基于pu-learning的同行评议文本情感分析

最近几年逐渐出现了对同行评议文本情感分析的研究,包括通过同行评议文本预测审稿人的推荐状态的任务。现有模型融入了论文本身或摘要信息,采用神经网络学习论文或摘要的高层表示,结合同行评议文本预测审稿人的推荐状态,这使得模型变得非常复杂的同时结果却没有实质性的提高。为此,提出了OSA机制来提高情感分析模型中对观点句的关注度。具体来说,采用pu-learning从同行评议文本的前N个句子中学习观点句的特征,使每一个句子都得到一个观点句权重,将其应用于情感分析模型的倒数第二层,由此得到最终的预测结果。在ICLR2017—2018数据集上使用不同的情感分析模型对OSA进行了评估,实验结果验证了OSA的高效性,并在两个数据集上取得了优异的性能。

网络表示学习在学者科研合作预测中的应用研究

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。

学术论文的定性评价定量化研究

[目的/意义]随着教育部科技部提出的"审慎选用量化指标",如何有效地使用定量方法进行学术论文评价成为科学计量学领域的一个重要研究方向。[方法/过程]文章基于融合论文信息和开放获取数据进行定性评价定量化的研究思路,提出了融合定性评价的论文质量评价模型。以论文标题、摘要、Twitter评论、同行评议作为模型输入,以论文审稿平均分作为实际分数,采用情感分析模型挖掘开放获取文本情感极性,根据评论文本情感极性对论文进行评价。[结果/结论]通过对比情感模型的预测分数与实际分数、预测排名与实际排名,证明了该定性评价定量化模型的有效性。完成训练的论文质量评价模型,可以直接使用于大量没有审稿分数的定性评价文本进行定量化研究,由此完成论文质量评价任务。