该研究提出一种基于数据挖掘技术的解决方案用于排名研究机构，通过利用公共网络信息，预测在即将到来的顶级会议上将有多少研究论文可能被接受。该方案使用了两个步骤的方法：首先识别感兴趣会议的全部研究论文，然后使用两个指数平滑模型进行预测。该文章的解决方案总得分为 0.7508，而获胜选手总得分为 0.7656。

Oct, 2016

本研究采用三步特征工程方法，包括基本特征定义、查找类似会议以增强特征集，并使用 PCA 进行降维，提出了三种排名模型和集成方法，并在 KDD Cup 2016 中取得了第二名的综合排名。

Nov, 2016

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

本文通过创建数据集，采用监督式机器学习，使用四种特征对引文学术影响力进行预测并设计了一种新的基于引文提升的 H 指数，证明其比传统 H 指数更好地衡量研究人员的表现。

Jan, 2015

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

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

本研究提出了一种新颖的图神经网络模型 DPPDCC，用于解读学术论文的潜在影响，并区分扩散、一致性和贡献价值。通过对构建的动态异构图中的时态和结构特征进行编码，捕捉知识流动的重要性、比较性和引证 / 被引信息，并利用扩展图对扩散进行本质性提取、预测累积引用情况进行一致性建模。通过施加正交约束以促进每个角度的不同建模并保留贡献的内在价值，我们对基于特定时间点划分数据以模拟真实条件的问题进行了重新定义，验证了 DPPDCC 模型对于先前发表、最新发表和即时发表的论文在不同时期的泛化能力，并进行了进一步的分析以验证其鲁棒性。我们将公开提供我们的数据集和代码。

Nov, 2023

研究目的为了实现大学学术搜索平台，探讨搜索、排名和推荐技术，但由于缺乏大量基本事实数据，传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验，包括研究人员、出版物和研究领域信息，并对大学教师和学生的研究经验都有益。

Jul, 2022

本论文使用计量学方法分析计算机科学的元数据，并使用交互式 Web 应用程序 CS-Insights 进行数据可视化，发现了计算机科学领域在过去两十年中出现了大量新的作者和出版物，会议论文的受欢迎程度下降，期刊文章的引用次数更高。

Dec, 2022

通过学术社交网络收集数据，采用暗示评分技术，提出一种推荐学术期刊的方式，结果表明，该系统可以更好地反映研究者的兴趣，即使是对于没有出版记录和新兴的学术场合。

Dec, 2016