[發明專利]一種基于學術異構網絡的學者影響力評估方法

在審

• 申請號: 201611242445.6
• 申請日: 2016-12-29
• 公開（公告）號: CN106778011A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 孔祥杰;張君;劉鑫童;周金夢;寧兆龍;夏鋒
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 大連理工大學專利中心21200
• 代理人: 溫福雪,侯明遠

1.一種基于學術異構網絡的學者影響力評估方法，其特征在于，步驟如下：

1)通過論文引用網絡以及改進的PageRank算法，計算論文基于時間感知的重要性分值

首先根據真實數據集中某一領域待評估論文的相互引用關系構建論文的有向引文網絡，有向引文網絡中邊的方向從引用論文指向被引用論文；根據每篇論文隨著時間變化在每一年份的平均被引頻次，不斷積累的，是一個逐漸增加的過程這一特點以及論文在單個年份被引用的次數，從平均情況來看，是隨著時間不斷減小這一趨勢，本方法使用加入時間因素的改進PageRank算法計算論文基于時間感知的重要性；

使用如下公式定義一篇論文的已發表年限age：

age＝T_c-T_p

其中，T_c為當前的年份，T_p為該論文發表的年份；

基于時間函數的改進PageRank算法公式如下：

$PR\left(p_i\right)=(1-d)\frac{f\left({\mathrm{age}}_i\right)}{{\mathrm{\Σ}}_{k=1}^{N}f\left({\mathrm{age}}_k\right)}+d\underset{j=1}{\overset{m}{\Σ}}\frac{PR\left(p_j\right)*f\left({\mathrm{age}}_j\right)}{L\left(p_j\right)}$

其中，PR(p_i)表示論文p_i的PageRank值，p_j表示引用論文p_i的文獻，PR(p_j)表示論文p_j的PageRank值，age_i表示論文p_i的已發表年限，age_j表示論文p_j的已發表年限；對待評估論文在發表時間上的重要性做歸一化處理，f(age)是時間函數，且函數的值隨著age增加而減小，f(age_i)表示論文p_i的時間權重，f(age_j)表示論文p_j的時間權重，表示待評估論文時間權重的加和；L(p_j)為論文p_j所引用的所有論文的總數量；d為阻尼系數，同PageRank中一樣，設為0.85；在時間函數上取值越大的論文(即發表年份越近的論文)，取得的論文重要性分值越大；論文p_i從指向它的論文(引用p_i的論文)獲得分值；m是引用論文p_i的文獻的總數量；

2)將步驟1)中得到的論文基于時間感知的重要性分值代入論文－學者異構無向網絡，作為論文在該網絡中的初始權值

根據待評估論文和學者信息構建論文－學者異構無向網絡，該網絡中的邊代表學者與其發表的全部論文的對應關系；將步驟1)中得出的基于時間感知的論文重要性分值作為論文－學者異構無向網絡中論文的初始權值進行初始化；將每名學者的初始權值設置為1/n，其中n是全部學者數量；

3)在步驟2)中建立的論文－學者異構無向網絡上，通過論文與學者之間的隨機游走模型計算學者的影響力，由此將論文的影響力作用于學者

隨機游走模型如下：假設論文－學者異構無向網絡中學者的數量為N_a，論文的數量為N_p；則所有學者初始的分值RW值是相同的，設為1/N_a；所有論文初始的分值RW值是相同的，設為1/N_p；具體如下：

Step 1：根據如下公式更新學者的RW值：

$RW\left(a_i\right)=\frac{1-d}{N_a}+d\underset{s=1}{\overset{n}{\Σ}}\frac{RW\left(p_s\right)}{C\left(p_s\right)}$

其中，RW(a_i)是學者a_i在隨機游走模型中獲得RW值，p_s為學者a_i所著的任意一篇論文，RW(p_s)為其在隨機游走模型中的RW值，C(p_s)為p_s中所列出的所有作者的人數，可見論文的分值是平均分配給它的所有作者的；d同PageRank中一樣，設為0.85；通過該公式反映出，學者有1-d的概率被隨機訪問，有d的概率通過他所寫的論文被訪問；n是學者a_i所著的總論文數；

Step 2：根據如下公式更新論文的分數：

$RW\left(p_s\right)=\frac{1-d}{N_p}+d\underset{i=1}{\overset{q}{\Σ}}\frac{RW\left(a_i\right)}{C\left(a_i\right)}$

其中，p_s為學者a_i所著的任意一篇論文，RW(p_s)為其在隨機游走模型中的RW值，RW(a_i)是學者a_i在隨機游走模型中獲得RW值，q是論文p_s所列出的所有作者數；d同PageRank中一樣，設為0.85；C(a_i)為學者a_i所寫的論文的數量；即一個學者的RW值，平均分配給他所寫的所有論文；

Step 3：重復Step 1和Step 2，直到所有學者的RW值和所有論文的RW值均收斂；判斷收斂的標準是，所有學者兩輪迭代得到的不同的RW值的差值的總和小于一個固定的閾值；

通過以上三步，得到所有學者的影響力的值并進行排名。