学术数据一直是研究者们关注的重点。随着研究成果的不断增加,学术数据总量增长迅速。在这样的环境下,针对学术数据的分析具有更大的意义。对于整个学术界来说,这类分析能够帮助学者了解不同学科的发展趋势;对于各个研究者来说,可以评估自己某项工作的重要性,同时可以协助自己选择合适的合作者。因此,学术数据分析得到了广泛的研究。目前,围绕学术合作网络人们主要开展了关于引用量预测、引用文章的推荐、合作者推荐等相关分析研究,例如基于引用网络的文章和作者推荐,基于合作网络的作者重要性分析等。但其中很少有相关工作是从学术网络表征的角度进行的,尤其是利用学术合作信息方法。事实上,学术合作对于学术网络分析有重要意义,特别是是对刚开始自己研究生涯的学者的成长有重要的作用。学术数据分析中,学术合作效能分析作为其中重要的部分,还需要使用更为综合的学术网络表征方法。通过对之前的网络表征以及学术网络分析相关工作的研究,我们发现,对于学术网络的表征的相关研究并不是很多,尤其是在使用学者合作信息的表征方面。根据学术合作网络中一些与学术产出的相关性因素的分析,我们发现一篇文章的合作者往往对文章有不同程度的贡献,该贡献值与作者的感兴趣领域和该文章之间主题相似度,作者的影响力等因素有关。同时引用关系也对文章表征有一定影响。而图神经网络作为一种适用于图数据的学习模型,可以用于学习文章引用网络中的结构特征。因此,本文对学术网络中的基本特征与学术产出进行了相关性分析;在此基础上,构建了一个使用注意力机制捕获不同的作者对文章的贡献,并使用图卷积神经网络保存网络结构特征的学术网络表征方法。为了充分对学术网络中的合作信息加以分析利用,对学术网络进行更为综合的表征,本文对学术网络合作分析和表征进行了研究。主要贡献点为:1.结合学术网络的结构以及文章或作者的属性,针对学术合作网络中的作者和文章的学术影响力的相关因素进行分析;2.提出了基于作者贡献度的学术表征模型(ACR-SN),使用注意力机制结合作者对文章的不同贡献度,以及图神经网络用于融合引用网络的结构特征,得到对文章的表征;3.在实际的学术数据集上验证我们提出的表征模型的作用。结果显示,该模型适用于学术网络数据,与常用的网络表征方法相比能够获得更高的准确率。