HITS算法在論文引用關(guān)系中的應用

黃 印

(南京大學 信息管理學院，江蘇 南京 210023)

目前，絕大部分傳統(tǒng)文獻數(shù)據(jù)庫檢索系統(tǒng)，對于檢索結(jié)果文獻的組織都是基于文獻的外部特征和內(nèi)部特征，外部特征主要包括篇名、作者姓名、發(fā)表時間，內(nèi)部特征包括關(guān)鍵詞、標題詞、敘詞等等。在互聯(lián)網(wǎng)化的學術(shù)平臺上，被引次數(shù)和下載次數(shù)作為重要的外部指標，也常常被使用。以CNKI為例，檢索結(jié)果可以按照“相關(guān)度”、“發(fā)表時間”、“被引”和“下載”等進行排序。

引用關(guān)系是論文間的重要關(guān)系。一篇論文被引用，證明了這篇論文的影響力。目前引用關(guān)系的常用量化指標是“被引次數(shù)”。但是這個指標存在一些問題，許多學者認為，被引次數(shù)只有當引用是真引用才是合適的[1]。除此之外，不同論文對文獻的引用也不應該視作等價。在現(xiàn)有的“被引次數(shù)”指標中，一篇領域內(nèi)重要論文的引用和一篇普通論文的引用次數(shù)是相同的，體現(xiàn)的是引用關(guān)系的數(shù)量特征，掩蓋了引用關(guān)系的質(zhì)量特征。

對于引用關(guān)系的質(zhì)量特征的量化，目前并沒有廣泛應用的方法。但是論文之間的引用關(guān)系與網(wǎng)頁之間的鏈接關(guān)系具有很高的相似性，因此對于論文之間的引用關(guān)系的質(zhì)量特征的量化一定程度上可以借鑒、參考搜索引擎中網(wǎng)頁的排序方法。

楊思洛按照排序技術(shù)進行分類，將搜索引擎分為三代，我們目前正處于第二代搜索引擎，即按照鏈接分析的方式進行排序，主要有PageRank算法[2]，HillTop算法[2]。除此之外，頁面排序算法還有：HITS算法，主題敏感 PageRank算法 (TSPR)等[3]。

為了量化引用關(guān)系的質(zhì)量特征，對“被引次數(shù)”指標進行補充，參考了搜索引擎鏈接分析的排序機制，提出了使用HITS算法對檢索結(jié)果進行計算，使用計算值來量化引用關(guān)系的質(zhì)量特征，并實驗了HITS算法在量化引用關(guān)系的質(zhì)量特征中的實際效果，進一步研究了HITS算法在不同數(shù)量級別下的可靠性。

1 相關(guān)研究

1998年，就職于Cornell University的克萊因伯格博士提出了HITS 算法(Hypertext-Induced Topic Search)[4]。HITS算法的原理基于這樣的假設：一個高質(zhì)量的權(quán)威(Authority)頁面會被很多高質(zhì)量的樞紐(Hub)頁面所指向，反之亦然。

在搜索領域，相對于PageRank算法，HITS算法存在一些缺點，沒有被目前主流的搜索引擎所采用。主要有兩點：①HITS算法是基于某一檢索主題的，而 PageRank 算法不受限制。②HITS算法是在得到結(jié)果集后進行計算，耗時較長。

將鏈接分析方法應用應用于文獻引用中，是因為兩者在本質(zhì)上十分相似：兩者研究的都是一個網(wǎng)絡模型中兩個元素之間的影響關(guān)系及其形成過程，都具有高度的目的性和理性。也有學者做過類似的嘗試，比如李江等學者從算法角度對網(wǎng)頁評價和文獻評價進行了對比，將PageRank算法應用于論文中，提出了Paperank算法。該算法傾向于挑選出高被引的、被高質(zhì)量且少出度的論文引用的論文，是對被引次數(shù)的一種修正。 筆者嘗試將HITS算法應用到檢索文獻的排序中，并初步評價其效果。

2 HITS算法

具體而言，應用于文獻中的HITS算法需要計算兩種值，即權(quán)威值(Authority Scores)和樞紐值(Hub Scores)。所有引用該文獻的文獻的樞紐值的和即權(quán)威值。該文獻所有引用的文獻的權(quán)威值的和即樞紐值。

HITS算法的數(shù)學計算步驟如下所示[6]：

①a(i)表示文獻i的權(quán)威值，h(i)表示文獻i的樞紐值，所有文獻的權(quán)威值和樞紐值初始設定為1。

②迭代計算，a(i)等于所有引用文獻i的文獻的樞紐值之和，即：a(i)=Σh(j)

j指所有指向文獻i的文獻。

③h(i)等于文獻i所有引用的文獻j的權(quán)威值之和，即：h(i)=Σa(j)

④將所有文獻的a(i)，h(i)進行標準化，即都除以其最大值。

n是指所有文獻。

⑤計算上一輪迭代計算中的值和本輪迭代以后值的差異，在達到允許的誤差之前，不停地重復上述②③④步驟。只有當對于總體來說差異在允許的范圍內(nèi)，證明數(shù)據(jù)已收斂時，才可以結(jié)束計算。

3 HITS算法實證分析

3.1 數(shù)據(jù)來源

由于CNKI中大批量的檢索結(jié)果難以快速直接地導出，為了方便收集、計算數(shù)據(jù)，筆者選取人工智能領域來源于2015年度中國計算機學會(CCF)于人工智能方面推薦的A、B、C三類共39個國際學術(shù)會議論文，作為數(shù)據(jù)集，作為使用某一檢索策略進行檢索，所得到檢索結(jié)果的模擬，具體會議如表1所示。

表1 CCF于人工智能方面推薦的國際學術(shù)會議

2016年，清華大學唐杰教授團隊建立了Aminer，該數(shù)據(jù)庫是計算機及相關(guān)領域的知名數(shù)據(jù)庫，收集了大量關(guān)于人工智能的學術(shù)論文成果。Aminer被設計為面向新一代的科技情報分析與挖掘，而且完全不依賴外國知識產(chǎn)權(quán)。筆者以Aminer中的Open Academic Graph(OAG)作為數(shù)據(jù)來源，下載了截止到2017年3月22日的所有論文題錄信息，共得到113 195篇文獻。

3.2 數(shù)據(jù)處理

數(shù)據(jù)中，存在文獻的“被引次數(shù)”和“引用的文獻”字段。由于本文的研究對象是113 195篇文獻，所以在“被引次數(shù)”之外，根據(jù)“引用文獻”計算“數(shù)據(jù)內(nèi)被引次數(shù)”——數(shù)據(jù)內(nèi)是指作為計量對象的113 195篇文獻。

將“被引次數(shù)”和“數(shù)據(jù)內(nèi)被引次數(shù)”進行對比，發(fā)現(xiàn)存在一些文獻“被引次數(shù)”為0，但是“數(shù)據(jù)內(nèi)被引次數(shù)”很高的情況。比如，其中3篇的“被引次數(shù)”是0，但是 “數(shù)據(jù)內(nèi)被引次數(shù)”卻分別高達1 128、981和999次。經(jīng)過查證，這3篇文獻的標題都是各類會議的總集文件。通過對比“被引次數(shù)”和“數(shù)據(jù)內(nèi)被引次數(shù)”數(shù)據(jù)，再進行人工檢查，發(fā)現(xiàn)這類文獻共有526篇，去除這些文獻，剩余112 669篇。最后計算112 669篇文獻的權(quán)威值和樞紐值。

3.3 數(shù)據(jù)分析

112 669篇文獻的權(quán)威值和樞紐值按照權(quán)威值、樞紐值排序前20分別如表2、表3所示。

表2 權(quán)威值排序前20文獻情況

表3 樞紐值排序前20文獻情況

可以明顯地看出，權(quán)威值較高的文獻大都有著較高的“數(shù)據(jù)內(nèi)被引次數(shù)”，樞紐值較高的文獻大都有著較多的“數(shù)據(jù)內(nèi)引用文獻”。

為了探究指標之間的關(guān)系，對其進行相關(guān)性檢驗。使用SPSS工具對所有數(shù)據(jù)進行統(tǒng)計分析，結(jié)果顯示，所有指標都是非正態(tài)分布的。而斯皮爾曼相關(guān)系數(shù)法可以適用于非正態(tài)分布的數(shù)據(jù)，故采用次方法，結(jié)果如表4所示。

表4 相關(guān)性檢驗

從表4可以看出，“權(quán)威值”與“數(shù)據(jù)內(nèi)被引次數(shù)”相關(guān)度很高，相關(guān)系數(shù)為0.814，屬于高度相關(guān)；“樞紐值”與“數(shù)據(jù)內(nèi)引用文獻”相關(guān)度很高，相關(guān)系數(shù)為0.870，屬于高度相關(guān)。“權(quán)威值”與“被引次數(shù)”的相關(guān)性不如“數(shù)據(jù)內(nèi)被引次數(shù)”，相關(guān)系數(shù)僅為0.549。

可以初步得到一個結(jié)論，“權(quán)威值”與“數(shù)據(jù)內(nèi)被引次數(shù)”高度相關(guān)，可以揭示某個領域內(nèi)的引用情況，而且與“數(shù)據(jù)內(nèi)引用文獻”相關(guān)，兼顧了文獻引用的文獻的影響。

3.4 進一步研究

上文的研究基于的數(shù)據(jù)是112 699篇文獻，但是很多時候，檢索結(jié)果往往只有幾十篇，幾百篇。為了探究HITS算法在不同規(guī)模數(shù)據(jù)下的效果，筆者選擇在這112 699篇文獻中，以摘要中包含“AI”和“Artificial Intelligence”的1 046條數(shù)據(jù)為例，計算各指標之間的相關(guān)性。得到結(jié)果如表5所示。

表5 相關(guān)性檢驗(1 046篇)

可以看出，在數(shù)據(jù)量較少的情況下，各個指標之間的相關(guān)度明顯降低。為了找出HITS算法具有較好效果的數(shù)據(jù)集大小界限，選擇AAAI，CVPR兩個會議的11 932條記錄作為研究數(shù)據(jù)。得到結(jié)果如下表6。

表6 相關(guān)性檢驗(11 932篇)

3種數(shù)據(jù)量得到的結(jié)果的“權(quán)威值”與“數(shù)據(jù)內(nèi)被引次數(shù)”的相關(guān)性進行對比，得到表7。

表7 3種數(shù)據(jù)量下“權(quán)威值”與“數(shù)據(jù)內(nèi)被引次數(shù)”的相關(guān)性

可以看出，當數(shù)據(jù)量在一萬級以上時，HITS算法具有較高的可靠性；當數(shù)據(jù)量在一萬以下時，可靠性急劇下降。

4 總結(jié)與展望

綜上所述，“權(quán)威值”指標與“數(shù)據(jù)內(nèi)被引次數(shù)”指標高度正相關(guān)，與“數(shù)據(jù)內(nèi)引用文獻”也有一定的相關(guān)性。這表示，將“權(quán)威值”作為指標，與“被引次數(shù)”相比，有以下優(yōu)點：①可以更好地反映一個主題內(nèi)(或者一個檢索結(jié)果內(nèi))的文獻被引情況。②根據(jù)權(quán)威值和樞紐值的算法，“權(quán)威值”是引用文獻的樞紐值之和，“樞紐值”與“數(shù)據(jù)內(nèi)引用文獻”高度相關(guān)，可以說權(quán)威值是綜合了“數(shù)據(jù)內(nèi)被引次數(shù)”和“數(shù)據(jù)內(nèi)引用文獻”兩個指標。相比于“被引次數(shù)”，權(quán)威值能夠選出既被廣泛引用地，也引用了高質(zhì)量文獻的文獻。

“權(quán)威值”也存在以下缺點：①計算速度可能比較慢。②如果檢索結(jié)果數(shù)量少于一萬，會導致文獻間的引用關(guān)系數(shù)量不足，使得HITS算法的“權(quán)威值”不能很好地反映真實情況。