用于同被引网络中作者排名的 PageRank
数字图书馆
2010-12-23 v1
摘要
Google 的 PageRank 为信息检索创造了新的协同效应，以更好地对网页进行排名。它根据图的拓扑结构和节点的权重对文档进行排名。PageRank 极大地推动了信息检索领域的发展，并使 Google 在搜索引擎市场中保持领先地位。它已被应用于文献计量学中以评估研究影响力，然而这些研究中鲜有关注阻尼因子 对排名目的的重要影响。本文研究了 PageRank 算法中不同的阻尼因子如何为作者同被引网络中的作者排名提供额外的洞察。此外，我们提出了加权 PageRank 算法。我们选取了 20 世纪 70 年代至 2008 年间信息检索 (IR) 领域的 108 位最高被引作者来构建作者同被引网络。我们基于阻尼因子范围为 0.05 至 0.95 的 PageRank 计算了这 108 位作者的排名。为了测试这些不同度量之间的关系，我们将 PageRank 和加权 PageRank 的结果与被引排名、h 指数和中心性度量进行了比较。我们发现在我们的作者同被引网络中，被引排名与不同阻尼因子下的 PageRank 排名高度相关，且与不同的 PageRank 算法也高度相关；被引排名和 PageRank 与中心性度量无显著相关；h 指数与中心性度量也无显著相关。
引用
@article{arxiv.1012.4872,
title = {PageRank for ranking authors in co-citation networks},
author = {Ying Ding and Erjia Yan and Arthur Frazho and James Caverlee},
journal= {arXiv preprint arXiv:1012.4872},
year = {2010}
}
备注
19 pages, 7 figures