李莎莎，梁冬陽(yáng)，余 杰，紀(jì) 斌，馬 俊，譚郁松，吳慶波

（國(guó)防科技大學(xué)計(jì)算機(jī)學(xué)院，長(zhǎng)沙 410073）

（?通信作者電子郵箱jibin@nudt.edu.cn）

0 引言

科研院校是科學(xué)研究和技術(shù)開(kāi)發(fā)的基地。研究團(tuán)隊(duì)是院校中最基本的科研單元。同一個(gè)研究團(tuán)隊(duì)，研究人員的研究?jī)?nèi)容一般是相同、相近或者互為補(bǔ)充的?，F(xiàn)實(shí)世界中，挖掘出合作緊密的研究團(tuán)隊(duì)對(duì)國(guó)家和軍隊(duì)的科技戰(zhàn)略規(guī)劃和人才評(píng)價(jià)體系建設(shè)都具有較大的意義。

具體而言，研究團(tuán)隊(duì)是指由研究者組成的集合，這個(gè)集合內(nèi)部研究者之間存在很強(qiáng)的關(guān)系，而這個(gè)集合的研究者與其他集合的研究者之間的關(guān)系則相對(duì)較少。現(xiàn)有的研究工作大多把研究團(tuán)隊(duì)挖掘形式化為基于論文合作網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)問(wèn)題。社區(qū)發(fā)現(xiàn)算法大體上分為重疊社區(qū)發(fā)現(xiàn)算法和不相交的社區(qū)發(fā)現(xiàn)算法［1-2］。重疊社區(qū)發(fā)現(xiàn)算法允許發(fā)現(xiàn)的社區(qū)之間存在相同節(jié)點(diǎn)；而不相交社區(qū)發(fā)現(xiàn)算法則不允許這種節(jié)點(diǎn)存在。常見(jiàn)的重疊社區(qū)發(fā)現(xiàn)算法有：標(biāo)記傳播算法［3］、主成分分析［4-5］等。不相交的社區(qū)發(fā)現(xiàn)算法有：魯汶算法［6］、GN（Girvan-Newman）算法［7］、基因算法［8］、基于模塊度的算法［9-11］等。利用上述社區(qū)發(fā)現(xiàn)算法，可以從學(xué)術(shù)論文中挖掘有緊密研究聯(lián)系的研究者社區(qū)，然而這種學(xué)術(shù)合作的社區(qū)往往基于研究興趣的聚合，研究團(tuán)隊(duì)中的研究者在研究興趣點(diǎn)上的同質(zhì)性較高，但組織連接較低，難以合作完成大規(guī)模的項(xiàng)目。相對(duì)的，大規(guī)模項(xiàng)目往往依賴于那些隸屬同一組織并且有不同研究興趣點(diǎn)，而興趣點(diǎn)之間又相互關(guān)聯(lián)的研究團(tuán)隊(duì)。

針對(duì)上述問(wèn)題，本文利用學(xué)位論文中隱藏的師門(mén)和同門(mén)關(guān)系，提出了一種基于師門(mén)關(guān)系的研究團(tuán)隊(duì)發(fā)現(xiàn)算法，該算法在保證發(fā)現(xiàn)研究團(tuán)隊(duì)合理性的同時(shí)，提升了魯汶算法的運(yùn)行效率。該算法基于從學(xué)位論文致謝部分抽取出的教師和學(xué)生信息，構(gòu)建師生之間的指導(dǎo)合作關(guān)系網(wǎng)絡(luò)。構(gòu)建過(guò)程中，將魯汶算法中需要加入的老師節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，改為加入同門(mén)其他學(xué)生的指導(dǎo)老師節(jié)點(diǎn)。實(shí)驗(yàn)結(jié)果表明，該算法既保證了挖掘的研究團(tuán)隊(duì)的質(zhì)量，又較大地提高了算法的運(yùn)行效率。

1 理論與算法

1.1 術(shù)語(yǔ)定義

目前，精準(zhǔn)的社區(qū)定義是不存在的，現(xiàn)階段被廣泛接受和使用的定義是由Newman 在文獻(xiàn)［12］中提出來(lái)的：同一個(gè)社區(qū)內(nèi)的節(jié)點(diǎn)之間的鏈接很緊密，而社區(qū)之間的鏈接比較稀疏。其數(shù)學(xué)描述為：假設(shè)G=G(V，E)，社區(qū)發(fā)現(xiàn)就是指在圖G中確定nc（大于1）個(gè)社區(qū)，C={C1，C2，…，Cnc}使得各社區(qū)的頂點(diǎn)集合構(gòu)成V的一個(gè)覆蓋。

師門(mén)在本文中指的是同一研究團(tuán)隊(duì)指導(dǎo)老師的集合，同門(mén)指的是同一研究團(tuán)隊(duì)學(xué)生的集合。

1.2 BiLSTM-CRF命名實(shí)體識(shí)別模型

BiLSTM-CRF［13］模型結(jié)合雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）與條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）實(shí)現(xiàn)命名實(shí)體識(shí)別。如圖1所示，該模型自上向下分別是Embedding 層、雙向LSTM 層和CRF 層。Embedding 層是句子中字符的向量表示，通過(guò)預(yù)訓(xùn)練語(yǔ)言模型獲得，字符向量作為雙向LSTM 層的輸入。雙向LSTM 層通過(guò)一個(gè)正向LSTM 和一個(gè)反向LSTM，分別計(jì)算每個(gè)字的上文與下文信息，然后將前向和后向LSTM 的隱狀態(tài)輸出進(jìn)行拼接，形成字符的編碼表示；最后，CRF 層以雙向LSTM 獲取的字符編碼作為輸入，對(duì)句子中的字符進(jìn)行序列標(biāo)注進(jìn)而獲取命名實(shí)體。

圖1 BiLSTM-CRF模型Fig.1 BiLSTM-CRF model

1.3 基于模塊度的魯汶算法

模塊度是Newman［12］提出來(lái)用于描述社區(qū)劃分質(zhì)量的一個(gè)度量，并在實(shí)際應(yīng)用中驗(yàn)證了它的有效性。它的計(jì)算方法如式（1）所示：其中：m 為圖中邊的總數(shù)量；ki表示所有指向節(jié)點(diǎn)i 的權(quán)重之和，kj同理；表示節(jié)點(diǎn)i，j之間的權(quán)重，沒(méi)有設(shè)置權(quán)重則默認(rèn)為1；Ci為節(jié)點(diǎn)i所在的社區(qū)編號(hào)，函數(shù)δ(Ci，Cj)中，當(dāng)節(jié)點(diǎn)i和j處于同一個(gè)社區(qū)時(shí)取1，否則取0。

在基于模塊度的社區(qū)發(fā)現(xiàn)算法中，最直接的方法就是列舉出所有的社區(qū)劃分情況，然后計(jì)算每一種情況的模塊度來(lái)選取最好的社區(qū)劃分。但是當(dāng)數(shù)據(jù)規(guī)模較大時(shí)，這種方式所需要的計(jì)算量太大，因此需要優(yōu)化模塊度的計(jì)算來(lái)降低計(jì)算量?；谀K度的社區(qū)發(fā)現(xiàn)算法的主要優(yōu)化策略有：基于貪心策略、基于層次聚類和融合多策略的方法等。魯汶算法就是一種融合多策略的社區(qū)發(fā)現(xiàn)算法。Fortunato等［14］認(rèn)為魯汶算法是當(dāng)前最好的模塊度優(yōu)化算法，而且很多大型的復(fù)雜網(wǎng)絡(luò)劃分軟件都使用了魯汶算法。

魯汶算法的計(jì)算過(guò)程是首先將所有的節(jié)點(diǎn)當(dāng)成一個(gè)獨(dú)立的社區(qū)，然后針對(duì)每個(gè)節(jié)點(diǎn)遍歷它的所有鄰居節(jié)點(diǎn)，計(jì)算加入每個(gè)鄰居節(jié)點(diǎn)后的模塊度收益，選擇收益最大的鄰居節(jié)點(diǎn)加入該節(jié)點(diǎn)，重復(fù)這一計(jì)算過(guò)程，直到社區(qū)趨于穩(wěn)定。

2 本文算法

本章將從學(xué)位論文致謝部分師門(mén)信息的抽取形式化為命名實(shí)體識(shí)別任務(wù)，使用BiLSTM-CRF 模型抽取師門(mén)和同門(mén)命名實(shí)體，構(gòu)建師生之間的指導(dǎo)合作關(guān)系網(wǎng)絡(luò)，并基于師門(mén)關(guān)系改進(jìn)魯汶算法，提高算法運(yùn)行效率。

2.1 師門(mén)信息抽取

在學(xué)位論文中，封面上的老師信息大多只包含導(dǎo)師和一個(gè)協(xié)作導(dǎo)師，但是大部分學(xué)生都是由隸屬于一個(gè)研究團(tuán)隊(duì)的多個(gè)導(dǎo)師一起指導(dǎo)出來(lái)的，學(xué)位論文的致謝部分比較完整地包含了這種師生信息。學(xué)位論文作者在致謝部分對(duì)學(xué)習(xí)期間的指導(dǎo)老師、同學(xué)表達(dá)感謝，本文需要抽取的是師門(mén)和同門(mén)信息，這些信息一般都會(huì)有較為明顯的標(biāo)簽，如圖2 所示。其中淺黃色標(biāo)簽表示標(biāo)注的老師信息，深紅色標(biāo)簽表示標(biāo)注的學(xué)生的信息。雖然標(biāo)簽特征比較明顯，但因?yàn)橹轮x書(shū)寫(xiě)不規(guī)范，使得基于規(guī)則的方法難以準(zhǔn)確地抽取師生信息。本文使用BiLSTM-CRF模型抽取師生信息。

圖2 人工標(biāo)注師門(mén)關(guān)系Fig.2 Manual labeling of teacher-student relationship

本文使用500 份人工標(biāo)注的訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，100份人工標(biāo)注的測(cè)試數(shù)據(jù)驗(yàn)證模型的性能，實(shí)驗(yàn)結(jié)果如表1 所示。從表中可以看出師門(mén)和同門(mén)信息抽取性能雖然不是很理想，但基本可以滿足后續(xù)研究要求。

表1 師門(mén)和同門(mén)關(guān)系抽取實(shí)驗(yàn)結(jié)果 單位：%Tab.1 Results of teacher relationship and classmate relationship extraction unit：%

2.2 師生指導(dǎo)合作關(guān)系網(wǎng)絡(luò)挖掘

本文通過(guò)規(guī)則抽取了封面上的導(dǎo)師信息，使用BiLSTMCRF模型抽取了致謝部分的師門(mén)和同門(mén)信息。師門(mén)中的指導(dǎo)老師和封面導(dǎo)師同時(shí)指導(dǎo)同一個(gè)學(xué)生，他們之間有著指導(dǎo)學(xué)生的合作關(guān)系。本文把每一個(gè)學(xué)生的指導(dǎo)老師和封面導(dǎo)師之間都用邊互相鏈接，構(gòu)建師生之間指導(dǎo)合作關(guān)系網(wǎng)絡(luò)。在該網(wǎng)絡(luò)中部分老師有著相同的名字，本文假設(shè)各個(gè)學(xué)院之間沒(méi)有交叉合作的研究團(tuán)隊(duì)以及同一個(gè)學(xué)院中相同姓名的老師是同一個(gè)人，本文依據(jù)上述假設(shè)執(zhí)行重復(fù)人名去重操作。

2.3 基于師門(mén)關(guān)系的魯汶算法

由上文可知，魯汶算法是一種性能優(yōu)異社區(qū)發(fā)現(xiàn)算法，但是仍有較大的改進(jìn)空間。例如de Meo 等［15］通過(guò)改善魯汶算法的結(jié)束條件，大幅提高了算法的運(yùn)行速度。

魯汶算法的計(jì)算是遍歷節(jié)點(diǎn)的所有鄰居節(jié)點(diǎn)，選擇最大的模塊度收益，加入該節(jié)點(diǎn)所在社區(qū)。而在獲取到師門(mén)和同門(mén)關(guān)系之后，不需要再遍歷所有的鄰居節(jié)點(diǎn)，可以通過(guò)老師節(jié)點(diǎn)得到所指導(dǎo)學(xué)生的同門(mén)學(xué)生，通過(guò)遍歷同門(mén)學(xué)生指導(dǎo)老師節(jié)點(diǎn)即可。本文假設(shè)在院校中同一個(gè)研究團(tuán)隊(duì)的老師，會(huì)一起合作共同指導(dǎo)學(xué)生或者同門(mén)的其他學(xué)生，因此若老師沒(méi)有共同指導(dǎo)的學(xué)生本文則假設(shè)兩個(gè)老師不屬于同一個(gè)研究團(tuán)隊(duì)?；谏鲜黾僭O(shè)，本文改進(jìn)魯汶算法，改進(jìn)后的魯汶算法犧牲了一部分精度，但是運(yùn)行效率得到了較大的提升，同時(shí)挖掘出的研究團(tuán)隊(duì)也更加合理，其算法偽代碼如下所示。

算法1 基于師門(mén)關(guān)系的魯汶算法。

3 實(shí)驗(yàn)分析

由于基于師門(mén)關(guān)系的魯汶算法是針對(duì)特定場(chǎng)景對(duì)魯汶算法的改進(jìn)，本文通過(guò)兩組實(shí)驗(yàn)對(duì)算法的性能和運(yùn)行效率進(jìn)行驗(yàn)證：實(shí)驗(yàn)1 通過(guò)將魯汶算法和標(biāo)簽傳播算法、聚集系數(shù)算法在公開(kāi)的真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行性能對(duì)比實(shí)驗(yàn)，驗(yàn)證魯汶算法的性能；實(shí)驗(yàn)2 通過(guò)比較原始魯汶算法和基于師門(mén)關(guān)系的魯汶算法在不同規(guī)模的學(xué)位論文數(shù)據(jù)集上的性能和運(yùn)行效率，證明了基于師門(mén)關(guān)系的魯汶算法具有較好的性能和運(yùn)行效率。

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)環(huán)境如下所示：硬件環(huán)境為Inter Core i7-5930K CPU，64 GB 內(nèi)存，2 塊GeForce GTX TITAN X 圖形顯卡。操作系統(tǒng)為Ubuntu Kylin 16.04。編程語(yǔ)言為Python 2.7.12。

3.2 公開(kāi)數(shù)據(jù)集

實(shí)驗(yàn)1在American College football、Zachary karate club［16］、Dolphin social network［17］三個(gè)真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行，它們分別是美國(guó)大學(xué)生足球聯(lián)賽、美國(guó)大學(xué)空手道俱樂(lè)部和海豚社會(huì)關(guān)系數(shù)據(jù)集，其數(shù)據(jù)規(guī)模如表2所示。

表2 真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集規(guī)模Tab.2 Real network dataset scales

3.3 評(píng)價(jià)指標(biāo)

社區(qū)發(fā)現(xiàn)的質(zhì)量需要評(píng)價(jià)指標(biāo)來(lái)衡量，下面主要介紹標(biāo)準(zhǔn)化互信息（Normalized Mutual Information，NMI）和蘭德指數(shù)（Adjusted Rand Index，ARI）兩種評(píng)價(jià)指標(biāo)。

NMI 是用來(lái)比較兩個(gè)社區(qū)劃分結(jié)果的相似程度，可以用來(lái)比較社區(qū)發(fā)現(xiàn)算法的社區(qū)劃分結(jié)果與真實(shí)社區(qū)的相似程度，以此來(lái)判斷社區(qū)發(fā)現(xiàn)算法的有效性。其計(jì)算方法如式（2）所示，其中：N 表示節(jié)點(diǎn)的數(shù)量；Ca（Cb）表示在A（B）劃分中總的社區(qū)數(shù)量；Ci（C·j）表示在矩陣C 中第i 行（第j 列）所有元素的求和；Cij表示在A 的劃分中屬于i 社區(qū)，而在B 劃分中屬于j社區(qū)的節(jié)點(diǎn)數(shù)量。NMI 的值域是0 到1，越高代表劃分得越準(zhǔn)。

ARI 是用來(lái)衡量社區(qū)劃分結(jié)果的另一個(gè)重要指標(biāo)，該指標(biāo)不考慮使用的聚類方法，把方法當(dāng)作一個(gè)黑盒，只注重結(jié)果。計(jì)算公式如式（3）所示，其中a11、a00、a10、a01表示節(jié)點(diǎn)對(duì)的數(shù)量。假設(shè)A 和B 是兩個(gè)節(jié)點(diǎn)，則a11中的第一個(gè)數(shù)字1 表示A、B 兩個(gè)節(jié)點(diǎn)在真實(shí)的社區(qū)劃分中屬于同一個(gè)社區(qū)，反之則第一個(gè)數(shù)字為0；a11中的第二個(gè)數(shù)字1表示A、B兩個(gè)節(jié)點(diǎn)在社區(qū)發(fā)現(xiàn)算法中劃分在同一個(gè)社區(qū)，反之則第二個(gè)數(shù)字為0。所以a11、a00、a10、a01代表滿足上述條件的節(jié)點(diǎn)對(duì)的數(shù)量。

3.4 實(shí)驗(yàn)分析

為驗(yàn)證原始魯汶算法在社區(qū)發(fā)現(xiàn)中的性能，執(zhí)行實(shí)驗(yàn)1。實(shí)驗(yàn)結(jié)果如表3所示。

表3 社區(qū)發(fā)現(xiàn)算法性能對(duì)比實(shí)驗(yàn)Tab.3 Community detection algorithm performance comparison experiment

從表3 中可以得知，在三個(gè)數(shù)據(jù)集上，原始魯汶算法性能均為最優(yōu)，無(wú)論是只有2 個(gè)社區(qū)的Zachary 數(shù)據(jù)集和Dolphin數(shù)據(jù)集，還是有12 個(gè)社區(qū)的Football 數(shù)據(jù)集，都得到了最佳的結(jié)果，這也證明了原始魯汶算法的魯棒性和容錯(cuò)性比較強(qiáng)。

為了驗(yàn)證改進(jìn)后的基于師門(mén)關(guān)系的魯汶算法在社區(qū)發(fā)現(xiàn)中的運(yùn)行效率，本文使用國(guó)防科技大學(xué)計(jì)算機(jī)學(xué)院學(xué)位論文、國(guó)防科技大學(xué)學(xué)位論文和軍內(nèi)院校學(xué)位論文三個(gè)不同規(guī)模的數(shù)據(jù)集對(duì)比原始魯汶算法和基于師門(mén)關(guān)系的魯汶算法的運(yùn)行效率（實(shí)驗(yàn)2），實(shí)驗(yàn)結(jié)果如表4 所示，從表中可以看出數(shù)據(jù)規(guī)模越大，改進(jìn)后的魯汶算法的效率提升得越明顯。

表4 社區(qū)發(fā)現(xiàn)算法效率對(duì)比實(shí)驗(yàn)Tab.4 Community detection algorithm efficiency comparison experiment

本文以國(guó)防科技大學(xué)學(xué)位論文數(shù)據(jù)集為例，以原始魯汶算法為參照標(biāo)準(zhǔn)，驗(yàn)證基于師門(mén)關(guān)系的魯汶算法在學(xué)位論文數(shù)據(jù)集上挖掘研究團(tuán)隊(duì)的性能，最終得到國(guó)防科技大學(xué)的研究團(tuán)隊(duì)信息如圖3所示。

圖3 國(guó)防科技大學(xué)研究團(tuán)隊(duì)信息Fig.3 Research teams in National University of Defense Technology

由圖3 可知，使用原始魯汶算法挖掘國(guó)防科技大學(xué)研究團(tuán)隊(duì)總數(shù)為409，而基于師門(mén)關(guān)系的魯汶算法挖掘得到的總數(shù)為441?；趲熼T(mén)關(guān)系的魯汶算法挖掘出的研究團(tuán)隊(duì)人數(shù)均在20以下，而原始魯汶算法得到的結(jié)果中有多個(gè)超過(guò)20人的研究團(tuán)隊(duì)，從團(tuán)隊(duì)規(guī)模的角度評(píng)估，基于師門(mén)關(guān)系的魯汶算法更為合理。在團(tuán)隊(duì)人數(shù)的整體分布中，兩個(gè)算法基本上呈現(xiàn)大致相同?？偟膩?lái)說(shuō)，基于師門(mén)關(guān)系的魯汶算法劃分的研究團(tuán)隊(duì)更為細(xì)致合理，合作關(guān)系更為緊密，而且劃分出的研究團(tuán)隊(duì)整體分布與原始魯汶算法挖掘的研究團(tuán)隊(duì)類似，也可以說(shuō)明基于師門(mén)關(guān)系的魯汶算法的性能與魯汶算法類似。

目前，科研團(tuán)隊(duì)的挖掘大部分都是基于論文合作網(wǎng)絡(luò)進(jìn)行挖掘，這種挖掘方式有以下幾個(gè)不足：一是跨學(xué)科、跨領(lǐng)域、跨學(xué)校的論文合作越來(lái)越多，合作作者的研究方向千差萬(wàn)別，甚至完全不相關(guān)的研究方向也可能是合作作者；二是在合作作者中要分辨出老師和學(xué)生也具有一定的難度，學(xué)生對(duì)于一個(gè)研究團(tuán)隊(duì)來(lái)說(shuō)，流動(dòng)性太大，畢業(yè)后就不再屬于研究團(tuán)隊(duì)成員，導(dǎo)致研究團(tuán)隊(duì)不夠穩(wěn)定；三是部分論文存在合作作者可能并沒(méi)有實(shí)際參與論文工作的情況。這些對(duì)于挖掘緊密合作的研究團(tuán)隊(duì)都會(huì)產(chǎn)生一定的影響。

而基于師門(mén)關(guān)系挖掘研究團(tuán)隊(duì)相對(duì)來(lái)說(shuō)更容易得到合作緊密的研究團(tuán)隊(duì)。首先，同一個(gè)師門(mén)的老師需要共同完成科研任務(wù)，所以老師的研究方向基本上是一致或者相關(guān)的，此外也更容易對(duì)老師和學(xué)生進(jìn)行區(qū)分。對(duì)于基于論文合作網(wǎng)絡(luò)與基于師門(mén)關(guān)系的研究團(tuán)隊(duì)挖掘方法對(duì)比如表5 所示，主要從合作緊密程度、團(tuán)隊(duì)規(guī)模、團(tuán)隊(duì)內(nèi)部聯(lián)系和團(tuán)隊(duì)穩(wěn)定性4 個(gè)方面進(jìn)行了對(duì)比。從表中可以看出，基于師門(mén)關(guān)系的研究團(tuán)隊(duì)挖掘算法在上述四個(gè)方面性能更為優(yōu)異。

表5 研究團(tuán)隊(duì)挖掘方法對(duì)比Tab.5 Research team mining method comparison

4 結(jié)語(yǔ)

研究團(tuán)隊(duì)的精確挖掘?qū)?guó)家和軍隊(duì)的科技戰(zhàn)略規(guī)劃和人才評(píng)價(jià)體系建設(shè)都具有較大的意義。本文針對(duì)現(xiàn)有研究團(tuán)隊(duì)挖掘算法存在的問(wèn)題，基于學(xué)位論文相關(guān)內(nèi)容，提出了一種基于師門(mén)關(guān)系的研究團(tuán)隊(duì)挖掘算法。實(shí)驗(yàn)表明，相較于其他算法，該算法在運(yùn)行效率、研究團(tuán)隊(duì)挖掘質(zhì)量等方面有較明顯提升。

本文提出的算法在實(shí)際應(yīng)用中有一定的局限性，即無(wú)法進(jìn)行深入信息挖掘進(jìn)而發(fā)現(xiàn)研究團(tuán)隊(duì)的核心。將來(lái)的工作從研究團(tuán)隊(duì)實(shí)力分析入手，通過(guò)分析研究團(tuán)隊(duì)的實(shí)力來(lái)反映當(dāng)前整個(gè)研究領(lǐng)域的現(xiàn)狀，增強(qiáng)對(duì)研究領(lǐng)域的把握，幫助科研工作者更好地研究創(chuàng)新。