基于引用极性和评论挖掘的论文综合评价模型研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61772103
项目类别：
面上项目
资助金额：
63.0万
负责人：
丁堃
依托单位：
大连理工大学
学科分类：
F0211.信息检索与社会计算
结题年份：
2021
批准年份：
2017
项目状态：
已结题
起止时间：
2018-01-01 至2021-12-31

项目参与者：
王贤文；张绍武；姜华；林原；杨亮；许侃；徐博；刁宇峰；申晨；
关键词：
情感分析观点挖掘论文评价倾向性分析影响力分析

项目摘要

Current academic literatures evaluation plays an important role in scientific research management and improvement. Article-level evaluation only depends on citations, impact of author and journal, and it neglects the negative citations and time sensitiveness. According to a newly developing Altmetrics’ idea, the users’ behaviors are available for article evaluation, and it extends from academic impact force to social impact force. The main research frame as follows: based on improved Pagerank method, academic impace force is produced by merging together impact of author,impact of journal,citations,citation polarity, citation networks. Based on semantic representation and LSTM model, the social impact force is built with the number of fans,the number of reposts and the number of reviews. At last, article-level evaluation is generated by combining the academic impact force with social impact force.At same time, article profile is drawn in various viewport in order to meet various demands for article evaluations, and it is applied to help users retrieval articles and recommend articles to users with their behaviors and interests. Article-level evaluation can make the improvement of availability of article and effective management of academic work, and it can enhance the development of academic research management.

学术论文评价是提升科研管理的重要手段，目前论文评价依赖于引用次数而忽视了负面引用问题，偏重于作者和期刊影响力等平均性指标而掩盖了具体论文的差异。正在兴起的补充计量学认为社交媒体阅读行为的度量有助于全面评价学术论文的影响力，即不仅考虑到学术影响力也考虑到其社会影响力。项目的目标是建立单篇论文的综合评价模型，主要思想是既看重引用次数也重视负面引用和社交媒体评论的情感倾向性。首先，利用基于改进的PageRank的方法，融合作者和期刊影响力、引用次数、引用极性、引用网络等构建学术影响力的评价模型。然后，利用基于引用语义表示的LSTM方法，融合社交媒体的粉丝数、转发数、评论倾向性等构建社会影响力的评价模型。最后，利用排序学习融合这些影响力，得到单篇论文的综合评价。同时，生成论文标签和主题，构建论文画像，将各种评价信息以全方位多视角的形式展示，满足多元化评价的需要。使之提高论文利用率和科研管理的水平。

结项摘要

随着教育部科技部提出学术评价“破五唯”的指示精神，如何有效地使用定量方法进行学术论文评价成为科学计量学领域的一个重要研究方向。为了避免论文评价单纯依赖期刊影响因子、论文引用等指标，充分考虑到目前社交媒体评论和同行评议等多源信息，我们开展融合论文内容及引用极性和开放获取数据进行综合评价的研究工作，该项目属于科学计量学、图书情报学、信息检索、情感分析、深度学习的交叉研究领域。。. 引文信息的极性分析有利于更好地利用引用信息进行论文评价，但是引文情感分析依赖于带标注的数据集，目前大规模高质量的引文情感语料资源匮乏，严重制约了该领域的研究。因此，我们构建了中文文献引文情感语料库，这是国内少见的专业语料库，可为论文评价、引文网络分析和情感分析等相关领域的研究提供数据支撑。. 在引文情感分析和面向社交媒体评论挖掘以及同行评议分析的基础上，进行了论文综合评价模型的研究。我们基于融合论文信息和开放获取数据进行定性评价定量化的研究思路，提出了融合定性评价的论文质量评价模型，通过实验验证了该评价模型的有效性，实现论文质量综合评价任务。. 我们将论文画像以及论文质量评价结果应用到科研合作预测和论文预警。主要工作是将论文作为桥梁，以论文质量作为调整参量，判断合作者的质量。通过网络表示学习方法能实现多种异质信息融合，准确地为学者挖掘潜在合作者。此外，通过同行评议和阅读行为，构建学术预警指标，提出学术预警指数，对出现学术风险的作者进行预警。. 我们对于正面引用、负面引用和中性引用进行定量分析，从中发现：正面引用论文的影响力明显高于中性引用论文的影响力，且正面引用的不同引用原因中，应用类型的论文影响力更大；施引位置和引用长度对引用极性有较大的影响，而引用强度和参考文献个数对极性没有影响。我们的研究结论为进一步丰富引文分析理论和细化科技质量评价策略提供了有益的改革思路。. 发表SCI期刊论文8篇、核心期刊和C刊论文18篇。同时在中国工程院咨询项目和地方经济建设中获得应用，得到中国工程院和各级党委与政府机关批示。