基于知识图谱增强的异构图神经网络在科学人才创新潜力识别中的应用

《Scientific Reports》：Knowledge graph-enhanced heterogeneous graph neural network for scientific talent innovation potential identification

　　

摘要

传统的 talent evaluation methods 主要依赖于静态的文献计量指标，这些指标无法捕捉研究人员的动态发展模式和潜在的创新能力。本研究提出了一种基于知识图谱增强的异构图神经网络框架，用于识别科学人才的创新潜力。该框架整合了多源异构学术数据，构建了一个涵盖研究人员、出版物、机构和研究主题的综合性知识图谱，并采用基于元路径的注意力机制来选择性地聚合来自不同实体类型和关系的信息。一种门控融合策略将知识图谱中的语义嵌入与学术网络中的结构特征相结合，实现了全面的人才表示学习。在包含128,456名来自多个学科的研究人员的数据集上进行实验验证，结果表明该方法的性能显著优于现有最佳模型：准确率达到85.21%，AUC-ROC分数为0.9014，相比现有模型提高了6.3%。该方法在识别具有高创新潜力的早期职业研究人员方面表现出特别的有效性，解决了传统评估系统中固有的“冷启动”问题。这项研究为知识增强图表示学习提供了一种通用方法，并为研究机构的智能人才管理提供了实际解决方案。