Aug, 2020

学术论文引用预测

PDF
TL;DR研究了学术论文引用格局随时间演变的特点，提出了基于 “学术论文固有质量”、“论文引用的时效性”、“早期引用” 和 “早期引用的影响力” 四个因素的学术论文潜力指数模型 (PPI)，并通过分析影响论文引用增长的因素，提出了多特征的影响力预测模型，实验证明这两种模型的预测准确性得到了改善。其中，相对于多特征模型，PPI 模型的预测性能更好，且不需要调整参数，因此更好的解释了引用的变化。而多特征模型在平均绝对百分误差和准确性方面表现更好，但它们的预测效果更依赖于参数调整。
发现论文，激发创造
  • 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

  • 解析论文对传播、一致性和贡献价值的潜在影响

    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

  • 利用时态知识图表征出版物影响力进行引文轨迹预测

    本文提出了 CTPIR 框架以进行引文轨迹预测，使用新文章和现有文章的历史属性信息来表示影响力，并测试其效果。实验结果在引文轨迹预测任务上表现出很高的性能。

    Oct, 2022

  • 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

  • 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

  • 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

  • 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

  • 衡量学术影响力：并非所有引用都相等

    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

  • 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

  • 使用多层感知器神经网络预测生物医学论文的临床引用次数

    本研究利用 1985 年至 2005 年的 9822620 篇医学论文，使用一个四层的多层感知神经网络模型，通过提取论文维度、参考文献维度和引用论文维度的 91 个特征，包括与引用、临床翻译和主题相关的特征，以及先前已证明与引用计数相关的特征，来预测未来医学论文的临床引用计数。结果表明，所提出的多层感知神经网络模型优于其他五种基线模型，参考文献维度中的特征最为重要。

    Sep, 2022