本研究分析了短期网络使用情况对中期引证影响的预测作用,以文章引用计数、Web 阅读次数及 e-print 论文库为研究对象。
Mar, 2005
本文旨在通过建立多维特征空间来分析新闻文章的性质,采用回归和分类算法预测其在线受欢迎程度,发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度,并突显传统来源与社交网络受欢迎性的差异。
Feb, 2012
本文通过观察新闻文章在社交媒体上的反应来预测其未来的访问量,获得了一种可以帮助描述不同类别文章的方法。同时,在量化和质化分析上,本文验证了这种方法的可行性,并实现了对新闻故事寿命周期的早期预测。
Apr, 2013
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
本研究旨在预测推特用户在社交媒体上对科学出版物的情感表达,并研究有哪些研究文章特征有助于这种预测。通过识别社交媒体上的研究文章情感,科学家可以评估其研究文章的新的社会影响。
Sep, 2022
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
该研究提出了一种基于语言影响力的新方法来量化文献对后续出版物内容的影响程度,并通过测量高维度的 Hawkes 过程来预测未来引用次数。
Oct, 2022
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
通过对 Youtube 和 Digg 传播的内容进行考虑,本研究提出了一种从初步用户访问数据中准确预测在线内容长期受欢迎程度的方法。
Nov, 2008
分析了在线响应预印本的方法,通过研究三种响应形式 ——arXiv.org 上的下载,Twitter 上的提及,学术记录中的早期引用,发现 Twitter 和 arXiv 下载是不同的时间模式,并且它们与引用之间存在关联。