сотрудник
Набережные Челны, Республика Татарстан, Россия
, Россия
BISAC LAN016000 Linguistics / Semantics
В статье рассматриваются новые подходы к оценке семантического сходства документов в векторном пространстве с учетом статистически значимых и информативных терминов. Информативные термины отражают текущее состояние исследований в определенной области исследований. Для выбора информативных терминов предлагается алгоритм расчета импакт-фактора термина. Показано, что информативные термины позволяют как оценивать семантическое сходство текстов, так и прогнозировать будущие цитирования. Разработанные методы оценки семантического сходства и будущего влияния научных публикаций могут быть использованы в рамках «Предиктивной оптимизации» - современной технологии, которая позволяет нам принимать решения на основе прогнозов. При оценке деятельности исследователей и отдельных ученых библиометрические показатели часто играют важную роль. Однако использование показателей, основанных на цитировании, проблематично при определении влияния последних публикаций. Обычно через два года после публикации большинства статей они получают лишь несколько ссылок. Вероятность цитирования в будущем можно спрогнозировать с помощью предлагаемого индикатора - IFT.
семантическое сходство, информативность терминов, импакт-фактор термина, цитирование, статистический анализ, прогноз цитирования
1. Gipp, B. (2014). Citation-based Document Similarity. Citation-based Plagiarism Detection. Springer Fachmedien Wiesbaden, pp. 43-55.
2. Gomaa, W.H.and Fahmy, A.A. (2013). A survey of text similarity approaches, Int. J. Comput. Appl., vol. 68, no. 13, doi: https://doi.org/10.5120/11638-7118.
3. Leydesdor, L. (1989). Words and co-words as indicators of intellectual organization. Research Policy 18(4), pp. 209-223. DOI http://dx.doi.org/10.1016/0048-7333(89)90016-4. URL http://www.sciencedirect.com/science/article/pii/0048733389900164
4. Charnine, M., Klimenko, S. (2015). Measuring of “Idea-based” Influence of Scientific Papers // Proceedings of the 2015 International Conference on Information Science and Security (ICISS 2015), December 14-16, Seoul, South Korea, pp.160-164.
5. Landauer, T.K. & Dumais, S.T. (1997). A solution to plato’s problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge", Psychological Review, 104.
6. Matveeva, I., Levow, G., Farahat, A. & Royer, C. (2005). Generalized latent semantic analysis for term representation. In Proc. of RANLP.
7. Zaidi I, Singh S, Sinha A, Dwivedi R. (2015). Current views and implications of journal impact factor: A key note. Indian J Dent. 6(2):113-114. doi:10.4103/0975-962X.154375
8. Pan, R., Fortunato, S. (2015). Author Impact Factor: tracking the dynamics of individual scientific impact. Sci Rep 4, 4880. https://doi.org/10.1038/srep04880.
9. Walters, G. (2006). Predicting subsequent citations to articles published in twelve crime-psychology journals: Author impact versus journal impact.Scientometrics, 69(3), pp. 499-510.
10. Haslam, N., Ban, L., Kaufmann, L., Loughnan, S., Peters, K., Whelan, J., et al. (2008). What makes an article influential? Predicting impact in social andpersonality psychology. Scientometrics, 76(1), pp.169-185.
11. Fu, L., & Aliferis, C. (2010). Using content-based and bibliometric features for machine learning models to predict citation counts in the biomedical literature.Scientometrics, 85(1), pp. 257-270.
12. Wang, M., Yu, G., & Yu, D. (2011). Mining typical features for highly cited papers. Scientometrics, 87(3), pp. 695-706.
13. Wang, M., Yu, G., Xu, J., He, H., Yu, D., & An, S. (2012). Development a case-based classifier for predicting highly cited papers. Journal of Informetrics, 6(4), pp.586-599.
14. Didegah, F., & Thelwall, M. (2013a]). Determinants of research citation impact in nanoscience and nanotechnology. Journal of the American Society forInformation Science and Technology, 64(5), pp.1055-1064.
15. Yu, T., Yu, G., Li, P.-Y. & Wang, L. (2014). Citation impact prediction for scientific papers using stepwise regression analysis. Scientometrics, 101(2), pp.1233-1252.
16. Onodera, N. & Yoshikane, F. (2015). Factors affecting citation rates of research articles. Journal of the Association for Information Science and Technology,66(4), 739-764.
17. Cao, X., Chen, Y., Liu K.J.R. (2016). A data analytic approach to quantifying scientific impact. Journal of Informetrics, 10 (2), pp. 471-484.
18. Golosovsky, M., Solomon S. (2017). Growing complex network of citations of scientific papers: Modeling and measurements. Physical Review E, 95 (1), p. 012324.
19. Fiala, D., Tutoky G. (2018). PageRank-based prediction of award-winning researchers and the impact of citations. Journal of Informetrics, 11 (4), pp. 1044-1068.
20. Wang, D., Song, C., Barabási, A.-L. (2013). Quantifying long-term scientific impact. Science, 342 (6154) , pp. 127-132.
21. Bornmann, L., Leydesdorff, L., & Wang, J. (2013). Which percentile-based approach should be preferred for calculating normalized citation impact values?an empirical comparison of five approaches including a newly developed citation-rank approach (p100). Journal of Informetrics, 7(4), pp.933-944.
22. Bai, X., Zhang, F., Lee, I. (2019). Predicting the citations of scholarly paper. Journal of Informetrics, Volume 13, Issue 1, pp. 407-418.
