學(xué)術(shù)影響力評(píng)估、預(yù)測(cè)與推薦在國(guó)家科研基金分配、人才引進(jìn)及科研獎(jiǎng)勵(lì)等方面扮演著重要角色，因此，學(xué)術(shù)影響力評(píng)估、預(yù)測(cè)與推薦研究已經(jīng)受到國(guó)內(nèi)外科研工作者的廣泛關(guān)注。本書共包括四章。
第1章主要綜述學(xué)術(shù)影響力評(píng)估的方法。在學(xué)術(shù)影響力量化研究中，有兩個(gè)大的轉(zhuǎn)變：一個(gè)是從非結(jié)構(gòu)方法向結(jié)構(gòu)化方法過渡；另一個(gè)是從單一學(xué)科的學(xué)術(shù)影響力評(píng)價(jià)到跨學(xué)科的學(xué)術(shù)影響力評(píng)價(jià)的轉(zhuǎn)變。盡管有大量的研究展示量化學(xué)術(shù)影響力評(píng)估的方法，但是學(xué)術(shù)影響力評(píng)估研究中還存在許多挑戰(zhàn)性的問題，如合作影響力的模式、統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)、隱式成功因素挖掘、動(dòng)態(tài)學(xué)術(shù)網(wǎng)絡(luò)嵌入以及學(xué)術(shù)影響力膨脹。
第2章主要針對(duì)現(xiàn)有的基于網(wǎng)絡(luò)結(jié)構(gòu)化的論文影響力評(píng)估方法以及機(jī)構(gòu)影響力評(píng)估方法中存在的弊端，即沒有在異構(gòu)的學(xué)術(shù)網(wǎng)絡(luò)中共同量化機(jī)構(gòu)和論文的影響力，提出了基于機(jī)構(gòu)-引用網(wǎng)絡(luò)的PageRank評(píng)估方法。基于機(jī)構(gòu)與論文之間的關(guān)系，構(gòu)造了一個(gè)異構(gòu)的學(xué)術(shù)網(wǎng)絡(luò)機(jī)構(gòu)-引用網(wǎng)絡(luò)�；�于機(jī)構(gòu)-引用網(wǎng)絡(luò)，利用PageRank算法，計(jì)算機(jī)構(gòu)和論文影響力評(píng)分�；�于此，比較IPRank算法和對(duì)比算法。本章在一個(gè)真實(shí)的數(shù)據(jù)集上進(jìn)行了相關(guān)的實(shí)驗(yàn)，并證明了本文提出基于機(jī)構(gòu)-引用網(wǎng)絡(luò)的PageRank算法優(yōu)于現(xiàn)有的評(píng)估方法。基于機(jī)構(gòu)-引用網(wǎng)絡(luò)的PageRank算法能夠更好地識(shí)別諾貝爾獎(jiǎng)的論文和獲得諾貝爾獎(jiǎng)的機(jī)構(gòu)。
第3章針對(duì)KDD CUP 2016競(jìng)賽預(yù)測(cè)機(jī)構(gòu)影響力這一目標(biāo)，提出了三個(gè)基于機(jī)器學(xué)習(xí)的多特征的預(yù)測(cè)模型，如馬爾科夫模型、神經(jīng)網(wǎng)絡(luò)模型和基于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的模型。在三類模型中，主要使用的特征包括機(jī)構(gòu)歷史的評(píng)分、時(shí)間信息和空間信息。實(shí)驗(yàn)結(jié)果表明SVM NN類模型的預(yù)測(cè)性能總體上好于馬爾科夫模型和神經(jīng)網(wǎng)絡(luò)模型。在實(shí)驗(yàn)中，我們發(fā)現(xiàn)有兩個(gè)有趣的現(xiàn)象：（1）給定相同的預(yù)測(cè)方法，不同的會(huì)議數(shù)據(jù)，可能得到不同的預(yù)測(cè)效果。這表明，模型的預(yù)測(cè)力與實(shí)驗(yàn)數(shù)據(jù)緊密相關(guān)。（2）在一定程度上，時(shí)間加權(quán)和國(guó)家加權(quán)能夠提升模型的預(yù)測(cè)力，但是，提升的幅度和實(shí)驗(yàn)數(shù)據(jù)緊密相關(guān)。這表明，不同算法的預(yù)測(cè)力與實(shí)驗(yàn)數(shù)據(jù)是相關(guān)的。
第4章主要介紹了學(xué)術(shù)論文推薦系統(tǒng)的方法包括基于內(nèi)容過濾的推薦、基于協(xié)同過濾的推薦、基于圖的推薦以及基于混合方法的推薦等。此外，本章詳細(xì)介紹了論文推薦系統(tǒng)的評(píng)價(jià)指標(biāo)包括準(zhǔn)確性（Precision）、召回率（Recall）、F值（F-measure）、歸一化折損累計(jì)增益（NDCG）、均值平均精度（MAP）、平均倒數(shù)排名（MRR）、均方根誤差（RMSE）、平均誤差（MAE）、用戶覆蓋率（UCOV）。后，我們討論了學(xué)術(shù)論文推薦系統(tǒng)中幾個(gè)挑戰(zhàn)性的問題：冷啟動(dòng)、稀疏性、可擴(kuò)展性、隱私性、偶然性以及統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)。
本書的出版，得益于2018年遼寧省科技廳重點(diǎn)計(jì)劃指導(dǎo)項(xiàng)目以及2019年遼寧省教育廳高等學(xué)校創(chuàng)新人才支持計(jì)劃的資助。本書主要面向從事學(xué)術(shù)大數(shù)據(jù)研究的科研人員以及相關(guān)研究領(lǐng)域的廣大師生。由于學(xué)術(shù)影響力評(píng)估、預(yù)測(cè)及推薦的相關(guān)研究發(fā)展迅速以及作者能力有限，書中若有不妥之處，敬請(qǐng)廣大讀者與同行專家提出寶貴的意見。在此，感謝鞍山師范學(xué)院校領(lǐng)導(dǎo)和科技處領(lǐng)導(dǎo)，給予我大力支持和經(jīng)費(fèi)保障，特別向?yàn)楸緦Ｖ�的出版做出貢獻(xiàn)的同志表示衷心的感謝！前言學(xué)術(shù)影響力評(píng)估、預(yù)測(cè)與推薦

白曉梅2021年1月