摘要：【目的】结合链路预测与机器学习，提出推荐未来科研合作的新方法，以提高单独基于链路预测方法的推荐精确度。【方法】构建加权作者合作网，以不同的链路预测指标作为特征输入，运用极端随机树（Extremely Randomized Trees，ET）机器学习算法训练分类，并利用遍历算法求取分类结果的最优权重组合，选取TOP准确度的预测作为合作推荐结果。【结果】选取纳米科技领域2008年-2010年SCI论文数据进行实证。在城市合作推荐中，改进的ET方法优于已有方法，有良好的推荐成功率；预测方法受网络结构等因素影响较小，适用范围更广泛。【局限】科研合作受合作动机、地域、语言等诸多因素影响，加权作者合作网没有反映在一篇论文中同城市、同机构的多个作者，也没有反映上述因素。【结论】改进算法能够比单个预测指标产生更准确的合作推荐建议，也为推广到大学等机构、个人等更微观的应用层面提供参考。

原文链接:http://www.cqvip.com/QK/93371X/201704/672411080.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）