熊回香，李晓敏，杜 瑾

（华中师范大学信息管理学院，武汉 430079）

1 引 言

近年来，大数据时代已经渗透到学术界，使得学术界产生了大量的学术数据[1]。学术数据如学术论文、学位论文、会议论文、基金项目、专利以及学者信息等，均成为相关研究如学术合作[2]、学者推荐[3]、论文推荐[4]等重要数据来源。学术数据的实体主要是学者和论文，学者数据有学者的基本属性，如所属机构、联系方式、研究方向等；论文数据有关键词、摘要、题名、全文等文献元数据以及论文反映出的合作、引用关系等，通过对这些学术数据进行分析挖掘展开学术研究。而且学术数据也为科研用户查询和了解自己感兴趣的学者提供了便利。然而，随着科研用户和科研成果数量的增加，不可避免地出现了学术数据信息过载的现象，这无疑增加了科研用户的负担，而科研用户由于诸多条件（如时间、空间等）的限制，难以在有限的条件下方便、快捷地找到与自己兴趣相同的科研用户，以便从中获取感兴趣的资源或寻求潜在合作者。因此，对挖掘学者需求、为学者推荐研究领域相似的学者的研究越来越成受到情报学领域的关注。

2 相关研究工作概述

目前，关于学者推荐的研究，主要集中在基于研究内容的推荐和基于关系网络的推荐。在基于研究内容的推荐中，主要是运用LDA（latent Dirichlet allocation）主题模型以及其改进模型、向量模型、概率模型等对学者的学术文本进行挖掘，找到研究内容相似的学者。文献[5]对作者-关键词耦合网络进行社区划分，在同一个社区内，利用LDA模型计算作者相似度，完成科研合作推荐；……