基于异构特征融合的论文引用预测方法

针对论文引用预测方法在特征稀疏时性能下降的问题,提出了基于异构特征融合的方法,可同时利用定长特征、引文网络特征和引文时序特征,有效提升了引用预测方法的精度。本文针对论文引用预测任务定义了引文属性网络,对3类异构特征进行建模;提出了面向异构特征融合的论文引用预测方法,使用图神经网络处理定长特征和引文网络特征,使用循环神经网络处理引文时序特征,基于多头注意力机制对提取到的异构特征进行融合并预测被引次数。在大规模真实数据集上的实验表明,本文方法可以有效利用多种异构特征并缓解数据稀疏问题,均方根误差(Root mean squatr error,RMSE)比最好的基准方法降低了0.31。

学术论文引用预测研究进展

[目的/意义]对学术论文引用预测影响因素和预测方法进行梳理,分析现存问题并提出发展方向。[方法/过程]采用文献调研法,综述国内外研究进展,总结预测影响因素和预测方法的相关内容和特点。[结果/结论]现有影响因素指标繁多,无统一标准;预测方法理论基础薄弱;引文预测动态性研究不足;预测模型通用性受限。未来应加强引文预测的理论研究、加强传统文献计量和替代计量的结合、加强自然语言处理的深度应用、建立统一的基线标准、构建更加精准的预测模型。

学术论文引用预测及影响因素分析

[目的／意义]在引文分析中，可通过论文的一些属性特征对其未来的被引情况进行预测，并通过预测结果时论文、论文作者、作者所属机构及出版物做出评价。[方法／过程]从出版物、作者和论文三个方面对影响论文被引的多个因素展开研究，以图书馆学情报学领域被SCI索引的论文作为分析及验证数据，使用逻辑回归、GBDT、XGBoost、AdaBoost、随机森林等算法进行预测，使用多组评测指标对比不同预测方法的效果，并使用GBDT识别对论文被引影响较大的因素。[结果／结论]确定三个方面的影响因素对论文被引预测的影响程度，构建预测模型，并较好地预测论文在未来一段时间的被引情况。大量实验分析发现GBDT、XGBoost和随机森林的预测能力较强，且预测的时间段越长，效果也就相对越好。

复杂网络视域下的学术行为预测研究述评:选题、合作与引用

基于科学复杂系统理论,复杂网络视域下的学术行为预测旨在解析科学复杂网络的变化规律,预测学者在复杂网络中的行为关系,以促进科学创新和发现。针对一系列学术行为,文章着重对选题、合作、引用等学术行为预测研究进行述评,总结其共同基于复杂网络的研究体系。文章凝练了同构网络链路预测和异构网络协同预测两种方法体系,指出数据广度、跨学科数据、多源异构数据融合等数据支持方面的不足和解决思路,建议融合学者动机、偏好等心理机制,深化科学复杂网络对学术行为的表征,提升预测准确率。

科学论文被引频次预测的现状分析与研究

通过被引频次来判断论文影响力已经得到广泛应用,如何快速而准确地挖掘到有价值的文章,是文献计量学领域的重要探索。对国内外科学论文被引频次的影响因素和预测方法进行了系统归纳,首先从传统文献计量学、新兴网络计量学两方面,将影响论文引用的相关因素按作者因素、文章因素、期刊因素、网络计量学、其他因素这五个维度进行梳理,然后总结了常用的引用预测方法,并重点探讨了回归分析法,最后对影响论文引用因素的选择、数据来源及指标问题进行讨论,并提出相关建议。