社交网络平台是近十年来互联网用户最广泛应用的大型信息系统,已经成为海量用户交流与资讯获取的重要渠道。其中,大众社交网络平台（微博、领英、QQ等）很少从研究领域或研究兴趣的角度组织用户和传播信息,因此又逐渐衍生出专为科研人员提供专业学术资讯的科研社交网络平台。这些平台通过提供用户搜索服务帮助科研工作者寻找合作伙伴,并借助推荐系统解决信息过载和需求不明的问题。目前,科研合作者推荐领域重点关注特征的选择和方法的设计。其中,特征从属性的角度可以分为基于内容的特征和基于网络的特征。由于基于内容的特征可以转化成基于网络的特征,因此网络特征比内容特征更具普适性。除此之外,为了能够在信息网络中表征特征并量化特征,学者们重点关注推荐方法的挑选和设计。基于图模型的链路预测算法是比较经典且广为使用的科研合作者推荐方法。相关链路预测算法在人员推荐领域已经相当成熟,推荐的准确率较高。综合以上考虑,异构信息网络中基于新型随机游走框架的科研合作者推荐包含以下创新研究:（一）合并单一网络,构建基于机构网络和合著网络的异构信息网络:同质网络结构单一,缺乏可充分分析合作者相似性的特征,而异构信息网络包含的多源信息有助于对象的搜索、数据稀疏性的缓解及推荐准确率的提高。因此,在充分研究科研合作情况后,本文构建异构信息网络并产生了4种不同的邻居信息。（二）改进迁移概率,设计动态的迁移概率以拟合邻居关系及其强度:传统的随机游走算法（例如重启动随机游走）采用的是静态和固定的迁移概率,难以反映目标对象与各候选对象之间的相似性差异。本文在异构信息网络的基础上,设计了一套新的候选节点评估机制,变传统静态游走为动态游走,能更好地刻画节点之间相似性的传递规律。（三）设计筛选方式,根据节点迭代后累计获得推荐机会的次数构建推荐集:迭代结束后,传统的随机游走算法将使各候选节点获得其相对于目标节点的重要性权重,而本文则计数节点获得推荐机会的次数,并采用Top-N策略推荐候选节点。为了验证所提算法的有效性,本文从ISI（科学信息研究所）Web of Science（WoS）网站导出7万余篇期刊论文的编目信息进行三组对比实验。实验结果表明,尽管实验数据存在稀疏性的问题,但异构信息网络中基于新型随机游走框架的科研合作者推荐算法整体优于基于节点相似度的链路预测算法、经典的PersonalRank和重启动随机游走算法。从而证明了本文构建异构信息网络以利用异构信息、设计新的相似度评估机制以利用动态迁移概率、采用新的推荐集合构建方式以筛选候选节点对提高推荐效果起到的显著作用。本文为科研领域的人员推荐提供了新的解决思路和方法,对该领域的相关学者以及研发人员具有积极的启示意义。