基于经验贝叶斯方法的 PageRank 型期刊评级算法
统计方法学
2018-01-24 v2
摘要
针对期刊影响因子的批评，新的期刊影响力评分已被开发，如 Eigenfactor 或 Prestige Scimago Journal Rank。它们基于施引-被引网络的交叉引用转移矩阵上的 PageRank 型算法。PageRank 算法对转移矩阵进行平滑处理，结合了在数据网络上的随机游走和以固定概率向所有可能节点的传送（阻尼因子为 ）。我们从经验贝叶斯视角将该平滑矩阵重新解释为 Dirichlet-多项模型后验分布的均值。我们提出一种简单而有效的方法来明确区分结构零和抽样零。这使我们能够对比包含或排除自引的情况，以避免高估期刊偏差。我们通过 Majorize-Minimize 算法最大化边际似然来估计模型参数。该过程最终得出一个类似于 PageRank 的评分，但其阻尼因子取决于各期刊。我们以 Varin 等人（2016）研究的 47 种统计学期刊间的交叉引用为例，说明了这些方法。
引用
@article{arxiv.1707.09508,
title = {Empirical Bayes approaches to PageRank type algorithms for rating scientific journals},
author = {Jean-Louis Foulley and Gilles Celeux and Julie Josse},
journal= {arXiv preprint arXiv:1707.09508},
year = {2018}
}