学者影响力的评估不仅可以为科研奖项和科研基金的分配提供参考,也可以为科研新人提供引导,使他们能够更为系统地了解相关领域的发展水平和研究现状。在这一背景下,越来越多的科学研究开始关注于对学术影响力评估算法的研究。传统的影响力评估算法包括基于学者被引频次的算法、指数计算方法和基于同构网络的算法。然而,些研究已经证明,混合的网络或者异构网络能够捕捉学术主体之间更多的互动与沟通,因而能够提供更合理、更有效的评估方式。学术数据中的各种主体,包括科研学者、论文以及期刊会议等,可以通过不同的关系构建异构网络。当在异构网络中对学者影响力进行评估时,以前的研究工作并没有对这些主体的初始权重进行区分,这是不合理的。所以本文在使用论文一学者网络评估学者影响力时,通过PageRank算法和论文之间的引用关系区分了论文的重要性。另外,因为论文的引用是需要时间不断积累的,这对近期发表的论文是不公平的。为了解决这一问题,本文根据不同论文的发表时间,加入了时间函数,对PageRank算法做出改进,强化了发表时间对论文重要性的影响。在此基础上,通过随机游走算法在论文一学者网络中对学者影响力进行评估,从而提高近期比较活跃的学者的影响力分值。本文不仅完成了对算法的逐步改进,同时也通过充分的实验对算法进行了说明。实验中使用了不同的数据集,包括DBLP数据集和APS数据集。这两个数据集属于不同的学术领域,具有不同的性质。在这两个数据集上的实验结果不仅证明了算法的有效性和正确性,同时也证明了算法的普适性。