本书主要从理论体系和方法实践两方面展开。在理论体系篇，在介绍科学预测的内涵、发展与面对的困境后，着重从科学影响力预测、科学行为预测、学科主题预测三方面构建科学预测内容理论体系，主要构建论文影响力、学者影响力、期刊影响力、专利影响力、机构影响力、选题行为、合作行为、引用行为、学科主题发展状态、学科主题链路关系十个预测维度，系统介绍科学预测这一领域的理论体系、方法思路、模型算法、数据特征等，集图机器学习、大模型、深度学习于一体，为科学预测提供了一套相对系统的理论和方法体系框架。在方法实践篇，基于同构图神经网络、异构图神经网络、文本表示学习、深度学习、机器学习、大数据分析等技术，分别构建学科主题热度预测模型、跨学科主题链路预测模型、学者跨学科合作测度指标与预测模型、跨学科引文预测模型、学者跨学科选题行为预测模型等，分别以国内外信息资源管理学科数据、“清北人”三所高校学者数据、PubMed生命与医学全量数据、数字人文领域数据等为例，从不同维度进行实证，为科学预测提供一系列方法指导和具体的应用示范。本书可作为高等学校计算机科学、信息科学、信息资源管理等专业的指导书或教学参考书，也可作为科技情报、图机器学习、图神经网络、复杂网络、大模型等工作者的参考书。

本书可作为高等学校计算机科学、信息科学、信息资源管理等专业学者研究的专业指导书籍以及教学参考书，亦可为从事科技情报、图机器学习、图神经网络、复杂网络、大模型的实际工作者的参考书籍。

前 言PREFACE
凡事预则立，不预则废。如何从海量科学文献数据中识别出科学的演化模式
以及科研行为的演化规律，并通过建模量化表征其蕴含的规律，预测科学生态的
未来发展趋势及创新路径，为学者开展新的或跨学科研究提供指导，已经成为现
代科学攻关和科研竞技的重要命题。在科学复杂系统理论和万物皆可“图”
思想的指导下，人类的科学研究是有规律可循的，是可以预测的，本书旨在塑造
科学预测这一新的研究领域的知识体系，主要包含理论体系和方法实践两部分。
在理论体系篇，本书介绍科学预测的研究背景与意义、内涵、面对的困境与
机遇，着重从科学影响力预测、科学行为预测、学科主题预测三方面构建科学预
测内容的理论体系，主要构建论文影响力、学者影响力、期刊影响力、专利影响力、
机构影响力、选题行为、合作行为、引用行为、学科主题发展状态、学科主题链
路关系十个预测维度，系统介绍科学预测这一领域的理论体系、方法思路、模型
算法、数据特征等，集图机器学习、大模型、深度学习于一体，为科学预测提供
了一套相对系统的理论和方法体系框架。
在方法实践篇，基于同构图神经网络、异构图神经网络、文本表示学习、深
度学习、机器学习、大数据分析等技术，分别构建学科主题热度预测模型、跨学
科主题链路预测模型、学者跨学科合作测度指标与预测模型、跨学科引文预测模
型、学者跨学科选题行为预测模型等，分别以国内外信息资源管理学科16 万余
篇科学文献数据、“清北人”三所高校23 万余位学者数据、PubMed 生命与医学
数据库3356 万余条跨学科引文关系数据、数字人文学科交叉领域数据等为例，
从不同维度进行实证，为科学预测提供一系列方法指导和具体的应用示范。
首先，作者要感谢恩师武汉大学马费成教授、中国人民大学冯惠玲教授对本
人在此研究领域的持续指导和大力支持，感谢中国人民大学卢小宾教授、中国人
民大学索传军教授、武汉大学陆伟教授对本书题目和版块内容的指导。其次，感
谢近年来与本人在科学预测领域并肩开拓的韩粤吉、李文静、但婷婷、罗飞、高
兆盛等同学为本书做出的贡献。最后，感谢国家自然科学委员会、中国人民
大学信息资源管理学院学术委员会对我们的研究工作的大力支持。感谢本书的每
一位读者，正是你们的阅读实现了本书的价值，如果本书的任何一部分能够给你
们带来一点点启发，我们都会由衷感到高兴。
霍朝光
2025 年5 月于中国人民大学

目 录CONTENTS

理论体系篇
第1 章科学预测的内涵和发展 .2
1.1　科学预测的研究背景与意义
3
1.2　科学预测的内涵
8
1.3　科学预测之困与机遇
9
第2 章科学影响力预测.12
2.1　科学影响力预测内涵13
2.2　论文影响力预测.14
2.2.1　基于引证指标的论文影响力预测15
2.2.2　基于替代计量指标的论文影响力预测16
2.2.3　论文影响力预测的相关特征 .16
2.3　学者影响力预测.17
2.3.1　基于学者影响因子的学者影响力预测18
2.3.2　基于H-index、Q-value 等指数的学者影响力预测 .19
2.3.3　基于引文数量的学者影响力预测19
2.3.4　基于网络结构的学者影响力预测20
2.4　其他科学影响力预测21
2.4.1　机构影响力预测 .21
2.4.2　期刊影响力预测 .22
2.4.3　项目影响力预测 .23
2.4.4　专利影响力预测 .23
2.4.5　相关特征24
2.5　科学影响力预测体系25
Kxczw（新）.indd 3
2025/8/5 14:29:09
2.5.1　科学影响力预测指标体系25
2.5.2　科学影响力预测方法体系26
2.5.3　科学影响力预测特征体系28
2.6　本章小结29
第3 章科学行为预测 .33
3.1　科学行为预测内涵 34
3.2　选题行为预测 .35
3.2.1　选题行为模式分析.36
3.2.2　基于二模网络的选题行为预测.37
3.3　合作行为预测 .39
3.3.1　融合网络结构和个体属性等多指标的合作行为预测 .40
3.3.2　表示学习视角下的合作行为预测40
3.3.3　持续合作视角下的合作行为预测41
3.3.4　情境限制视角下的合作行为预测42
3.3.5　合作推荐视角下的合作行为预测43
3.3.6　学者主观视角下的合作行为预测44
3.4　引用行为预测 .45
3.4.1　节点影响力和关系权重视角下的引用行为预测 46
3.4.2　不同拓扑模式视角下的引用行为预测47
3.4.3　引文推荐视角下的引用行为预测48
3.5　科学行为预测研究模式总结.49
3.5.1　科学行为预测中的方法体系 .49
3.5.2　科学行为预测中的数据支持 .52
3.5.3　科学行为预测中的心理机制 .53
3.6　本章小结55
第4 章学科主题预测 .56
4.1　学科主题的内涵与刻画 57
Kxczw（新）.indd 4
2025/8/5 14:29:11
4.1.1　定性概括层面的学科主题.57
4.1.2　定量词汇组合层面的学科主题.58
4.1.3　单一词汇表征层面的学科主题.59
4.2　学科主题发展态势预测 60
4.2.1　基于学科主题出现频次衍生出来的相关指标62
4.2.2　基于主题模型衍生出来的相关指标 62
4.2.3　基于引证关系衍生出来的相关指标 62
4.2.4　基于替代计量衍生出来的相关指标 63
4.3　学科主题关系预测 64
4.3.1　基于链路预测的学科主题关系预测 64
4.3.2　基于学术实体相互作用的学科主题关系预测65
4.4　本章小结65
方法实践篇
第5 章基于LSTM 神经网络的学科主题热度预测 68
5.1　引言.69
5.2　研究设计70
5.2.1　基于LDA 模型的学科主题抽取 71
5.2.2　基于期刊影响因子的学科主题热度计算模型71
5.2.3　基于LSTM 的学科主题热度预测模型72
5.3　数据处理74
5.3.1　数据收集74
5.3.2　学科主题抽取75
5.3.3　学科主题热度计算.76
5.4　模型评价76
5.4.1　评价指标77
5.4.2　模型检验77
Kxczw（新）.indd 5
2025/8/5 14:29:12
5.5　方法应用79
5.5.1　研究热点预测分析.79
5.5.2　学科增长点预测分析80
5.6　本章小结82
第6 章基于图神经网络的跨学科主题链路预测.84
6.1　引言.85
6.2　相关研究86
6.2.1　跨学科研究与跨学科主题86
6.2.2　数字人文87
6.2.3　共现网络88
6.2.4　链路预测89
6.3　研究设计89
6.4　实验检验94
6.4.1　数据获取与数字人文领域的学科分析94
6.4.2　数字人文共现网络的构建95
6.4.3　预测结果评价96
6.5　讨论.98
6.5.1　结果讨论98
6.5.2　应用和分析 99
6.6　本章小结.102
第7 章学者跨学科合作交叉测度与预测.103
7.1　引言104
7.1.1　学者跨学科合作交叉测度研究背景 104
7.1.2　学者跨学科合作预测研究背景105
7.2 研究现状.106
7.2.1 学者跨学科合作交叉测度106
7.2.2　跨学科交叉测度指标.108
Kxczw（新）.indd 6
2025/8/5 14:29:12
7.2.3　学者合作预测110
7.3　学者跨学科合作测度框架设计 .112
7.3.1　学者跨学科合作学科多样性测度指标112
7.3.2　学者跨学科合作网络凝聚性测度指标115
7.4　中国人民大学学者跨学科合作交叉测度117
7.4.1　数据收集和处理 117
7.4.2　中国人民大学学者合作网络构建.121
7.4.3　中国人民大学学者跨学科交叉测度结果与分析 122
7.4.4　测度结果讨论125
7.5　“清北人”三大高校学者跨学科合作交叉情况对比分析 126
7.5.1　数据收集和预处理126
7.5.2　三大高校学者合作总体情况分析.128
7.5.3　“清北人”三大高校跨学科合作网络结构分析 132
7.6　学者跨学科合作预测框架设计 .136
7.6.1　学者跨学科合作预测框架136
7.6.2　学者跨学科合作预测模型136
7.6.3　实验设置.137
7.6.4　性能评估.138
7.6.5　预测结果与讨论 138
7.7　本章小结.140
第8 章基于图神经网络的跨学科引文预测 141
8.1　引言142
8.2　相关工作.144
8.2.1　基于内容过滤的引文预测144
8.2.2　基于协同过滤的引文预测145
8.2.3　基于图的引文预测147
8.3　研究设计.148
8.3.1　数据预处理 150
8.3.2　跨学科引文预测模型构建151
Kxczw（新）.indd 7
2025/8/5 14:29:12
8.4　实验与结果分析153
8.4.1　数据准备.153
8.4.2　实验设计.154
8.4.3　评价指标.155
8.4.4　实验结果与分析 156
8.5　本章小结.161
第9 章基于异构图神经网络的学者跨学科选题预测.162
9.1　引言163
9.2　相关研究.164
9.2.1　学者研究选题推荐研究现状 164
9.2.2　跨学科研究主题推荐策略相关研究 167
9.2.3　异构信息网络推荐方法 170
9.3　研究设计.173
9.3.1　研究框架.173
9.3.2　基本概念与问题定义.175
9.4　学者和研究主题的跨学科关系 .178
9.4.1　学者学科标识178
9.4.2　研究主题的跨学科标识 181
9.5　基于异构图神经网络的跨学科主题预测模型.182
9.5.1　特征抽取和表示 183
9.5.2　HetGNN 异构图神经网络模型185
9.5.3　机器学习分类器 186
9.6　实证研究.188
9.6.1　数据收集与预处理188
9.6.2　异构信息网络构建190
9.6.3　评价指标.194
9.6.4　实验过程.195
9.6.5　实验结果与分析 196
9.7　本章小结.198