多維度融合的文獻(xiàn)作者親密度計(jì)算

侯湘，黃晉，桑軍，夏曉峰

（1.重慶大學(xué)期刊社，重慶 400044；2.重慶大學(xué)自動化學(xué)院，重慶 400044；3.重慶大學(xué)大數(shù)據(jù)與軟件學(xué)院，重慶 400044）

隨著社交網(wǎng)絡(luò)的迅速發(fā)展，面向?qū)W術(shù)科研的社交網(wǎng)絡(luò)逐漸興起。國外面向科研人員的學(xué)術(shù)社交網(wǎng)絡(luò)平臺如Google Scholar、ResearchGate、Mendeley、Academia.edu等逐漸建立起來，經(jīng)過發(fā)展，Re‐searchGate已成為主流的學(xué)術(shù)社交網(wǎng)絡(luò)平臺，用戶可在平臺上共享自己的出版物，平臺顯示瀏覽量、下載量和引用量，同時(shí)，可推薦用戶感興趣話題的出版物，以及好友上傳的出版物，以便于與其他學(xué)者進(jìn)行聯(lián)系和建立學(xué)術(shù)合作關(guān)系[1]。與此同時(shí)，國內(nèi)的學(xué)術(shù)平臺如科研之友、CNKI（China National Knowledge Infrastructure）學(xué)者圈、科學(xué)網(wǎng)、百度學(xué)術(shù)等逐漸興起，為研究者提供了研究成果交流和信息獲取的渠道[2]。然而，隨著中國科研的高速發(fā)展，論文數(shù)量爆發(fā)式增長，信息過量使學(xué)者在學(xué)術(shù)平臺精準(zhǔn)聚焦、匹配有價(jià)值的信息變得困難。傳統(tǒng)的中文數(shù)據(jù)平臺需要用戶登錄，利用關(guān)鍵詞、作者姓名等文字檢索方式獲取信息已不再適應(yīng)智能互聯(lián)網(wǎng)的發(fā)展，雖然提供了下載、被引數(shù)據(jù)，基于關(guān)鍵詞的學(xué)科分類和文獻(xiàn)引用，但對文獻(xiàn)引用數(shù)據(jù)在作者關(guān)系中的挖掘不夠，未精準(zhǔn)劃分“學(xué)術(shù)朋友圈”，讓研究成果主動在圈層中推送，提供學(xué)術(shù)合作的潛在機(jī)會。目前，基于移動互聯(lián)網(wǎng)的生活社交平臺用戶習(xí)慣已經(jīng)養(yǎng)成，通過算法可以獲取精準(zhǔn)推送信息。例如，微信“視頻號”，除了有視頻轉(zhuǎn)發(fā)功能，還能分享到朋友所關(guān)注的信息和瀏覽信息，根據(jù)用戶間關(guān)系加入個性化社交服務(wù)，形成“社交關(guān)系圈”，讀者可在同一時(shí)間維度分享社交網(wǎng)絡(luò)中的節(jié)點(diǎn)信息，使有價(jià)值的信息高效、準(zhǔn)確地在關(guān)系網(wǎng)絡(luò)的需求者之間流動、傳播。本文提出了一種基于多維度融合的文獻(xiàn)作者親密度計(jì)算模型，為學(xué)術(shù)社交圈“找到同行”和精準(zhǔn)推送打下基礎(chǔ)，給學(xué)術(shù)交流，資料獲取帶來便利[3]。

1 相關(guān)研究

1.1 學(xué)術(shù)網(wǎng)絡(luò)

學(xué)術(shù)網(wǎng)絡(luò)是作者和學(xué)術(shù)成果（論文）共同構(gòu)建的關(guān)系網(wǎng)絡(luò)，通過作者的論文、學(xué)科分類、文獻(xiàn)引用等數(shù)據(jù)，挖掘作者-作者、作者-論文、論文-論文之間的關(guān)系，幫助作者關(guān)注相關(guān)的研究方向、相似的研究水平團(tuán)隊(duì)的研究成果，同時(shí)，也為作者的評價(jià)提供數(shù)據(jù)支撐[4]。文獻(xiàn)[5]提出一種基于PageRank的論文合著者貢獻(xiàn)分配算法（ACA_PR算法），采用PageRank值和總引用量的加權(quán)值度量文章的價(jià)值，構(gòu)建合著作者科研記錄和科研成果被引情況的共引網(wǎng)絡(luò)，對論文合著者的貢獻(xiàn)進(jìn)行分配。文獻(xiàn)[6]提出一種利用合著次數(shù)、合著人數(shù)、作者排名、被引頻次等要素構(gòu)建綜合性的合著網(wǎng)絡(luò)加權(quán)模型，借助社會網(wǎng)絡(luò)分析方法，進(jìn)行科研團(tuán)隊(duì)發(fā)現(xiàn)和評價(jià)的實(shí)證研究。文獻(xiàn)[7]提出利用社區(qū)快速發(fā)現(xiàn)算法，識別合著網(wǎng)絡(luò)中的學(xué)術(shù)社區(qū)，建立學(xué)者論文影響力與合作影響力綜合指標(biāo)。文獻(xiàn)[8]提出將發(fā)文-引文曲線和作者署名順序引入pw-d指數(shù)，以CNKI為數(shù)據(jù)源，將圖書情報(bào)和黨的建設(shè)兩個學(xué)科領(lǐng)域各32位學(xué)者在2004—2018年的文獻(xiàn)數(shù)據(jù)作為研究對象，從學(xué)科指數(shù)對比、作者排名情況、區(qū)分度、相關(guān)性等方面，驗(yàn)證pw-d指數(shù)的評價(jià)效果。

上述方法以傳統(tǒng)的概率分析來構(gòu)建學(xué)術(shù)關(guān)系網(wǎng)絡(luò)或只計(jì)算一維或二維的親密度，從而導(dǎo)致網(wǎng)絡(luò)中隱藏節(jié)點(diǎn)之間的關(guān)系未被充分挖掘。

1.2 網(wǎng)絡(luò)關(guān)系強(qiáng)度算法

在計(jì)算網(wǎng)絡(luò)關(guān)系強(qiáng)度時(shí)，文獻(xiàn)[9]提出基于關(guān)系圈與個體交互習(xí)慣的用戶關(guān)系強(qiáng)度計(jì)算方法，利用基于完全子圖、標(biāo)準(zhǔn)化谷歌距離計(jì)算關(guān)系圈與主題領(lǐng)域間的相關(guān)度。文獻(xiàn)[10]提出基于霍克斯過程的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型，解決網(wǎng)絡(luò)模型未考慮用戶歷史交互影響及其動態(tài)衰減的問題。文獻(xiàn)[11]提出一種共同關(guān)注和共同粉絲的微博用戶相似度計(jì)算方法，挖掘微博用戶關(guān)系網(wǎng)絡(luò)中的社區(qū)關(guān)系。文獻(xiàn)[12]基于ABC（artificial bee colony）算法的K均值聚類方法，對所有的交互式活動文檔進(jìn)行聚類，計(jì)算聚類與活動主題名的相關(guān)性。文獻(xiàn)[13]提出不對稱的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度計(jì)算方法（DSTSATI），融合用戶特征屬性相似度、網(wǎng)絡(luò)結(jié)構(gòu)連接強(qiáng)度和社交行為交互強(qiáng)度3個維度來綜合計(jì)算用戶關(guān)系。

這些算法在社區(qū)檢索中具有良好的效果，但運(yùn)用到“學(xué)術(shù)關(guān)系圈”的聚類還需要多維度計(jì)量。本文的研究主要基于論文作者、關(guān)鍵詞、學(xué)科以及文獻(xiàn)引用等數(shù)據(jù)，提出基于網(wǎng)絡(luò)模型的多維度學(xué)術(shù)作者關(guān)系（即親密度值）計(jì)算方法。選取4個親密度指標(biāo)：①合著作者的結(jié)構(gòu)親密度Istruct；②作者所屬的學(xué)科親密度Isubject；③基于學(xué)科敏感度的引用親密度Ireference；④圖譜親密度Igraph。通過對這4部分進(jìn)行加權(quán)后，最終得到綜合親密度值I。

2 基于學(xué)術(shù)網(wǎng)絡(luò)的作者親密度計(jì)算

本文通過設(shè)計(jì)學(xué)術(shù)網(wǎng)絡(luò)作者親密度結(jié)構(gòu)圖（圖1），構(gòu)建文獻(xiàn)引用和作者關(guān)系網(wǎng)絡(luò)模型，對文獻(xiàn)引用數(shù)據(jù)深度挖掘，提出基于網(wǎng)絡(luò)模型的多維度作者親密度計(jì)算方法。

2.1 網(wǎng)絡(luò)模型參數(shù)定義

本文通過對作者發(fā)表的學(xué)術(shù)論文（academic pa‐pers）和文獻(xiàn)引用（citations）的統(tǒng)計(jì)，利用網(wǎng)絡(luò)結(jié)構(gòu)圖（network diagram），建立學(xué)術(shù)作者集合（au‐thor）、學(xué)術(shù)論文集合（paper）和文獻(xiàn)引用網(wǎng)絡(luò)（citations network），具體參數(shù)如表1所示。

表1 網(wǎng)絡(luò)模型參數(shù)定義

定義1：有向圖Gr=(V,E)表示論文引用網(wǎng)絡(luò)。其中，V表示Gr中由作者結(jié)點(diǎn)和論文集合構(gòu)成的二元組。Vi={ai,Pi}，ai表示作者，A表示作者集合，且A={a1,a2,???,aN}，N為作者總數(shù)；Pi表示作者ai的論文集合，且Pi={pi1,pi2,???,piL}，L為作者ai發(fā)表的論文總數(shù)。P為集合A中所有作者的論文，且P={p1,p2,???,pM}，M為學(xué)術(shù)論文總數(shù)。E表示Gr中作者發(fā)表論文的引用集合。任意作者ai和aj之間論文的引用集合定義為Eij={eij,x}，x=1,2,???,r。其中，eij,x=表示ai的論文pim引用了aj的論文pjn。

定義2：有向圖Gc=(A,F)表示合著作者網(wǎng)絡(luò)（co-author network）。其中，F(xiàn)表示集合A中的合著作者，集合A中任意作者ai和aj之間，若存在聯(lián)合署名發(fā)表論文，即Pi∩Pj≠?，則定義ai和aj之間為互相關(guān)注關(guān)系，即,∈F。

2.2 網(wǎng)絡(luò)模型中作者親密度

本文在學(xué)術(shù)社交網(wǎng)絡(luò)中，定義合著作者的結(jié)構(gòu)親密度Istruct、所屬的學(xué)科親密度Isubject、基于學(xué)科敏感度Level的引用親密度Ireference和網(wǎng)絡(luò)圖譜親密度Igraph這4個維度計(jì)算作者間的親密度，通過對這4部分進(jìn)行加權(quán)后，最終得到綜合親密度I，計(jì)算結(jié)構(gòu)圖如圖1所示。

2.2.1 合著作者的結(jié)構(gòu)親密度Istruct

利用作者合著網(wǎng)絡(luò)Gc=(A,F)構(gòu)建鄰接矩陣Adj=(Adjij)N×N，計(jì)算作者間的結(jié)構(gòu)親密度，

由于直接邊關(guān)系和結(jié)點(diǎn)對相似度的影響，本文提出了結(jié)構(gòu)相似度改進(jìn)算法[11]。該算法將鄰接矩陣Adj的對角線元素初始化為1，即

利用鄰接矩陣結(jié)點(diǎn)的出、入度計(jì)算結(jié)構(gòu)相似度，即合著作者的結(jié)構(gòu)親密度矩陣Istruct=其中，Istructij表示作者ai和aj的結(jié)構(gòu)親密度，公式為

其中，Ik為節(jié)點(diǎn)k的入度；Ok為節(jié)點(diǎn)k的出度，對其求平方根的倒數(shù)[14]，即為被關(guān)注節(jié)點(diǎn)k或關(guān)注節(jié)點(diǎn)k的權(quán)重。

2.2.2 學(xué)科親密度Isubject

作者ai的論文所屬學(xué)科定義為Si={six}（x=1,2,…,m），則所有作者論文所屬學(xué)科S=S1∪S2∪…∪SN。

Step1.對每位作者發(fā)表的論文按關(guān)鍵詞所屬學(xué)科進(jìn)行分類，統(tǒng)計(jì)每類學(xué)科的論文數(shù)量。對任意作者ai，有Si={si1,si2,???,siR}，其中R為作者ai的學(xué)科跨度，每類學(xué)科論文數(shù)量統(tǒng)計(jì)為Count(ai,sh)，表示作者ai在學(xué)科sh上的論文數(shù)，sh表示學(xué)科，sh∈S。

Step2.若同類學(xué)科上論文數(shù)量相差較大，則學(xué)科方向不同，利用歐幾里得距離計(jì)算作者學(xué)科維度的空間距離，即

Step3.空間距離越大，作者間的學(xué)科親密度就越低，學(xué)科親密度矩陣Isubject=()N×N，其中表示作者ai和aj的學(xué)科親密度，

2.2.3 基于學(xué)科敏感度的引用親密度Ireference

本文加入學(xué)科敏感度（level）指標(biāo)，表示單個作者在某學(xué)科上發(fā)表論文數(shù)量在該學(xué)科所有發(fā)表論文的排序位置，論文對不同學(xué)科敏感度不同，計(jì)算作者的學(xué)科敏感程度，并進(jìn)行等級劃分，調(diào)整作者學(xué)科的親密度關(guān)系[15]。

Step1.將每位作者在Si中學(xué)科按Count(ai,sh)升序排列。

Step2.計(jì)算該作者發(fā)表論文所屬學(xué)科的敏感度等級，將每類學(xué)科文章的敏感度等級記為Level(ai,sh)，表示作者ai對于學(xué)科sh的敏感度，使得

其中，

Step3.將作者ai在學(xué)科sh下引用aj的論文數(shù)量記為Rh(ai,aj)。用文章敏感度和文獻(xiàn)引用計(jì)算引用親密度。定義文獻(xiàn)引用親密度矩陣為Ireference=()N×N。其中表示作者ai和aj的引用親密度，

2.2.4 基于圖譜node的親密度Igraph

在計(jì)算以上3種親密度時(shí)，可能得到結(jié)果比較稀疏。在實(shí)際網(wǎng)絡(luò)中，從一個節(jié)點(diǎn)出發(fā)總有一條路徑可以連接另一個節(jié)點(diǎn)，為了深度挖掘作者間的關(guān)系，本文從知識圖譜的角度來計(jì)算作者間親密度Igraph[16-17]。根據(jù)已有的社交網(wǎng)絡(luò)，構(gòu)建圖譜Gg，如圖2所示。

圖2 學(xué)術(shù)圖譜網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)知識圖譜得到作者節(jié)點(diǎn)的圖向量表示，傳統(tǒng)圖表示分兩類[18-19]：①圖游走思想，常用方法有DeepWalk、node2vec；②根據(jù)頭實(shí)體和尾實(shí)體來預(yù)測邊的存在表示，常用方法有TransE、TransD、TransH等，本文采用TransH計(jì)算作者節(jié)點(diǎn)的向量表示[20-21]。TransH是對知識圖譜構(gòu)建成頭實(shí)體h、尾實(shí)體t以及關(guān)系r的三元向量組形式，將三元組關(guān)系映射到超平面產(chǎn)生不同的關(guān)系映射向量，在傳遞轉(zhuǎn)移操作時(shí)，對不同關(guān)系實(shí)體進(jìn)行區(qū)分。如圖3所示，將關(guān)系r投射到超平面得到關(guān)系投影dr和超平面范數(shù)向量wr；根據(jù)關(guān)系投影dr將頭尾實(shí)體h，t映射到超平面得向量表示fr(h,t)，以及h的超平面范數(shù)表示wrThwr、t的超平面范數(shù)表示wrTtwr。如果滿足||h+dr-t||22數(shù)值較小，那么三元組是正確的，從而得到

圖3 TransH方法示意圖

其中，h、t表示網(wǎng)絡(luò)圖譜中作者向量；wrThwr、wrTtwr表示作者向量在超平面空間的范數(shù)表示；dr表示超平面關(guān)系投影。

對網(wǎng)絡(luò)中所有節(jié)點(diǎn)進(jìn)行初始化向量表示，作者節(jié)點(diǎn)、學(xué)科節(jié)點(diǎn)以及論文節(jié)點(diǎn)都會得到一個隨機(jī)默認(rèn)的向量表示。其中，作者ai的節(jié)點(diǎn)向量為vec(ai)。以公式

中損失函數(shù)最小化為目標(biāo)，不斷迭代更新所有節(jié)點(diǎn)向量表示，L值越小，則節(jié)點(diǎn)向量越準(zhǔn)確。其中，h′,t′為負(fù)例向量；S表示圖譜中正例三元組；S′表示由正例三元組(h,r,t)替換頭尾實(shí)體構(gòu)造的負(fù)例三元組；χ表示間隔值。

不斷迭代更新后，得到122位作者在網(wǎng)絡(luò)圖中的向量表示vec(ai)。通過公式

計(jì)算作者之間的圖譜親密度Igraph=()N×N。其中，為作者ai和aj之間的圖譜親密度。

以此類推，算出122位作者之間的圖譜親密度。通過公式

的sigmoid函數(shù)，將得到的結(jié)果進(jìn)行歸一化處理，使統(tǒng)計(jì)得到向量的值在[0,1]。

2.2.5 學(xué)術(shù)作者綜合親密度I

采用加權(quán)求和，將結(jié)構(gòu)親密度、學(xué)科親密度、引用親密度和圖譜親密度結(jié)合，賦予權(quán)重α、β、γ和η，最終得到學(xué)術(shù)作者間的綜合親密度矩陣I，定義為

其中，α,β,γ,η∈[0,1]，并且滿足α+β+γ+η=1。

由于合著作者通常為相同學(xué)術(shù)團(tuán)隊(duì)學(xué)者，計(jì)算網(wǎng)絡(luò)親密度的目的是找出全局網(wǎng)絡(luò)中相似研究方向和水平的其他學(xué)術(shù)團(tuán)隊(duì)，進(jìn)行跨域?qū)W術(shù)交流，故提高引用親密度權(quán)重；學(xué)科親密度因包含甚廣，雖屬同一學(xué)科，但多數(shù)學(xué)者并沒有關(guān)聯(lián)性，故設(shè)置學(xué)科親密度權(quán)重最低；圖譜親密度比較全面地反映了網(wǎng)絡(luò)模型中作者間的關(guān)系，故權(quán)重設(shè)置最高。因此，最終加權(quán)參 數(shù) 設(shè) 置 為：α=0.2，β=0.1，γ=0.3，η=0.4。

3 實(shí)驗(yàn)與應(yīng)用

3.1 數(shù)據(jù)獲取

本文以CNKI為數(shù)據(jù)源，收集了某985高校教授A近5年論文的合著作者、引用作者、被引作者、引用論文和被引論文全部信息，數(shù)據(jù)包含122位作者的千余篇文章，建立論文列表、引用列表和學(xué)科列表信息。

Step1.根據(jù)作者列表中的作者信息，建立合著作者的連接關(guān)系，計(jì)算作者結(jié)構(gòu)親密度Istruct。

Step2.通過論文列表中關(guān)鍵詞，統(tǒng)計(jì)論文的學(xué)科分布情況，發(fā)現(xiàn)選取作者集中在計(jì)算機(jī)軟件及應(yīng)用、自動化技術(shù)、電信技術(shù)、電力工業(yè)等領(lǐng)域。同時(shí)，也涉及公路與水路運(yùn)輸、心血管系統(tǒng)疾病、園藝、中醫(yī)學(xué)等出現(xiàn)頻次較少領(lǐng)域。

Step3.通過引用列表，統(tǒng)計(jì)作者發(fā)表論文數(shù)量和被引用頻次、被引用數(shù)量，按論文數(shù)量降序排序，前幾位作者發(fā)表論文數(shù)量位居前列，具有較大引用率，屬于權(quán)威作者，具有較大的影響力。根據(jù)參考文獻(xiàn)中引用關(guān)系，建立原文作者和參考文獻(xiàn)作者間的連接關(guān)系。

Step4.根據(jù)Step1~Step3的數(shù)據(jù)進(jìn)行預(yù)處理，計(jì)算出作者的圖譜親密度，并加權(quán)得到所有作者間的綜合親密度值列表。

Step5.根據(jù)所有作者間綜合親密度值列表，算出author_degree值（即作者節(jié)點(diǎn)親密度總和）。再根據(jù)學(xué)術(shù)作者網(wǎng)絡(luò)的特點(diǎn)，引入作者發(fā)表文章數(shù)量與author_degree相乘，最終得到網(wǎng)絡(luò)中作者的author_weight值，即網(wǎng)絡(luò)水平值。

3.2 實(shí)驗(yàn)設(shè)置與結(jié)果

將獲取數(shù)據(jù)代入公式(3)、公式(5)、公式(8)、公式(10)、公式(11)、公式(13)中，得到122位作者各維度及綜合親密度值。由于作者數(shù)量較多，無法在圖形上完整展示，本文隨機(jī)選取展示列表中5號作者與其余9位作者的親密度值曲線圖（圖4），以及10組作者親密度關(guān)系的可視化（圖5）。

圖4 5號作者與其余9位作者的親密度

圖5 作者親密度可視化

根據(jù)第3.1節(jié)中的Step4，得到作者間綜合親密度值列表，算出網(wǎng)絡(luò)中每位作者的di值，定義author_degree=[d1,d2,???,dN]。其中，di為與作者ai有合著或引用關(guān)系的作者親密度值總和，

其中，Iij為作者ai和aj間的綜合親密度值。

根據(jù)學(xué)術(shù)網(wǎng)絡(luò)特點(diǎn)，di值顯示出與目標(biāo)作者有引用和合著關(guān)聯(lián)的學(xué)術(shù)作者網(wǎng)絡(luò)，這里引入作者發(fā)文數(shù)量指標(biāo)，計(jì)算出作者的網(wǎng)絡(luò)水平值wi，并定義為author_weight=[w1,w2,…,wN]，i=1,2,…,N，則wi為作者ai的di值與發(fā)表論文篇數(shù)乘積，即

其中，di為與作者ai有合著或引用關(guān)系的作者間親密度值總和；|Pi|為作者ai論文數(shù)量。

根據(jù)作者的author_weight得出學(xué)術(shù)網(wǎng)絡(luò)中作者關(guān)系圖譜，如圖6所示，包括122位作者結(jié)點(diǎn)信息和合著加引用的連接關(guān)系。

圖6 學(xué)術(shù)網(wǎng)絡(luò)中作者間親密度關(guān)系圖譜

在圖6中，節(jié)點(diǎn)大小代表作者網(wǎng)絡(luò)水平值wi，等大的節(jié)點(diǎn)代表與目標(biāo)作者相同水平的作者。圖6a表示在整個學(xué)術(shù)關(guān)聯(lián)網(wǎng)絡(luò)中有合著關(guān)系的團(tuán)隊(duì)聚類；圖6b表示這些學(xué)術(shù)團(tuán)隊(duì)之間的引用關(guān)系。連接曲線的粗細(xì)代表作者間的親密程度，曲線越粗，作者間的親密度值越大。

基于隱私考慮，本文用數(shù)字符號表示作者姓名。例如，Author1是重慶某985高校大數(shù)據(jù)軟件學(xué)院的教授；Author90是某211大學(xué)計(jì)算機(jī)學(xué)院院長，省級學(xué)科帶頭人；Author73是廣東工業(yè)大學(xué)自動化學(xué)院教授，多項(xiàng)權(quán)威雜志評審專家；Author98是某省211大學(xué)數(shù)學(xué)學(xué)院院長。通過實(shí)驗(yàn)，把這些相似學(xué)科關(guān)注方向、相同研究水平的科研團(tuán)隊(duì)找出來，從而具備形成“學(xué)術(shù)網(wǎng)絡(luò)朋友圈”的數(shù)據(jù)基礎(chǔ)，學(xué)術(shù)數(shù)據(jù)庫平臺可以建立即時(shí)交流工具，或者主動給學(xué)術(shù)朋友圈的節(jié)點(diǎn)做推送，讓學(xué)者們的科研成果傳播和交流更加精準(zhǔn)且有效。

4 結(jié)論

本文基于網(wǎng)絡(luò)模型，提出了合著作者親密度、學(xué)科親密度、基于學(xué)科敏感度的引用親密度以及社交圖譜親密度等4個維度計(jì)算作者綜合親密度的方法。研究結(jié)果表明，本文所提的方法可以明確表現(xiàn)作者之間的親密度，根據(jù)親密度關(guān)系圖譜，可直觀地看出本文綜合模型構(gòu)造的“學(xué)術(shù)朋友圈”社交網(wǎng)絡(luò)各維度及綜合效果。本文為將作者劃分到相同研究水平等級的關(guān)系圈，對每個關(guān)系圈內(nèi)的作者學(xué)術(shù)成果交流和文獻(xiàn)精準(zhǔn)推送做好基礎(chǔ)。