Scientific collaborator recommendation via hypergraph embedding

doi:10.1016/j.ipm.2025.104423

Scientific collaborator recommendation via hypergraph embedding

2025-10-03

0

PRE

AI

DOI：10.1016/j.ipm.2025.104423

原文链接

原文求助

摘要

En 中文

识别潜在的科学合著者是促进学术数字化时代创新的关键。现有的推荐方法通常依赖成对关系，未能建模现实合著网络的高阶、多关系特性。为解决此问题，我们提出了一种基于超图嵌入的框架，利用AMiner数据集构建异构科学合著超图。通过超图神经网络和翻译评分，我们的方法捕获了结构语义和跨学科模式。生成的图包含6,119名学者、18,092篇出版物以及九种超边类型，用于建模多样的学术关系。实验结果表明，该方法在Recall@10指标上达到0.1802，较最强基线提升78%。同时，该方法在冷启动场景下表现稳健，并能良好泛化至跨学科推荐。用户研究证实了系统的可解释性，其中Usefulness和Trust在5分李克特量表上的平均得分均超过4.0。所提方法在合著者推荐中展现了有效性及透明性。

Scientific collaborator recommendation via hypergraph embedding

摘要

期刊

机构

引用论文