H2CGL：对引文网络动态建模以进行影响力预测
数字图书馆
2023-10-17 v3 人工智能
摘要
一篇论文的潜在影响力常以其将获得的引文数量来衡量。然而，大多数常用模型可能低估新发表论文随时间推移的影响，且未能将引文网络的这种动态性纳入图中。在本研究中，我们以年度视角为目标论文构建分层异构图。所构建的图能记录目标论文科学语境信息的年度动态。随后，提出一种新颖的图神经网络——分层异质对比图学习模型（H2CGL），以融入引文网络的异质性与动态性。H2CGL 分别聚合每年的异质信息，并优先考虑高被引论文以及参考文献、引文与目标论文之间的关系。接着采用加权 GIN 来捕捉异质子图之间的年度动态。此外，它利用对比学习使图表示对潜在引文更敏感。特别地，将具有较大引文差距的目标论文的共被引或共引论文作为难负样本，而随机丢弃低被引论文可生成正样本。在两个学术数据集上的大量实验结果表明，所提出的 H2CGL 在先前发表和刚发表的论文上均显著优于一系列基线方法。附加分析凸显了所提模块的重要性。我们的代码与设置已发布于 Github (https://github.com/ECNU-Text-Computing/H2CGL)。
引用
@article{arxiv.2305.01572,
title = {H2CGL: Modeling Dynamics of Citation Network for Impact Prediction},
author = {Guoxiu He and Zhikai Xue and Zhuoren Jiang and Yangyang Kang and Star Zhao and Wei Lu},
journal= {arXiv preprint arXiv:2305.01572},
year = {2023}
}
备注
Accepted by IP&M