基于社會網(wǎng)絡(luò)分析的論文引用研究.pdf

1、引文網(wǎng)絡(luò)是由文獻之間的引用關(guān)系構(gòu)成的一種社會網(wǎng)絡(luò)。隨著信息技術(shù)的不斷發(fā)展,文獻資料數(shù)量顯著增加,引文網(wǎng)絡(luò)已經(jīng)成為一個大規(guī)模復(fù)雜的網(wǎng)絡(luò)系統(tǒng),并受到了越來越多的關(guān)注。引文網(wǎng)絡(luò)中包含豐富的知識流和研究成果,是學(xué)術(shù)領(lǐng)域中非常重要的知識庫,所以對引文網(wǎng)絡(luò)的研究具有非常重要高的學(xué)術(shù)價值和研究意義。社會網(wǎng)絡(luò)分析方法在引文網(wǎng)絡(luò)中的應(yīng)用解決了引文網(wǎng)絡(luò)數(shù)據(jù)量大,計算復(fù)雜度高的問題,并區(qū)別于統(tǒng)計方法從另外一個角度挖掘引文網(wǎng)絡(luò)中的資源。在這種背景下,本文利用社

2、會網(wǎng)絡(luò)分析法,對引文網(wǎng)絡(luò)進行深入的挖掘分析,其中挖掘的重點集中在引文網(wǎng)絡(luò)中論文和作者的權(quán)威性分析以及引文網(wǎng)絡(luò)的主題社區(qū)挖掘。本文中的具體研究內(nèi)容涉及以下幾個方面:
　　(1)本文選取社會網(wǎng)絡(luò)分析方法中的PageRank算法對引文網(wǎng)絡(luò)中的論文和作者進行權(quán)威性分析。利用PageRank算法分別對論文引用網(wǎng)和作者引用網(wǎng)這兩個有向網(wǎng)絡(luò)計算論文和作者的PageRank值,并在計算過程中修改了算法參數(shù)使其更適用于引文網(wǎng)絡(luò)。
　　(2)參

3、考傳統(tǒng)PageRank算法在權(quán)威性分析上的應(yīng)用,并針對算法在引文網(wǎng)絡(luò)的權(quán)威性分析過程中還存在的不足,本文提出了基于帶權(quán)引用的權(quán)威性分析方法。傳統(tǒng)PageRank算法在計算作者和論文權(quán)威性時是獨立實現(xiàn)的,并沒有充分利用二者之間的強關(guān)聯(lián)性,基于帶權(quán)引用的權(quán)威性分析方法彌補了這一不足。該方法是以PageRank算法為框架,并將論文引用網(wǎng)絡(luò)中點的權(quán)重設(shè)置為作者權(quán)重的線性加權(quán)值,作者引用網(wǎng)絡(luò)中點的權(quán)重設(shè)置為作者發(fā)表的論文權(quán)重的線性加權(quán)值,最后將點

4、的權(quán)重加載到權(quán)威值的計算過程中。
　　(3)我們分別從引用結(jié)構(gòu)特征和文本內(nèi)容特征出發(fā)對引文網(wǎng)絡(luò)進行主題社區(qū)挖掘。BGLL算法是基于引用結(jié)構(gòu)特征的社區(qū)挖掘算法,可以實現(xiàn)大規(guī)模網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)。LDA模型是基于文本內(nèi)容特征的主題建模模型,可以挖掘論文集中潛在的主題信息。本文分別以BGLL算法和LDA模型為基礎(chǔ),并添加了引文網(wǎng)絡(luò)中其他信息,對ANN語料中論文引用網(wǎng)進行主題社區(qū)挖掘。本文對以上內(nèi)容進行了深入的研究,實驗結(jié)果表明利用社會網(wǎng)絡(luò)分