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。

Aug, 2020

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

本文介绍了 PubGraph，一种大规模的时间知识图谱资源，可用于研究科学进展，并使用三个知识图来提供不同尺度的实验，介绍了新的链接预测基准和两种新的归纳式学习方法，它们更适合 PubGraph，能够在没有明确特征的未见节点上操作，比现有模型表现更好。

Feb, 2023

本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

我们探讨了链接预测作为自动获取与新文档的主题或背景相关的现有文献的代理方法。我们的模型使用基于变压器的图嵌入来编码每个文档的含义，这些文档作为引文网络中的节点呈现。我们展示了我们的模型生成的语义表示在推荐和排名任务中可以胜过其他基于内容的方法。这为在那些需要这些文档正确互相引用以最小化可能出现的不一致性的领域中探索引文图提供了一种整体的方法。

Mar, 2024

通过对引用轨迹进行聚类分析，本论文提出了一种基于特征的多重 k 均值集合聚类框架，用于研究文章的影响力传播和设计文章影响力推荐算法，发现不同类别的轨迹，并通过对微软学术数据进行调研，发现四种明显的轨迹：早期上升快速下降、早期上升缓慢下降、延迟上升不下降和延迟上升缓慢下降。

Sep, 2023

介绍了一种基于 incremental Pearson 相关系数的新型模块，用于提高多智能体交互建模的性能，它可以方便地嵌入到现有的多智能体预测方法中，并通过在多个数据集上的实验表明，在 baselines 上的表现都有很大程度的提升。

Mar, 2023

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

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

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