Sep, 2023

用于聚类引用轨迹的多个 k-means 聚类集成框架

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 通过快速传播聚类相似性增强集成聚类

    本文提出了一种新颖的基于随机游走的集成聚类方法，通过快速传播集群间相似性解决了现有算法所面临的对象级别信息和多尺度间接联系隐藏等方面的挑战，并提出了两个新的一致性函数以获得一致聚类结果。

    Oct, 2018

  • 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

  • 使用Word2Vec进行话题的时间分析

    本研究提出了一种新的方法来检测和可视化主题的趋势，其中使用k-means聚类和余弦相似性模型来确定主题的移动路径与方向，并在各种媒体机构的文章数据集上进行了测试。

    Sep, 2022

  • 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

  • 从短期语言影响预测长期引用

    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

  • H2CGL：建模引文网络动态以预测影响力

    本研究建立了层次化和异构图形用于记录目标论文的科学背景信息，并提出了 H2CGL 模型，它可以单独聚合每年的异构信息以及为高引用论文和参考文献、引用和目标论文之间的关系设置优先级。该模型可以捕获异构子图之间的动态矛盾，并利用对比学习使图表示更加敏感。这些研究结果表明，所提出的方法显着优于基线方法，且适用于新旧文章。

    Apr, 2023

  • 为未来引文预测建立动态异构图和节点重要性模型

    提出了一种基于动态异构图和节点重要性网络学习框架的方法来预测新发表论文的未来引用趋势，采用动态异构网络嵌入模块、节点重要性嵌入模块和对数正态分布来进行多面的论文节点表示和联合预测，通过实验证实该方法显著优于目前最先进的方法。

    May, 2023

  • 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

  • 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

  • 时引时间：使用动态影响单事件嵌入模型建模引用网络

    科学科学（SciSci）是研究科学研究结构和动态的重要领域，其中 citation networks 是研究重点之一。本文提出了一种新颖的似然函数，用于对这种单事件网络进行建模，并提出 Dynamic Impact Single-Event Embedding （DISEE）模型来描述科学互动和动态影响的特征。

    Feb, 2024