張理 魏奇鋒 顧新

摘 要：[目的/意義]面向科研合作網絡中的學術社群，提出基于合作者吸收能力的知識擴散種子選擇方法，以提升社群知識擴散效率，促進社群成員知識吸收。[方法/過程]運用R軟件完成仿真實驗。基于斯坦福大型網絡數據集（SNAP）的真實科研合作網絡數據，運用社團檢測算法“WalkTrap”檢測出學術社群。將各學術社群中合作對象吸收能力總和最大的節(jié)點作為各社群的知識擴散種子，基于此，在各社群內部實施知識擴散仿真實驗，并用其余4種基于網絡中心性的方法與本文方法作對比。[結果/結論]基于合作者吸收能力的種子選擇方法，在網絡整體知識水平、知識水平分布均勻性與擴散初期的知識增長速度等方面均優(yōu)于其它4種方法，且節(jié)點吸收能力差異越大，這種優(yōu)勢就越突出。節(jié)點平均吸收能力越強或網絡中節(jié)點平均度越大，知識擴散效率受種子選擇方法的影響越小。

關鍵詞：種子選擇;知識擴散;科研合作網絡;知識吸收能力;社團檢測

DOI：10.3969/j.issn.1008-0821.2020.02.014

〔中圖分類號〕G201 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）02-0122-10

A Study of Seed Selection for Knowledge Diffusion in

Scientific Collaboration Network

Zhang Li1 Wei Qifeng1* Gu Xin2

（1.Business School，Chengdu University of Technology，Chengdu 610059，China;

2.Business School，Sichuan University，Chengdu 610064，China）

Abstract：[Purpose/Significance]For the academic community in the scientific collaboration network，a method of selecting knowledge diffusion seeds based on the absorption ability of collaborators was proposed，so as to improve the diffusion efficiency of community knowledge and promote the knowledge absorption of community members.[Method/Process]R software was used to complete the simulation experiment.Based on the real scientific collaboration network data of Stanford large network dataset（SNAP），the community detection algorithm“WalkTrap”was used to detect the academic community.The node with the largest total absorption ability of collaborators in each academic community was used as the knowledge diffusion seed of each community.Based on this，knowledge diffusion simulation experiment was carried out within each community，and the other four network centrality based methods were compared with the method in this paper.[Results/Conclusion]The seed selection method based on the absorption ability of collaborators was superior to the other four methods in terms of the overall knowledge level of the network，the uniformity of knowledge level distribution and the growth rate of knowledge at the initial stage of diffusion.The greater the difference in the absorption capacity of nodes，the more prominent this advantage will be.The stronger the average absorption ability of nodes or the higher the average degree of nodes in the network，the less the influence of seed selection method on the knowledge diffusion efficiency.

Key words：seed selection;knowledge diffusion;scientific collaboration network;knowledge absorption ability;community detection

科研合作在知識生產和科學發(fā)展上發(fā)揮著重要作用，對知識創(chuàng)造與傳播具有重要意義[1-2]。合著論文是科學家協同研究、形成研究成果的一種重要形式，也是實現知識轉移的關鍵渠道。論文合著網絡同時也是一類社交網絡，其節(jié)點代表論文作者，邊代表合著關系，二者共同體現了科學家之間的復雜合作關系，是一種典型的科研合作網絡[3]。知識擴散是知識生產過程中的核心環(huán)節(jié)，對知識繼承和創(chuàng)新存在重要作用與價值[4]?？蒲泻献骰顒又写嬖谳^強的關系嵌入屬性，網絡中知識擴散的實質是一種社會交換，知識擴散的程度與效率受社會關系網絡中個體位勢的影響[5]。在科研合作網絡中，一些相互連接緊密的節(jié)點共同組成了學術社群，在社群內部的學者之間，其合作頻次通常多于處于不同社群中學者之間的合作頻次。知識擴散種子，即知識擴散的主導者，在科研合作網絡中的位置將會對知識擴散產生重要影響[6]。因而，從學術社群中優(yōu)選出知識擴散種子，可以有效提高學術社群內部的知識擴散效率，從而促進學者們對相關知識的吸收和創(chuàng)新。

1 文獻綜述

目前，國內外學者從多方面、多角度對科研合作網絡進行了一定分析，相關研究大多圍繞合著網絡主題。avu瘙塂

oglu A等[7]研究了跨學科合作網絡的一些統計和拓撲特征，如作者數量、度分布、每篇文章的作者數與每位作者的論文量直方圖與分布等，研究表明這些特征使得土耳其高等教育快速發(fā)展且增加了論文的出版數量，并提高了科研合作網絡的合作水平。Barbosa M W等[8]基于合著關系構建了供應鏈分析學研究領域的科研合作網絡，按研究方向劃分了研究團體，分析了不同研究方向的科研人員之間的合著關系，研究中使用的度量方法描述了網絡節(jié)點的重要性，研究發(fā)現國家之間的合著網絡存在小世界效應。Gaskó N等[9]構建了一個不同于合著網絡的網絡，若文章有共同作者則將這些文章作為節(jié)點相互連接，研究表明這種網絡揭示了合作行為的模式，且能更好地定義社區(qū)結構和直接代表合作的結果。此外，對科研合作網絡的研究還包括合作關系識別[10]、科研合作網絡演化分析[11]、識別重要作者[12]以及作者合作模式[13]等等。

知識擴散的相關研究，主要包括如何提升知識擴散效率[14]、知識擴散機制[15]、特定知識擴散模型的構建與仿真[16-18]等。在科研合作網絡的知識擴散相關研究中，部分學者聚焦于知識擴散模型的仿真研究。比如，涂靜等[6]提出用不同的網絡中心性方法選擇知識源，以促進知識擴散，研究發(fā)現介數中心性前5%的節(jié)點作為知識源的情況下的知識擴散充分程度最高。巴志超等[4]根據科研合作網絡中知識的流動特征，構建知識擴散模型并進行仿真實驗，發(fā)現網絡拓撲結構、網絡規(guī)模和專家高知識溢出效應等因素，影響了知識在科研合作網絡中的數量水平、擴散速率和分布的均勻性。岳增慧等[19]基于復雜網絡中的傳染病模型，設定科研合作網絡知識擴散規(guī)則，建立了知識擴散模型，通過仿真揭示科研合作網絡知識擴散的動力學影響機制，研究表明合作者的演化狀態(tài)和網絡拓撲結構影響知識擴散者的狀態(tài)演化。劉璇等[5]通過研究微觀個體對科研合作網絡知識擴散的動態(tài)影響機制，比較了4種經典的社會網絡分析算法所具有的知識擴散特征，發(fā)現處于“結構洞”位置和度中心性高的個體在知識擴散中最為重要。

綜上所述，前人對科研合作網絡的知識擴散研究大多集中于整體網絡背景，而提升研究方向相近且合作關系密切的學術社群中的知識擴散效率，將更有利于促進科研人員的知識吸收和創(chuàng)新，從而進一步促進科研成果的產出。加之，學者們在知識源位勢對知識擴散影響的研究中普遍忽略了個體吸收能力差異的因素。本文將科研合作網絡中各學術社群作為研究對象，提出基于合作者吸收能力的知識擴散種子選擇方法，從各學術社群中選擇合適的知識擴散種子，使得知識在社群內部實現擴散，以最大限度提升知識擴散效率，從而提升學術成果的傳播和影響力。

2 科研合作網絡種子選擇與知識擴散模型

2.1 科研合作網絡描述

科研合作網絡描述了學者之間的復雜合作關系，其中，網絡節(jié)點代表學者，網絡中的邊代表學者之間存在合作關系。用無向圖G（S，T）描述科研合作，G（S，T）中存在N個節(jié)點，S={1，2，3，…，N}是節(jié)點的有限集，T={ij，|i，j∈S}是所有節(jié)點的連線的集合。所有與節(jié)點i存在直接連接關系的節(jié)點集合記為Γi，Γi={j|ij∈T}，節(jié)點i的度ki為集合Γi中元素的個數。令vi（t）代表節(jié)點i在t時刻的知識存量，節(jié)點i所在的社團中節(jié)點的集合記為Ci。

2.2 知識擴散種子選擇

2.2.1 學術社群檢測

在合著網絡中，一些作者之間的連接比其他連接緊密，這些連接更密集的作者組成聚類，成為學術社群。同一個社群的作者可能來自同一個大學或科研組織，又或是通過參加了某個同行學術會議而彼此建立了合作關系等等。運用社團檢測方法可以在整個合著網絡中提取出學術社群。Pons P等曾于2005年提出了一個基于隨機游走的網絡社團劃分算法，他們提出可以使用兩點到第三點的流距離之差來衡量兩點之間的相似性，從而為劃分社團服務。一旦從流結構中提取了節(jié)點相似性，社團劃分就成為了一個聚類問題[20]。本文選用了這一效率較高的“WalkTrap”隨機游走算法。

2.2.2 種子選擇方法

本文考慮節(jié)點吸收能力的差異，提出將合作者吸收能力最大者作為知識擴散種子，通過在每個學術社群內部選擇一個種子點，知識實現了在每個社團內部的擴散。由于一些傳統的網絡中心性度量方法已被廣泛應用于評估科學家在合作網絡中的重要性[21]，分別將接近中心性、中介中心性、特征向量中心性和度中心性等4種復雜網絡中心性指標最大的節(jié)點作為知識擴散種子進行知識擴散仿真，與本文方法作對比。

1）合作者吸收能力（Collaborators Absorption Ability）

節(jié)點吸收能力的強弱影響知識擴散效果，本文提出將節(jié)點合作者的吸收能力作為是否選其作為知識擴散種子的依據，節(jié)點i的合作者的吸收能力之和CAAi定義為：

其中aj為節(jié)點j的吸收能力，Γi為節(jié)點i的鄰接點的集合。

2）接近中心性（Closeness Centrality）

接近中心性描述網絡中一個節(jié)點與網絡中其他所有節(jié)點的緊密程度，而此處的緊密度指節(jié)點間的跳數或連接數[22]。節(jié)點i的接近中心性的計算方式為節(jié)點i到其他所有節(jié)點的距離之和的倒數，記為cci，若值越大，說明這個節(jié)點距離其他所有點的路徑越短。一個具有高接近中心度的點，說明這個點離其他任何點都近。

其中dij為節(jié)點i到節(jié)點j的最短路徑，N為網絡中的節(jié)點數。

3）中介中心性（Betweeness Centrality）

中介中心性度量了一個節(jié)點位于網絡中其他節(jié)點對之間的最短路徑的占比。可反應出節(jié)點成為中間人或媒介節(jié)點的程度，這會影響網絡的通信量或信息流[23]。它是一個全局指標，基于最短路徑長度且強調了橋梁節(jié)點的重要性。因此，節(jié)點i的中介中心性bci定義為：

其中gst代表節(jié)點s與節(jié)點t之間的最短路徑數，gist代表節(jié)點s與節(jié)點t的最短路徑中經過節(jié)點i的路徑數。

4）特征向量中心性（Eigenvector Centrality）

特征向量中心性是對網絡中節(jié)點重要性的一種度量。節(jié)點的重要性取決于鄰接點的重要性[24]。它基于以下概念將相對分值分配給網絡中的所有節(jié)點，即與得分高的節(jié)點的連接比與得分低的節(jié)點的連接對節(jié)點未來得分的貢獻更大。使用鄰接矩陣可以求得特征向量中心性，對于給定的圖G=（S，T），S為節(jié)點的集合，Γi為節(jié)點i的鄰接點的集合，N為節(jié)點數，鄰接矩陣A中的元素Aij=1代表節(jié)點i與節(jié)點j之間有邊，節(jié)點i的特征向量中心性分值xi定義為：

5）度中心性（Degree Centrality）

度中心性是最直接的網絡拓撲屬性衡量指標，它僅使用了網絡中一步的局部信息以評估節(jié)點的中心性。節(jié)點的度中心性為節(jié)點的度，即與其相連的節(jié)點的數量。鄰接矩陣A中的元素Aij=1代表節(jié)點i與節(jié)點j之間有邊，則節(jié)點i的度中心性定義為：

其中N為網絡中節(jié)點的數量。

2.3 知識擴散模型

知識擴散種子產生的學術成果或獲取的新知識通過合作關系，被合作者吸收，進而擴散到整個學術社群。從科研合作網絡中的每個社群選擇一個種子點作為新知識的擴散者，每個時間步長，所有節(jié)點從本社團內的鄰接點處吸收該知識。節(jié)點的吸收能力各不相同，節(jié)點i的吸收能力即每個時間步長，吸收到的知識在新知識中的占比，記為ai，ai∈（0，1）。

設定種子點知識量為1，t時刻，若節(jié)點i的知識存量小于1且鄰接點j和i在同一個社群，則t時刻，節(jié)點i從節(jié)點j處吸收的知識量Aabij（t）定義為：

則t時刻，節(jié)點i從社團內所有合作者吸收獲得的該知識Aabi（t）定義為：

其中Γi為i的鄰接點集合，Ci為i所在社團中節(jié)點的集合。則節(jié)點i在t時刻的知識存量vi（t）定義為：

2.4 知識擴散效率度量

用各時刻的網絡整體知識水平、知識增長速度和知識水平分布的均勻性等指標從多方面度量科研合作網絡的知識擴散效率，這3個指標分別描述了在各時刻科研合作網絡中節(jié)點平均知識存量的多少，知識增長的快慢和節(jié)點間知識存量的差距。

2.4.1 整體知識水平

整個科研合作網絡t時刻的整體知識水平（t）定義為該時刻網絡中各節(jié)點知識存量的平均值。

2.4.2 知識增長速度

網絡整體的知識增長速度ρ（t）由不同時刻的整體知識水平確定，定義為：

2.4.3 知識水平分布的均勻性

知識擴散的一個目的是縮小各節(jié)點之間知識存量的差距，網絡中主體知識水平的標準差用以度量知識水平分布的均勻性。標準差會隨著整體知識水平的增長而增加，用t時刻的標準差系數c（t）衡量知識水平分布的均勻性，c（t）定義為：

其中，σ（t）為t時刻網絡中各主體知識存量的標準差。0

3 仿真分析

3.1 數據來源與仿真過程

本研究使用的科研合作網絡數據來自斯坦福大型網絡數據集[25]中的Collaboration Networks（協作網絡），網絡數據由相互連接的節(jié)點對組成，節(jié)點由編號進行標識，無作者的具體信息。記錄了E-print arXiv（電子預印本文獻庫）1993年4月至2003年4月（124個月）期間在線出版的論文中，包含5個研究領域作者間的科研合作關系[26]。該實驗數據集中，若作者i與作者j合著了1篇論文，則圖中包含了節(jié)點i到節(jié)點j的無向邊;若論文是由k個作者合著，則在k個節(jié)點上生成一個完全連通子圖，網絡數據統計見表1。

本文運用R軟件進行仿真實驗。“WalkTrap”隨機游走社團檢測算法與網絡中心性計量算法均來自R語言的Igraph包。首先，考慮到學者們的學習能力各不相同，設置節(jié)點的吸收能力a為[0.02，0.1]之間的隨機數。對每個網絡作隨機游走社團檢測，以區(qū)分出學術社群。隨后，為每個節(jié)點分別計算其合作者吸收能力之和（式1）、接近中心性（式2）、中介中心性（式3）、特征向量中心性（式4）和度中心性（式5），分別將各個學術社群中的上述5個指標值最大的節(jié)點作為種子節(jié)點。為體現不同種子選擇方法在知識擴散效率上的差異，采用5種種子選擇方法篩選的種子點不完全相同的社群參與下一步實驗，社群選擇數見表1。設置種子節(jié)點的知識存量為1，社群中其余節(jié)點知識存量為0。最后，遵循式（6）～（8）中定義的社群內部知識擴散模型，對5個網絡中的每個學術社群，分別以不同種子選擇方法篩選出的種子節(jié)點為起點，進行100個時間步長的知識擴散仿真實驗，知識由種子節(jié)點擴散到整個學術社群。分別計算出各網絡不同種子選擇方法的整體知識水平（式9）、知識增長速度（式10）和知識水平分布水平的均勻性（式11）。

3.2 社團檢測與種子點選擇結果

從各網絡中所檢測出的學術社群數見表1，以HEP-PH網絡中第176號社群為例（見圖1），演示5種種子選擇方法下的種子選擇結果與不同時刻社群中節(jié)點知識存量的變化趨勢。圖中顏色不同于其他節(jié)點的為種子點，節(jié)點的大小代表知識存量的多少，5種方法對該社群計算出的知識擴散種子各不相同。在t=1時刻，各種子點的知識存量均為1，其余節(jié)點為0。在t=30時刻，不同種子點選擇方法下，節(jié)點的知識存量已顯示出差距，以中介中心性最大者為種子的情況下，社群中各節(jié)點的知識存量明顯低于其他幾種方法。社群內部各節(jié)點之間的知識存量也顯示出差距。在t=60時刻，又經過30個步長的相互協作，同一社群中，節(jié)點之間的知識存量差距縮小，節(jié)點對知識的吸收趨近于飽和，不同種子點選擇方法之間的差距也逐漸縮小。

3.3 整體知識水平

5個科研合作網絡各時刻的網絡整體知識水平見圖2。圖中橫軸為時間步長，縱軸為網絡整體知識水平（式9）。采用不同的種子選擇方法，各網絡的整體知識水平在前期斜率最大，中期緩和，后期趨于水平。在5個網絡中，各種子選擇方法的網絡整體知識水平之間的差距均經歷擴大、縮小，最終趨于一致的過程。在知識水平達到飽和（即等于1）之前，各種子選擇方法在整體知識水平上的排序依次為合作者吸收能力、度中心性、中介中心性、接近中心性以及特征向量中心性。當合作者吸收能力最大者作為種子點時，僅考慮了網絡中第一層的局部信息，因其合作者吸收能力最大，在t=1時刻，種子點的合作者們吸收到的知識總和大于其他方法，在之后的擴散過程中，其他方法也未能超過此方法。以度中心性最高者作為種子點的方法次之，在t=1時刻，種子點將知識轉移給相對于其他方法更多的節(jié)點。而基于中介中心性和接近中心性的方法考慮了網絡結構的全局信息?；谥薪橹行男缘姆椒▽蛄汗?jié)點作為種子點，基于接近中心性的方法將離各點距離之和最近的節(jié)點作為種子點，因知識的吸收是從鄰接點處吸收而不是從種子

點處吸收，所以考慮全局結構信息使得網絡整體知識水平低于前兩種方法?；谔卣飨蛄恐行男缘姆椒紤]的是節(jié)點鄰接矩陣的情況，各時刻整體知識水平最低。5個網絡在結構上存在差異，因此在各網絡中5種種子選擇方法的整體知識水平存在差異。從劃分社群的結果發(fā)現每個網絡的社群平均規(guī)模大小不一，由于每個社群僅一個知識擴散種子，社群規(guī)模越小，在t=0時刻，網絡整體知識水平越高。節(jié)點平均度越大的網絡，學者的合作者越多，不同種子選擇方法的整體知識水平之間的差距越小。

3.4 知識增長速度

圖3為5個網絡的知識增長速度（式10）演化情況。5個網絡中各種子選擇方法的知識增長速度均經歷瞬時增大、急劇下降、降低放緩，最后趨近于零的過程。在t=0時刻，種子節(jié)點知識存量為1，其余節(jié)點的知識存量為0，種子節(jié)點與其余節(jié)點之間知識勢差最大。根據式（6），在t=1時刻，種子點將最多的知識量轉移給鄰居節(jié)點，因此知識增長速度達到最大值。5個網絡中，各方法的最大知識增長速度的排序依次為基于合作者吸收能力、度中心性、中介中心性、接近中心性和特征向量中心性。在約t=10時刻，各方法的知識增長速度降低為一致，之后差距加大，且與網絡的節(jié)點平均度成反比，之后趨于0。

3.5 知識水平分布的均勻性

知識水平分布的均勻性見圖4，各網絡的c（t）值（式11）在約12個時間步長內迅速降低，之后趨于水平。說明在知識擴散初期，節(jié)點間知識水平差距較大，在不斷的協作中，節(jié)點間的知識水平差距越來越小?；诤献髡呶漳芰Φ姆N子選擇方法在知識擴散的均勻性上優(yōu)于其他方法。且初始c（t）值較低的網絡在c（t）達到均衡狀態(tài)后也維持在相對較低的狀態(tài)，經過知識擴散，各c（t）值均下降0.45～0.5，即初始知識均勻性較好的網絡到后期也繼續(xù)保持。

3.6 節(jié)點吸收能力對種子選擇的影響

節(jié)點的吸收能力是在知識擴散模型中的重要參數，節(jié)點間吸收能力的差距大小和網絡節(jié)點平均吸收能力的強弱是否會對種子選擇產生影響？為探究此問題，本文分別設置節(jié)點間吸收能力差異大、差異小、無差別和節(jié)點平均吸收能力低、中、高的情況下進行知識擴散仿真，觀察各種子選擇方法在知識擴散效率上的差別，吸收能力設置情況見表2，時間步長t=100。由于前文中不同種子選擇方法的知識擴散效率的排序在各網絡中一致，因此選取網絡規(guī)模最小的GR-QC網絡作為實驗數據。用于實驗的學術社群為5種種子選擇方法獲取的種子點不完全相同的社群，而吸收能力的變化影響到基于合作者吸收能力方法的種子選擇情況，因此各吸收能力設置下選取的社群數量各不相同，選取情況表2。因吸收能力一致時，基于合作者吸收能力的方法和基于度中心性的方法會選擇幾乎相同的種子，又因用于實驗的社群為5種方法得到的種子不完全相同的社群，所以吸收能力一致時選取的社群數會明顯少于其他吸收能力的情況。

不同吸收能力差異下，GR-QC網絡的知識擴散情況見圖5。從圖5得知，節(jié)點吸收能力的差異并未影響各種子選擇方法各時刻在整體知識水平高低的排序。節(jié)點吸收能力差異越大，基于合作者吸收能力的種子選擇方法與其他方法相比優(yōu)勢越明顯。節(jié)點間吸收能力差異的大小對基于接近中心性、中介中心性、度中心性和特征向量中心性等4種方法的整體知識水平之間的差距無明顯影響。當節(jié)點吸收能力一致且同一社群存在多個度最大的節(jié)點時，基于度中心性的方法和基于合作者吸收能力的方法可能會選擇不同的節(jié)點作為種子選擇的種子點，其余情況下兩種方法會選擇同樣的節(jié)點作為種子點，因此在吸收能力一致時，兩種方法的整體知識水平存在細微的差距。在吸收能力差異大時，基于合作者吸收能力方法的知識增長速度在短時間達到最大值且明顯快于其他方法。各吸收能力差異下，約在t=20之后，基于合作者吸收能力的方法均下降至低于其他4種方法，在t=75之后各方法的知識增長速度穩(wěn)定趨于0。不同吸收能力差異下，基于合作者吸收能力方法的知識水平分布均勻性始終最佳，且吸收能力差異越大，其均勻性與其余4種方法的差距越大。不同吸收能力差異下，基于中介中心性和接近中心性的方法在知識水平分布的均勻性始終最為接近，且吸收能力差異越大，這兩種方法的知識水平分布均勻性在更短的時間內超過度中心性。

節(jié)點平均吸收能力不同的情況下，本文方法相較于其余方法仍體現出優(yōu)勢（見圖5）。節(jié)點平均吸收能力越小，同一時刻不同的種子選擇方法在整體知識水平、知識增長速度和知識水平分布的均勻性上的差別越大。吸收能力越低知識增長速度的最大值也最低，達到網絡知識均衡的時間也越長。網絡整體吸收能力越強，不同種子方法對知識擴散效率的影響越小。

4 結論與展望

相較于宏觀整體網絡涌現出的知識流動特征，學術社群內部流動的知識與學者研究內容的相關性更為具體?，F有對知識源位置選擇的研究大多基于網絡拓撲結構分析，普遍忽略了節(jié)點吸收能力差異這一“內容性”因素，而節(jié)點吸收能力是網絡知識擴散模型中必須考慮的核心參數。本文面向科研合作網絡的學術社群，考慮了學者間知識吸收能力

圖5 不同吸收能力設置下GR-QC網絡知識擴散情況

差異，提出基于合作者吸收能力的知識擴散種子選擇方法，以合作對象的吸收能力總和作為選擇知識擴散種子的標準，有助于顯著提升知識擴散效率，從而促進社群成員對科學知識的吸收和創(chuàng)新。對比以往類似研究只考慮網絡拓撲結構位置對知識擴散效率的影響，實現了方法邏輯上的延拓。

源于斯坦福大型網絡數據集（SNAP），將Collaboration Networks（協作網絡）中的天體物理學、凝聚物理學、廣義相對論和量子宇宙學、高能物理現象學以及高等物理理論學等5個研究領域的公開合著網絡數據作為研究對象，采用高效的“WalkTrap”隨機游走社團檢測算法從中檢測出學術社群。利用本文提出的方法，從各學術社群中選出知識擴散種子，令其作為起點將知識擴散到社群內部，并將該方法與基于接近中心性、中介中心性、特征向量中心性和度中心性的種子選擇方法作對比。采用整體知識水平、知識增長速度和知識水平分布的均勻性3個知識擴散效率指標，描述不同種子選擇方法背景下的知識擴散效率差異。實驗表明，采用本文提出的方法能達到最佳的知識擴散效果，且節(jié)點間吸收能力差距越大，這種方法相較于其他方法的優(yōu)勢就更加突出。在各知識擴散效率指標下，另4種方法的知識擴散效率排序依次為基于度中心性、中介中心性、接近中心性和特征向量中心性的方法，且在吸收能力的不同參數設置下，先后順序保持不變。節(jié)點平均吸收能力越高或節(jié)點平均度越大，各種子選擇方法的知識擴散效率之間的差距越小。

在實踐中，為提升科研合作網絡中學術成果的傳播效率，可選擇合作者們的學習能力最強的學者作為知識擴散者。其中學習能力的衡量可參考學者的學歷、單位時間內成果的產出量等因素。相反，選擇那些合作者最多、在整個網絡中起到橋梁作用或跟其余學者關系都較近又或是選擇合作者重要性很強的學者作為知識擴散者，其效果均不如選擇合作者學習能力強的科學家。

本文在得出上述結論的同時，還存在一些不足之處。比如，沒有考慮到5個不同領域的科研合作網絡的其他網絡統計特征（如聚集系數、直徑等）的差異對社團檢測和種子選擇的影響。又比如，目前的網絡數據僅含網絡結構信息，節(jié)點為編號，無作者姓名，因此在選擇種子時僅考慮了網絡的結構信息和實驗設置的吸收能力參數，未考慮到作者自身的人口統計學變量情況等等。在今后的研究中，將進一步搜集更充分的科研合作網絡數據，以完善實驗，得出更具價值的結論。

參考文獻

[1]Tijssen R J W.Is the Commercialisation of Scientific Research Affecting the Production of Public Knowledge？Global Trends in the Output of Corporate Research Articles[J].Research Policy，2004，33（5）：709-733.

[2]Wuchty S，Jones B F，Uzzi B.The Increasing Dominance of Teams in Production of Knowledge[J].Science，2007，316（5827）：1036-1039.

[3]Newman M E J.The Structure of Scientific Collaboration Networks[J].Proceedings of the National Academy of Sciences of the United States of America，2000，98（2）：404-409.

[4]巴志超，李綱，朱世偉.科研合作網絡的知識擴散機理研究[J].中國圖書館學報，2016，42（5）：68-84.

[5]劉璇，李嘉，陳志高，等.科研創(chuàng)新網絡中知識擴散演化機制研究[J].科研管理，2015，36（7）：19-27.

[6]涂靜，楊中華，張志清.科研合作網絡中知識源中心性對知識擴散效率的影響[J].情報理論與實踐，2017，40（5）：76-81.

[7]avu瘙塂

oglu A，lker Türker.Patterns of Collaboration in Four Scientific Disciplines of the Turkish Collaboration Network[J].Physica A Statistical Mechanics & Its Applications.2014，413（11）：220-229.

[8]Barbosa M W，Ladeira M B，Alberto D L C V.An Analysis of International Coauthorship Networks in the Supply Chain Analytics Research Area[J].Scientometrics，2017，111（3）：1703-1731.

[9]GaskóN，Lung R I，Suciu M A.A New Network Model for the Study of Scientific Collaborations：Romanian Computer Science and Mathematics Co-authorship Networks[J].Scientometrics，2016，108（2）：613-632.

[10]Kretschmer H，Beaver D D，Ozel B，et al.Who is Collaborating with Whom？Part I.Mathematical Model and Methods for Empirical Testing[J].Journal of Informetrics，2015，9（2）：359-372.

[11]趙蓉英，王旭，亓永康.我國世界一流大學建設高校間科研合作網絡及演化研究[J].現代情報，2019，39（3）：132-143.

[12]Zhou J，Zeng A，Fan Y，et al.Identifying Important Scholars Via Directed Scientific Collaboration Networks[J].Scientometrics，2017，114（3）：1327-1343.

[13]王新明，丁敬達.科研論文的著者合作模式研究綜述[J].現代情報，2018，38（8）：172-177.

[14]王世波，趙金樓.復雜網絡視角下技術創(chuàng)新擴散種子選擇研究[J].科技進步與對策，2018，35（13）：28-33.

[15]李軍，朱先奇，史彥虎.加權網絡視角下產業(yè)集群創(chuàng)新擴散機制仿真研究[J].重慶大學學報：社會科學版，2017，23（6）：13-20.

[16]馬永紅，張利寧，王展昭.基于采納者決策機制的競爭性創(chuàng)新擴散的閾值模型構建及仿真研究[J].科技管理研究，2016，（22）：12-17.

[17]盧燕群，何永芳.復雜網絡視角下企業(yè)集群技術創(chuàng)新擴散仿真研究[J].中國科技論壇，2018，（3）：73-80.

[18]朱曉霞，趙雪，劉萌萌.基于多層網絡的偽信息擴散及干預研究[J].情報雜志，2017，（10）：47，66-70.

[19]岳増慧，許海云，方曙.基于微分動力學的科研合作網絡知識擴散模型及影響機制研[J].情報學報，2015，34（11）：1132-1142.

[20]Pons P，Latepy M.Computing Communities in Large Networks Using Random Walks（Long Version）[J].Computer and Information Sciences-ISCIS，2005：284-293.

[21]Yan E，Ding Y.Applying Centrality Measures to Impact Analysis：A Coauthorship Network Analysis[J].Journal of the Association for Information Science & Technology，2009，60（10）：2107-2118.

[22]Bavelas A.Communication Patterns in Task Oriented Groups[J].Journal of the Acoustical Society of America，1950，22：271-282.

[23]Bader D A，Kintali S，Madduri K，et al.Approximating Betweenness Centrality[M].Algorithms and Models for the Web-Graph.Springer Berlin Heidelberg，2007：124-137.

[24]Perra N，Fortunato S.Spectral Centrality Measures in Complex Networks[J].Physical Review E，2008，78（3）：036107.

[25]Leskovec J，Krevl A.SNAP：Large Network Dataset Collection[DB/OL].http：//snap.stanford.edu/data，2019-01-16.

[26]Leskovec J，Kleinberg J，Faloutsos C.Graph Evolution：Densification and Shrinking Diameters[J].Acm Transactions on Knowledge Discovery from Data，2007，1（1）：1-41.

（責任編輯：孫國雷）