇ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｃｏｍｍｕｎｉｔｉｅｓ ｉｎ ｄｙｎａｍｉｃ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ ２０１０ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｓｏｃｉａｌ Ｎｅｔ⁃ ｗｏｒｋｓ Ａｎａｌｙｓｉｓ ａｎｄ Ｍｉｎｉｎｇ （ＡＳＯＮＡＭ）． Ｏｄｅｎｓｅ： ＩＥＥＥ， ２０１０： １７６⁃１８３． ［１５］ ＶＡＮ ＮＧＵＹＥＮ Ｍ， ＫＩＲＬＥＹ Ｍ， ＧＡＲＣＩＡ⁃ＦＬＯＲＥＳ Ｒ． Ｃｏｍｍｕｎｉｔｙ ｅｖｏｌｕｔｉｏｎ ｉｎ ａ ｓｃｉｅｎｔｉｆｉｃ ｃｏｌｌａｂｏｒａｔｉｏｎ ｎｅｔｗｏｒｋ ［Ｃ］ ／ ／ ２０１２ ＩＥＥＥ Ｃｏｎｇｒｅｓｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ （ＣＥＣ）． Ｂｒｉｓｂａｎｅ： ＩＥＥＥ， ２０１２： １⁃８． ［１６］任晓龙， 吕琳媛． 网络重要节点排序方法综述［Ｊ］． 中国 科学， ２０１４， ５９（１３）： １１７５⁃１１９７． ＲＥＮ Ｘｉａｏｌｏｎｇ， ＬＹＵ Ｌｉｎｙｕａｎ． Ｒｅｖｉｅｗ ｏｆ ｒａｎｋｉｎｇ ｎｏｄｅｓ ｉｎ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｃｈｉｎｅｓｅ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ， ２０１４， ５９ （１３）： １１７５⁃１１９７． ［１７］王文钊， 王斌强． 基于网络中心性分析的虚拟网络映射 算法［Ｊ］． 计算机应用研究， ２０１５， ３２（２）： ５６５⁃５６８． ＷＡＮＧ Ｗｅｎｚｈａｏ， ＷＡＮＧ Ｂｉｎｑｉａｎｇ． Ｖｉｒｔｕａｌ ｎｅｔｗｏｒｋ ｅｍ⁃ ｂｅｄｄｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ａｎａｌｙｓｉｓ ｏｆ ｎｅｔｗｏｒｋ ｃｅｎｔｒａｌｉｔｙ ［Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２０１５， ３２（ ２）： ５６５⁃５６８． ［１８］ＲＡＮＩ Ｐ， ＳＩＮＧＨ Ｅ Ｓ． Ａｎ ｏｆｆｌｉｎｅ ＳＥＯ （ｓｅａｒｃｈ ｅｎｇｉｎｅ ｏｐｔｉ⁃ ｍｉｚａｔｉｏｎ） ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｃａｌｃｕｌａｔｅ ｗｅｂ ｐａｇｅ ｒａｎｋ ａｃ⁃ ｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｐａｒａｍｅｔｅｒｓ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ ＆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１３， ９（１）： ９２６⁃９３１． ［１９］ ＬＯＵ Ｔｉａｎｃｈｅｎｇ， ＴＡＮＧ Ｊｉｅ． Ｍｉｎｉｎｇ ｓｔｒｕｃｔｕｒａｌ ｈｏｌｅ ｓｐａｎ⁃ ｎｅｒｓ ｔｈｒｏｕｇｈ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２０１３： ８２５⁃８３６． ［２０］ ＬＥＹ Ｍ． ＤＢＬＰ ｓｙｓｔｅｍ ［ ＥＢ／ ＯＬ］． （ ２０１５⁃０３⁃０１） ｈｔｔｐ： ／ ／ ｄｂｌｐ．ｕｎｉ⁃ｔｒｉｅｒ．ｄｅ ／ ｘｍｌ ／ ． ［２１］ＴＡＮＧ Ｊ． Ｓｏｃｉａｌ ｉｎｆｌｕｅｎｃｅ ａｎａｌｙｓｉｓ ｉｎ ｌａｒｇｅ⁃ｓｃａｌｅ ｓｏｃｉａｌ ｎｅｔ⁃ ｗｏｒｋ［ＥＢ／ ＯＬ］． （２０１５⁃０３⁃０１）．ｈｔｔｐ： ／ ／ ａｒｎｅｔｍｉｎｅｒ． ｏｒｇ ／ ｌａｂ⁃ ｄａｔａｓｅｔｓ／ ｓｏｉｎｆ ／ ． 作者简介： 张燕平，女，１９６２ 年生，教授，主要 研究方向为智能计算与商空间理论、机 器学习、三支决策等。 主持完成省基金 项目、省产学研项目多项，参加了多项 国家 ９７３ 及国家重点基金项目；主持并 完成国家自然科学基金项目 １ 项。 主持 国家质量工程特色专业项目“计算机科学与技术”。 获发明 专利 ２ 项，获软件著作权 ２ 项。 发表学术论文 ８０ 余篇，其中 ＳＣＩ、ＥＩ、ＩＳＴＰ 收录 ３０ 多篇，出版专著 １ 部。 鲍媛媛，女， １９９０ 年生， 硕士研究 生，主要研究方向为社交网络。 赵姝，女，１９７９ 年生，副教授，博士， 主要研究方向为商空间理论、粒度计 ［责任编辑：王亚秋 获专利号 １ 项，获软件著作权 １ 项，发表 学术论文 １０ 余篇。 ］ ·６２６· 智 能 系 统 学 报 第 １０ 卷
