随着互联网飞速发展产生的海量数据,用户通过检索得到的结果,不满足单纯的检索词匹配和信息单一的展示,而是希望向更为复杂的形式转换,得到更为满意的结果。这样就使各种信息数据以潜在关系的形式联系起来形成复杂的社交网络。社交网络数据越来越复杂,单纯的剥离其他信息关注同种类型的网络对象关系,可以很好地简化处理思路,但是造成了信息的损失。所以本文关注的异构信息网络可以使不同类型对象关联关系体现出来。本文着眼于异构科研网络环境,希望获取论文、作者、期刊和相关词汇在某搜索词下的排序结果,主要面对以下几个问题:(1)初始以论文题目、发布的期刊或会议、作者及摘要作为对象构建异构科研网络,但是论文题目与摘要存在一对一关系,不能简单明确的构建此网络。(2)如何利用异构网络中对象的依赖关系,挖掘异构网络对象的共同隐含话题。(3)如何利用网络中对象的隐含语义话题,对象与对象之间的关系,识别异构网络中对象的权威度,从而做结果排序。本文主要算法研究内容如下,并将此功能在系统中实现出来。(l)先利用主题模型,由摘要计算出排名靠前的主题关键字作为异构网络节点,以论文题目、发布的期刊或会议、作者及关键字作为四种类型对象构建异构科研网络。在此过程中将百度开源SentenceLDA与传统主题模型LDA作比较,发现SentenceLDA更适用于计算句子类型的主题分布概率,而LDA适宜计算单词类型的,故而在以摘要提取关键字时使用SentenceLDA算法。(2)引用Gibbs sampling以TCKA方法对异构网络对象统一主题建模,模型利用异构对象之间的内在依赖关系,分析其共同的隐含话题。如果单独使用同类型节点的主题模型计算方法,不能很好的利用不同对象之间的关系,可能对结果产生有一定偏差。(3)利用可以在异构网络中排序的ConNetClus算法,再将TCKA模型和网络对象权威排序ConNetClus算法相结合,并将其应用于异构对象的检索中。实验结果表明基于主题模型的异构科研网络排序方法明显好于基于检索词匹配以及单一的同构网络排序方法。上述方法利用ES检索型数据库与SSM框架实现该系统,将检索结果以权威论文、发表的会议或期刊、专家及关键字在页面体现出来。分析节点的主题相关性及权威度对于网络分析和挖掘具有重要的意义,可以有效地优化传统的排序算法。