Nov, 2023

解析论文对传播、一致性和贡献价值的潜在影响

PDF
TL;DR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。
academic papercitation countsgraph neural networkknowledge flowtemporal and structural features
发现论文，激发创造
  • 学术论文引用预测

    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

  • 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

  • 作者和论文网络的同时演化

    本文综述了科学演化模型的重要工作，然后介绍了一般的过程模型，该模型同时生成了共同作者和论文引用网络，该模型通过主题划分作者和论文、作者引用最新论文以及作者引用已阅读论文引用的论文来模拟论文引用网络的统计和动态性质，并将其验证为线性关系数的主题与模拟论文引用网络的聚类系数相关。

    Nov, 2003

  • 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

  • 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

  • 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

  • 高影响引用

    本研究通过研究论文引用的出版物之间的引证，开发了 “引证投影图” 概念，并探究了引用模式在不同科学领域中的变化以及这种模式如何反映了论文的科学影响力。研究发现，低影响论文具有特有的引用模式，而中等影响论文具有狭窄、学科专注的引用模式。跨学科引用模式既有高风险又有高收益，越来越多的引用网络呈现出跨学科的趋势。

    Apr, 2010

  • 预测研究机构未来影响力 - KDD Cup 2016 获胜解决方案

    研究了用未来学术会议中接受的论文数量作为评价指标，通过分析数据集，使用梯度提升决策树模型等方法，提高评价机构水平的有效方法。

    Sep, 2016