【技术实现步骤摘要】
基于互强化框架和排序学习的学术文献未来影响力动态排序方法及系统
本专利技术涉及互强化框架和排序学习
，具体地，涉及一种基于互强化框架和排序学习的学术文献未来影响力动态排序方法及系统。
技术介绍
随着每年发表的学术文献数量快速增长，很多时候，对学术文献未来影响力排名的能力对决策来说变得至关重要。例如，当面对大量近期发表的相关学术文献时，研究者往往感到无所适从，不知道应该关注哪些论文。此时，了解所有学术文献的未来影响排名将有助于决策的制定，因为研究者倾向于关注那些影响力前K位的论文(K根据他们自己的时间和精力决定)，以便他们能够紧跟研究前沿，以及找到有前途的研究方向。另一个例子是学术新星的评价。当政府或企业希望资助来自不同学术研究领域的新星时，在特定领域对学术出版物的未来影响力排名将在对该领域的学术新星评价方面发挥关键作用。在学术排名这一领域里，人们已经做了很多努力。传统的方法主要利用与被引用次数挂钩的指标来衡量论文、研究人员和期刊的影响力。然而，这些度量标准没有考虑到学术文献网络的结构信息，因此通常被认为...
【技术保护点】
1.一种基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，包括：/n步骤A：基于学术实体和实体间关系抽取论文的元信息；/n步骤B：引入基于超图延伸定义的同构有向超图和异构二部超图，构造一个异构学术超网；/n步骤C：基于一种互强化排名框架HSHMRR，在异构学术超网上给不同类型的学术实体实现评分；/n步骤D：在互强化排名框架的基础上，从历史时段中学习潜在的动态特性，并将所学知识应用到目标时段，形成评价结果；/n步骤E：获取基于互强化框架和排序学习的学术文献未来影响力动态排序结果信息。/n
【技术特征摘要】
1.一种基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，包括：
步骤A：基于学术实体和实体间关系抽取论文的元信息；
步骤B：引入基于超图延伸定义的同构有向超图和异构二部超图，构造一个异构学术超网；
步骤C：基于一种互强化排名框架HSHMRR，在异构学术超网上给不同类型的学术实体实现评分；
步骤D：在互强化排名框架的基础上，从历史时段中学习潜在的动态特性，并将所学知识应用到目标时段，形成评价结果；
步骤E：获取基于互强化框架和排序学习的学术文献未来影响力动态排序结果信息。
2.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤B包括：
步骤B1：提出同构有向超图的基本原理和构造方式；
步骤B2：提出异构二部超图的基本原理和构造方式；
步骤B3：提出异构学术超网的基本原理和构造方式。
3.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤C包括：
步骤C1：在现实中，综合考虑以下方面来评价特定论文pi的重要性；
-引用pi的论文质量；
-发表pi的期刊质量；
-pi的作者声望；
-pi作者撰写pi时所在机构的声望；
步骤C2：基于步骤C1定义的四类论文指标，提出一个互强化排名框架HSHMRR，对每种类型的学术实体进行协同排序；
结合PageRank和RandomizedHITS的思想，捕捉同一类学术实体之间的影响和不同类学术实体之间的强化；
步骤C3：根据步骤C2计算出的论文、作者、期刊和机构的新中心分数，以及当前论文的权威分数，对论文权威分数进行更新。
4.根据权利要求1所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤D包括：
步骤D1：假设有一些研究领域的论文发表在[t-Δt,t]期间，首先对这些论文运行HSHMRR，然后用HSHMRR计算的权威分数为每篇论文pi创建一个特征向量xi；设X为论文的特征向量集，R(X)为根据论文在未来t0年，即在[t0,t+t0]期间的影响力得出的排名表，J(A,B)为计算两个排名表之间相似度的函数。
5.根据权利要求4所述的基于互强化框架和排序学习的学术文献未来影响力动态排序方法，其特征在于，所述步骤D还包括：
步骤D2：引入斯皮尔曼等级相关系数作为J(A,B)，并从历史数据中学习排名函数；首先使用HSHMRR创建d篇论文特征向量集每个Xi包含了在[t-t0-i-Δt,t-t0-i]期间发表的研究论文；随后，根据[t-t0-i,t-i]期间产生的信息，得到R(Xi)；最后，通过MART排序学习算法来解决：
...
【专利技术属性】
技术研发人员：欧俊杰，贾雨葶，傅洛伊，王新兵，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。