摘要
伊布、达科塔·S·穆雷、丁英、黄勇和赵一鸣。 2018年，衡量科学合作的稳定性。 《科学计量学》114，2（2018），463–479。 谷歌学者 
数字图书馆 
陈洪勋（Hung-Hsuan Chen）、梁构（Liang Gou）、张小龙（Xiaolong Zhang）和克莱德·李·贾尔斯（Clyde Lee Giles）。 2011年，Collabseer：用于协作发现的搜索引擎。 第11届国际ACM/IEEE数字图书馆联合会议论文集。 ACM，231–240。 谷歌学者 数字图书馆 陈田琪（Tianqi Chen）和卡洛斯·盖斯特林（Carlos Guestrin），2016年。 Xgboost：一个可扩展的树增强系统。 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会，785–794。 谷歌学者 数字图书馆 马里奥·科奇亚和莉莉·旺克。 2016年，国际科学合作模式的演变和趋同。 《美国国家科学院院刊》113，18（2016），E2547。 谷歌学者 交叉引用 
雅各布·德夫林（Jacob Devlin）、张明伟（Ming Wei Chang）、肯顿·李（Kenton Lee）和克里斯蒂娜·图塔诺娃（Kristina Toutanova）。 2018.BERT：深度双向变形金刚语言理解预培训。 计算语言学协会北美分会2019年会议记录：人类语言技术，第1卷（长篇和短篇论文）。 计算语言学协会，4171–4186。 谷歌学者 董玉霄（Yuxiao Dong）、尼特斯·查拉（Nitesh V.Chawla）和阿南特拉姆·斯瓦米（Ananthram Swami）。 2017年，metapath2vec：异构网络的可扩展表示学习。 第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM，135–144。 谷歌学者 数字图书馆 Soumyajit Ganguly和Vikram Pudi。 2017.论文2vec：结合图形和文本信息进行科学论文表示。 《欧洲信息检索会议记录》。 施普林格，383–395。 谷歌学者 交叉引用 尤夫·戈德堡和奥马尔·利维。 2014年，word2vec解释道：衍生Mikolov等人 s负采样字嵌入方法。 arXiv:1402.3722。 检索自 https://arxiv.org/abs/1402.3722。 谷歌学者 帕拉什·戈亚尔和埃米利奥·费拉拉。 2018年。图形嵌入技术、应用和性能：调查。 基于知识的系统151（2018），78–94。 谷歌学者 交叉引用 Aditya Grover和Jure Leskovec。 2016.node2vec：网络可扩展特性学习。 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会，855–864。 谷歌学者 数字图书馆 威尔·汉密尔顿（Will Hamilton）、应志涛（Zhitao Ying）和朱尔·莱斯科维奇（Jure Leskovec）。 2017.大图形的归纳表示学习。 在第31届神经信息处理系统会议记录中。 1024–1034. 谷歌学者 小黄，李俊东，夏虎，2017。 加速属性化网络嵌入。 2017年SIAM数据挖掘国际会议论文集。 暹罗，633–641。 谷歌学者 交叉引用 孔祥杰、蒋慧珍、王伟、Teshome Megersa Bekele、徐珍珍和王萌。 2017年。探索科学合作者推荐的动态研究兴趣和学术影响。 科学计量学113，1（2017），369–385。 谷歌学者 数字图书馆 孔祥杰、毛梦怡、王伟、刘嘉英和徐波。 2018年，VOPRec：带文本信息和结构标识的论文向量表示学习，以供推荐。 IEEE计算新兴主题汇刊（2018），1-13。 内政部： https://doi.org/10.109/TETC.2018.2830698 谷歌学者 Quoc Le和Tomas Mikolov。 2014.句子和文件的分布式表示。 第31届机器学习国际会议论文集。 1188–1196. 谷歌学者 李俊东（Jundong Li）、哈什·达尼（Harsh Dani）、夏虎（Xia Hu）、汤继良（Jiliang Tang）、伊昌（Yi Chang）和刘欢（Huan Liu）。 2017.在动态环境中学习的归因网络嵌入。 2017年ACM信息和知识管理会议记录。 美国医学会，387-396。 谷歌学者 数字图书馆 廖明辉、石宝光、白翔、王兴刚、刘文宇。 2017.文本框：带有单个深度神经网络的快速文本检测器。第31届AAAI人工智能会议论文集。 AAAI，4161–4167。 谷歌学者 刘嘉英、任静、郑文清、池莲花、李伊凡和冯霞。 2020年。学者网络：学者知识图表。 第43届国际ACM SIGIR信息检索研究与开发会议论文集。 谷歌学者 数字图书馆 林元吕和陶周。 2011.复杂网络中的链接预测：一项调查。 《物理学A：统计力学及其应用》390，6（2011），1150–1170。 谷歌学者 交叉引用 维科特·马丁内斯（Víctor Martínez）、费尔南多·贝扎尔（Fernando Berzal）和胡安·卡洛斯·库贝罗（Juan-Carlos Cubero）。 2017年，复杂网络链接预测调查。 ACM计算调查49，4（2017），69。 谷歌学者 数字图书馆 托马斯·米科洛夫（Tomas Mikolov）、陈凯（Kai Chen）、格雷格·科拉多（Greg Corrado）和杰弗里·迪恩（Jeffrey Dean）。 2013.向量空间中单词表示的有效估计。 在第一届学习代表国际会议记录中。 谷歌学者 亨利·纳瓦罗（Henry Navarro）、乔瓦娜·米里特罗（Giovanna Miritello）、阿图罗·卡纳莱斯（Arturo Canales）和埃斯特班·莫罗（Esteban Moro）。 2017年。持久联系强度背后的时间模式。 EPJ数据科学6，1（2017），31。 谷歌学者 交叉引用 马克·E·J·纽曼。 2001.科学合作网络的结构。 《美国国家科学院院刊》98，2（2001），404-409。 谷歌学者 交叉引用 马克·E·J·纽曼。 2004年，合作网络和科学合作模式。 《美国国家科学院院刊》101，增刊1（2004），5200-5205。 谷歌学者 交叉引用 Joshua O'Madadhain、Jon Hutchins和Padhraic Smyth。 2005.基于事件的网络数据的预测和排名算法。 ACM SIGKDD探索通讯7，2（2005），23-30。 谷歌学者 数字图书馆 潘石蕊、贾武、朱星泉、张成琦和杨旺。 2016年，三党深度网络代表。 网络11，9（2016），12。 谷歌学者 费比安·佩德雷戈萨（Fabian Pedregosa）、加尔·瓦洛奎（Gaöl Varoqueux）、亚历山大·格兰福特（Alexandre Gramfort）、文森特·米歇尔（Vincent Michel）、伯特兰·蒂里昂（Bertrand Thirion）、奥利维尔·格里塞尔（Olivier Grisel）、马蒂厄·布隆德尔（Mathieu Blondel）、彼得·普雷滕霍弗（Peter Prettenhofer）、罗恩·维斯（Ron Weiss）、文。 2011.Scikit-learn：Python中的机器学习。 《机器学习研究杂志》12，1（2011），2825-2830。 谷歌学者 数字图书馆 杰弗里·彭宁顿（Jeffrey Pennington）、理查德·索彻（Richard Socher）和克里斯托弗·曼宁（Christopher Manning）。 2014.GlobVe：单词表示的全球向量。 《2014年自然语言处理实证方法会议论文集》。 1532–1543. 谷歌学者 交叉引用 布莱恩·佩罗齐（Bryan Perozzi）、拉米·阿尔罗福（Rami Al-Rfou）和史蒂文·斯基纳（Steven Skiena）。 2014.Deepwalk：社交表征的在线学习。 第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM，701-710。 谷歌学者 数字图书馆 马修·彼得斯、马克·诺依曼、莫希特·伊耶、马特·加德纳、克里斯托弗·克拉克、肯顿·李和卢克·泽特莫耶。 2018.深层语境化的词语表达。 计算语言学协会北美分会2018年会议记录：人类语言技术。 第1卷（长篇论文）。 计算语言学协会，2227-2237。 谷歌学者 交叉引用 亚历山大·迈克尔·彼得森。 2015年，量化弱联系、强联系和超级联系对科学职业的影响。 《美国国家科学院院刊》112，34（2015），E4671–E4680。 谷歌学者 交叉引用 贾里·萨兰梅基（Jari Saramäki）、米科·基维尔（Mikko Kivelä）、朱卡·佩卡·昂内拉（Jukka-Pekka Onnela）、金莫·卡斯基（Kimmo Kaski）和贾诺斯·科特斯（Janos Kertesz）。 2007.将聚类系数推广到加权复杂网络。 《物理评论》E 75，2（2007），027105。 谷歌学者 交叉引用 拉梅什·R·萨鲁凯。 2000.使用马尔可夫链进行链路预测和路径分析。 计算机网络33，1-6（2000），377-386。 谷歌学者 数字图书馆 罗伯塔·西纳特拉（Roberta Sinatra）、王大顺（Dashun Wang）、皮埃尔·德维尔（Pierre Deville）、宋朝明（Chaoming Song）和阿尔伯特·拉什洛·巴拉巴西（Albert LászlóBarabási）。 2016.量化个人科学影响的演变。 《科学》3546312（2016），aaf5239。 谷歌学者 戴安·桑纳瓦尔德（Diane H.Sonnenwald）。 2007年，科学合作。 《信息科学与技术年度评论》41，1（2007），643–681。 谷歌学者 交叉引用 唐健、曲萌、王明哲、张明、闫军和梅巧珠。 2015年。线路：大规模信息网络嵌入。 第24届万维网国际会议论文集。 国际万维网会议指导委员会，1067–1077。 谷歌学者 数字图书馆 唐杰（Jie Tang）、吴森（Sen Wu）、孙继萌（Jimeng Sun）和苏杭（Hang Su），2012年。 跨域协作建议。 第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会，1285-1293年。 谷歌学者 数字图书馆 韩天和韩奎卓。 2017.论文2vec：基于引文的文献分布式表示，用于学者推荐。 arXiv:1703.06587。 检索自 https://arxiv.org/abs/1703.06587。 谷歌学者 蔡春华（Chun Hua Tsai）和林玉茹（Yu Ru Lin），2016年。 追踪和预测初级学者的合作。 在万维网上第25届国际会议指南的会议记录中。 国际万维网会议指导委员会，375–380。 谷歌学者 数字图书馆 王伟（Wei Wang）、任静（Jing Ren）、穆巴拉克（Mubarak Alrashoud）、冯霞（Feng Xia）、毛梦一（Mengyi Mao）和阿穆尔·托尔巴（Amr Tolba）。 2020年。可持续科学合作中的早期互惠。 《信息计量学杂志》14，3（2020），101041。 谷歌学者 交叉引用 王伟、万良田、孔祥杰、龚志国、冯霞。 2019.并非每对夫妇都是一对：一种有监督的终身合作者鉴定方法。 2019年亚太信息系统会议记录。 1–8. 谷歌学者 王伟、徐波、刘嘉英、崔子欣、俞朔、孔祥杰和冯霞。 2019.CSTeller：基于极端梯度推进预测科学合作的可持续性。 万维网22，6（2019），2749–2770。 内政部： https://doi.org/10.1007/s11280-019-00703-y 谷歌学者 交叉引用 王伟（Wei Wang）、俞朔（Shuo Yu）、梅格萨·贝克勒（Teshome Megersa Bekele）、孔祥杰（Xiangjie Kong）和冯霞（Feng Xia）。 2017年，科学合作模式因学者的学术年龄而异。 《科学计量学》112，1（2017），329–343。 谷歌学者 数字图书馆 冯霞、陈震、王伟、李静和杨劳伦斯。 2014.MVCWalker：基于随机行走的最有价值合作者推荐，利用学术因素。 IEEE计算机新兴主题汇刊2，3（2014），364–375。 谷歌学者 交叉引用 冯霞、刘嘉英、聂汉松、傅永浩、万良田、孔祥杰。 2020年。随机行走：算法和应用综述。 IEEE计算智能新兴主题汇刊4，2（2020），95-107。 谷歌学者 交叉引用 冯霞、刘嘉英、任静、王伟和孔祥杰。 2020年，图灵数字：你离A.M.图灵奖还有多远？ ACM SIGWEB新闻稿（2020年11月），第5条。 内政部： https://doi.org/10.1145/3427478.3427483 谷歌学者 Feng Xia、Wei Wang、Teshome Megersa Bekele和Huan Liu。 2017年，学术大数据：一项调查。 IEEE大数据汇刊PP，99（2017），1-19。 谷歌学者 程阳、刘志远、赵德利、孙茂松和爱德华·Y·张。 2015年。利用丰富的文本信息进行网络表征学习。 第24届国际人工智能联合会议记录。 2111–2117. 谷歌学者 杨德建、王森章、李朝卓、张晓明和李周军，2017年。 从属性到链接：不完全图上的深层网络嵌入。 2017年ACM信息和知识管理会议记录。 美国医学会，367–376。 谷歌学者 数字图书馆 杨再翰（Zaihan Yang）、尹大伟（Dawei Yin）和布莱恩·戴维森（Brian D.Davison）。 2014年，学术界建议：联合多关系模式。 《IEEE/ACM社会网络分析和挖掘进展国际会议论文集》。 566–571. 谷歌学者 张晨伟、易步、丁莹和徐健。 2018年。理解科学合作：同质性、及物性和优先依恋。 《信息科学与技术协会杂志》69，1（2018），72-86。 谷歌学者 数字图书馆 张道坤、尹洁、朱星泉和张成琦。 2019.通过子空间发现的属性网络嵌入。 数据挖掘和知识发现33，6（2019），1953-1980。 谷歌学者 数字图书馆 邢洲、丁立新、李兆奎和万润泽。 2017.使用随机漫步的异构书目网络中的合作者推荐。 信息检索期刊20，4（2017），317–337。 谷歌学者 数字图书馆
建议
场馆主题模型——学术大数据引文推荐的增强联合图建模 低资源自然语言处理深度学习专刊，第一部分和常规论文 自然语言处理技术，如主题模型，已被证明对于具有处理内容信息能力的学术推荐任务是有效的。 最近，场馆推荐变得越来越重要。。。
