-
题名基于主题声望和动态异构网络的学术影响力排序算法
- 1
-
-
作者
陈潘
陈红梅
罗川
-
机构
西南交通大学唐山研究院
西南交通大学计算机与人工智能学院
可持续城市交通智能化教育部工程研究中心
综合交通大数据应用技术国家工程实验室
四川省制造业产业链协同与信息化支撑技术重点实验室
四川大学计算机学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第3期81-89,共9页
-
基金
国家自然科学基金(61976182,62076171)
四川省自然科学基金(2022NSFSC0898)
四川省科技成果转移转化示范项目(2022ZHCG0005)。
-
文摘
有效地挖掘学术大数据,分析论文的学术影响力,有助于科研工作者获取重要的信息。文本内容与学术网络结构的动态变化,会对论文的学术影响力排名结果产生重要的影响。但现有的论文学术影响力排序算法或是缺乏对文本内容的考虑,或是缺乏对学术网络结构的动态变化的考虑。针对该问题,提出了一种学术影响力排序算法,称之为基于主题声望和动态异构网络的学术影响力排名(TND-Rank)。TND-Rank衡量了论文主题在某一时间对论文的影响,并将其嵌入考虑时间因素的论文影响力排序算法中。TND-Rank通过考虑影响主题声望水平、期刊、作者、时间等多种因素的综合影响来计算论文的动态学术影响力相关排名。在实验中,对AMiner数据集1936-2014年间发表且信息保存完整的文章进行了分析,将所提算法与近年来的4种相关算法进行了比较,采用Spearman相关系数、归一化折损累积增益(NDCG)和分级平均精度(GAP)对算法性能进行了评估。实验结果验证了TND-Rank算法的可行性和有效性,其可以有效地综合各种信息对论文的学术影响力进行排序。
-
关键词
异构网络
学术影响力
学术大数据
主题声望
论文排序
-
Keywords
Heterogeneous network
Academic influence
Academic big data
Thematic prestige
Thesis ranking
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合学术水平相似性的合作者推荐模型
- 2
-
-
作者
秦红武
赵猛
马秀琴
闫文英
-
机构
西北师范大学计算机科学与工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第7期2043-2049,共7页
-
基金
国家自然科学基金资助项目(61662067,61662068,61762081)。
-
文摘
合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F_(1)指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。
-
关键词
合作者推荐
学术水平匹配
学术大数据
偏向重启随机游走
-
Keywords
collaborators recommendation
academic level matching
academic big data
biased restart random walk
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于集成学习的科研合作者潜力预测分类方法
被引量：10
- 3
-
-
作者
艾科
马国帅
杨凯凯
钱宇华
-
机构
山西大学大数据科学与产业研究院
计算智能与中文信息处理教育部重点实验室(山西大学)
山西大学计算机与信息技术学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2019年第7期1383-1395,共13页
-
基金
国家自然科学基金项目(61672332,61432011,U1435212)
山西省海外归国人员研究项目(2017023)~~
-
文摘
科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现.研究合作潜力可以为学者选择合作者提供指导,最大化科研效率.然而当前大数据爆发阻碍了合作者的有效选择.为了解决这个问题,基于学者文章大数据,经过特征分析和优化,综合考虑学者的文章、机构、研究兴趣等个人属性和相关属性,分别从文章标题、文章等级、文章数量、时间及署名序多维度构造样本特征,以文章所发表的期刊会议等级作为合作者序列对的样本标签,表示当前合作者的潜力高低,利用集成方法的强学习特性,提出了基于集成学习分类方法的科研合作者潜力预测模型.分析并构造对应于科研合作者潜力预测问题的特征集后,采用分类方法解决这一问题.实验中准确率、召回率、F1分数都远高于传统机器学习方法,并能以较少的样本和时间收敛于较高值(80%以上),说明了模型的优越性.
-
关键词
科研合作
潜力预测
特征构造
学术大数据
集成学习
-
Keywords
scientific cooperation
potential prediction
feature construction
big scholar data
ensemble learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391
[自动化与计算机技术—计算机应用技术]
-
