一种用于量化科学影响的异质动态图神经网络方法
社会与信息网络
2020-03-27 v1 数字图书馆
机器学习
物理与社会
摘要
量化和预测科学文献或个体学者的长期影响，对许多政策决策（如基金提案评估和识别新兴研究领域）具有重要意义。在本文中，我们提出一种基于异质动态图神经网络（HDGNN）的方法，以显式建模并预测论文与作者的累积影响。HDGNN通过引入随时间演化的特性，并捕捉属性图的结构性质与引文行为的增长序列，扩展了异质GNN。HDGNN与先前模型的显著不同在于，其能够以动态方式建模节点影响，同时考虑节点间的复杂关系。在真实引文数据集上的实验证明了其在预测论文和作者影响方面的优越性能。
引用
@article{arxiv.2003.12042,
title = {A Heterogeneous Dynamical Graph Neural Networks Approach to Quantify Scientific Impact},
author = {Fan Zhou and Xovee Xu and Ce Li and Goce Trajcevski and Ting Zhong and Kunpeng Zhang},
journal= {arXiv preprint arXiv:2003.12042},
year = {2020}
}