科学文献的未来影响力排名

进入新兴研究领域的研究人员或学生特别关注哪些新发表的论文将被引用最多，以及哪些年轻研究人员将在未来具有影响力，以便他们能够把握最新进展并找到有价值的研究方向。然而，由于文献网络的动态性和研究主题的演变，预测科学文章和作者的未来重要性具有挑战性。与大多数旨在对文献和作者当前重要性进行排名的先前研究不同，我们专注于通过提出一个统一的排名模型来结合各种可用信息，从而对“新出版物和年轻研究人员的未来受欢迎程度进行排名”。具体来说，我们首先提出提取两种文本特征——单词和单词共现——来表征创新论文和作者。然后，我们构建时间感知加权图，以区分在不同时间建立的链接的不同重要性，而不是使用静态和无权图。最后，通过利用构建的文本特征和图，我们提出了一个称为MRFRank的相互增强排序框架，以同时排名论文和作者的未来重要性。在ArnetMiner数据集上的实验结果表明，所提出的方法在指标“推荐强度”上显著优于基线方法。