基于Light GBM的Facebook学术成果提及动机自动识别

文章研究了基于LightGBM算法的Facebook提及学术成果动机的自动识别,以实现对Facebook提及的大规模深入使用。基于被提及的学术成果、发布学术成果的Facebook用户、Facebook学术成果发布贴子的文本三类背景数据,提取有可能相关的特征,并利用机器学习算法自动识别动机。(1)在这三类背景数据中都发现了与Facebook提及动机明显相关的特征。特别是,相关特征是替代计量关注度得分、合作国家数量、关注者数量、点赞数量、发布学术成果的Facebook用户身份和Facebook帖子的评论数量;(2)LightGBM分类模型对Facebook提及动机的预测精度为0.31。相比之下,没有Facebook帖子文本特征的分类精度为0.35,高于整体特征组合。只有帖子文本特征的分类精度为0.27。结合帖子的长度和语言后,精度提高到0.30;(3)Facebook动机的分类精度与用户的活动有正相关。结合所有特征后,在活跃度方面前25%区间用户的分类精度达到1,第二25%区间的分类精度为0.36,第三25%区间的分类精度为0.32。总之,考虑到Facebook提及动机自动分类的高度复杂性,本研究取得了比较高的分类精度,可以为今后的研究提供参考。