基于不同记忆量的网络流的期刊排名鲁棒性

随着科学期刊数量的成倍增长，期刊排名对科学决策变得越来越重要。从投稿、订阅到资助和招聘，研究人员、政策制定者和资助机构在做出重要决策时均受到诸如 ISI 期刊影响因子等期刊排名的影响。通常，这些排名源自部分期刊之间的引文网络，且不可避免地依赖于该期刊选择范围。然而，关于排名对所包含期刊选择范围的鲁棒性如何，目前知之甚少。在此，我们比较了基于引文网络上诱导的网络流的三种期刊排名的鲁棒性。它们模拟了研究人员在学术文献中导航的路径，在期刊之间跨步并以不同程度记忆其先前的步骤：零步记忆作为影响因子，一步记忆作为 Eigenfactor，两步记忆，分别对应于期刊间引文流的零阶、一阶和二阶 Markov 模型。我们得出结论，高阶 Markov 模型表现更好，且对期刊选择更具鲁棒性。尽管我们的分析表明高阶模型表现更好，但二阶 Markov 模型的性能提升是以需要在更长时间段内获取更多引文数据为代价的。