科学文章的主题调整可见度度量
机器学习
2019-04-24 v3 机器学习
摘要
衡量科学文章的影响力对于评估个体科学家、学术机构和期刊的研究产出十分重要。尽管引文是构建影响力度量的原始数据，但如果未恰当考虑影响引文模式的因素，则存在偏差和潜在问题。本工作中，我们解决领域差异问题，并引入一种可用于评估单篇文章可见度的文章级度量。该度量源于使用潜在狄利克雷分配（LDA）和混合成员随机块模型（MMSB）对文章内容与其间引文进行联合概率建模。我们提出的模型提供了针对引文率领域差异进行调整的单篇文章可见度度量、对不同领域引文行为的结构性理解，以及考虑文章可见度和引文模式的文章推荐。我们开发了使用变分方法进行模型拟合的高效算法。为扩展到大型网络，我们利用随机梯度方法和病例对照似然近似开发了在线变体。我们将方法应用于包含约 30,000 篇高能物理论文的基准 KDD Cup 2003 数据集。
引用
@article{arxiv.1502.07190,
title = {Topic-adjusted visibility metric for scientific articles},
author = {Linda S. L. Tan and Aik Hui Chan and Tian Zheng},
journal= {arXiv preprint arXiv:1502.07190},
year = {2019}
}