KDDApr, 2015

孩子是男人之父：从早期阶段预测成功

PDF
TL;DR本研究提出一种包含学术特征设计、非线性、领域异质性和动态性等多个方面的考虑的预测模型，采用数据挖掘技术，在大规模真实学术数据集上进行实证研究。
scientific impactdata mining techniquesscholarly feature designalgorithmic challengespredictive model
发现论文，激发创造
  • 通过机器学习在不断演化的知识图上预测高影响力研究主题

    预测从未发表的研究想法的影响力，使用大型知识图谱结合语义网络和引用网络，通过机器学习准确预测未来的网络动态和新研究方向的影响。

    Feb, 2024

  • 量化长期科学影响

    研究论文提供一种基于机械模型的引用动态模式，具有预测科学影响力和潜在政策意义的可靠测量方式。

    Jun, 2013

  • 科学影响力能够被预测吗？

    本文介绍了一种基于当前科研影响力的预测作者未来 h 指数的模型，并分析了导致文章对未来 h 指数贡献的因素。研究发现，学术权威和出版场所对预测科研影响力至关重要。

    Jun, 2016

  • 预测近期出版物的长期引用影响

    本文使用基于分位数回归的模型，预测了物理领域一大组出版物的未来引用次数分布，并发现出版物所在期刊的影响因子和出版物出现后一年的引用次数均有助于准确预测其长期的引用次数影响，为评估研究机构提供了一种方法学上的过渡。

    Mar, 2015

  • 科学成功的基因

    本论文探讨了科研影响力的关键控制因素并借助机器学习和 Jackknife 方法进行实证分析，结果发现文章中心因素和作者中心因素对计算机科学领域的学者未来的学术成功最具关联性。

    Feb, 2022

  • 这篇论文会增加您的 h 指数吗？科学影响力预测

    该论文研究了科学影响力的衡量指标，使用真实学术数据集分析研究者的学术影响力指标 h-index 的提高因素，指出研究者在该主题领域的权威性以及论文发表的期刊是提高 h-index 的关键因素。

    Dec, 2014

  • 使用 AI 预测 AI 的未来：在指数级增长的知识网络中进行高质量的链接预测

    使用 AI 技术构建基于真实世界数据的 Science4Cast 基准测试，并提出十种不同的方法来预测人工智能研究的未来研究方向，最终目的是为了更先进的研究建议工具。

    Sep, 2022

  • 作者和论文网络的同时演化

    本文综述了科学演化模型的重要工作，然后介绍了一般的过程模型，该模型同时生成了共同作者和论文引用网络，该模型通过主题划分作者和论文、作者引用最新论文以及作者引用已阅读论文引用的论文来模拟论文引用网络的统计和动态性质，并将其验证为线性关系数的主题与模拟论文引用网络的聚类系数相关。

    Nov, 2003

  • 量化在线长期研究兴趣

    该研究利用机器学习模型分析了多个社交媒体平台上文章被在线分享的持续时间，以预测研究文章的长期在线兴趣。研究发现，旧的文章主要与经济和工业相关，而最近发表的文章则最多在研究平台和社交媒体平台方面被提及。

    Sep, 2022

  • 基于深度神经网络学习技术的引用次数预测

    本研究提出了使用神经网络预测论文未来引用次数的新方法，该方法有效地提高了年度和总引用次数的预测准确性。

    Sep, 2018