随着社会的发展和科技的进步,越来越多的科学研究人员参与到学术研究当中。近年来,许多研究者以学术论文成果为研究背景,通过链路预测方法来探究科学研究人员之间的合作预测问题。论文通过分析目前主流的链路预测方法,发现了当前链路预测方法存在的一些不足。为了更精准地、高效地在科研合作网络中进行链路预测,论文将表示学习应用到科研合作网络链路预测中,提出一种基于作者影响力随机游走的科研合作网络表示学习算法。论文首先考虑作者以往的科研合作关系,计算作者节点在科研合作网络中的影响力。然后,依据节点影响力进行作者节点上下文采样。借助上下文采样结果,使用word2vec中的SkipGram模型对作者节点进行表示学习并获得作者节点表示向量。最后,利用余弦相似性函数计算的表示向量间的夹角评价作者间相似性,完成科研合作预测任务。论文的主要贡献点如下:(1)根据DBLP数据集和AMiner平台的Topic-paper-author数据集抽取的科研合作关系构造科研合作网络。将基于时间因素和网络拓扑结构计算得到的作者节点影响力作为随机游走采样过程的参考,采样作者节点的上下文,获得作者节点周围的网络结构。(2)借助采样得到的上下文,使用SkipGram模型对科研合作网络中的作者节点进行表示学习,获得作者节点的表示向量。以作者节点的表示向量作为余弦相似性函数的输入,计算作者间的余弦相似性夹角,并将该结果作为预测作者间产生合作的依据,实现科研合作预测。(3)在数据集上进行科研合作预测实验。实验结果表明,与经典的相似性指标方法相比,论文提出的基于网络表示学习的科研合作预测方法预测效果更优,且在稀疏的网络上具有较好的预测效果。与分类学习过程的算法相比,论文提出的预测方法具有更高执行效率,能够更高效地完成大规模网络的科研合作预测任务。