學(xué)術(shù)影響力預(yù)測(cè)研究進(jìn)展述評(píng)

霍朝光，董 克，魏瑞斌

（1.中國(guó)人民大學(xué)信息資源管理學(xué)院，北京 100872；2.武漢大學(xué)信息管理學(xué)院，武漢 430072；3.安徽財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院，蚌埠 233030）

1 引 言

學(xué)術(shù)影響力（scientific impact）是衡量科研成果與科研工作者學(xué)術(shù)貢獻(xiàn)和學(xué)術(shù)影響的重要指標(biāo)，強(qiáng)調(diào)從影響力的角度評(píng)估科研產(chǎn)出的學(xué)術(shù)價(jià)值、科研主體的研究貢獻(xiàn)以及學(xué)術(shù)地位等[1-2]。例如，論文影響力、期刊影響力、學(xué)者影響力、機(jī)構(gòu)影響力、項(xiàng)目影響力、專利影響力以及軟件影響力等[3]。學(xué)術(shù)影響力預(yù)測(cè)（prediction of scientific impact）是指在相關(guān)學(xué)術(shù)影響力指標(biāo)的基礎(chǔ)上，解析和利用科學(xué)發(fā)展的規(guī)律，預(yù)測(cè)相關(guān)學(xué)術(shù)實(shí)體的未來影響力。根據(jù)預(yù)測(cè)對(duì)象的不同，主要分為論文影響力預(yù)測(cè)（paper impact prediction）[4]、期 刊 影 響 力 預(yù) 測(cè)（journal impact prediction）、學(xué)者影響力預(yù)測(cè)（schol‐ar impact prediction）[5]、機(jī)構(gòu)影響力預(yù)測(cè)（institu‐tion impact prediction）[6]、項(xiàng)目影響力預(yù)測(cè)（project impact prediction）以及專利影響力預(yù)測(cè)（patent im‐pact prediction）[7]等。學(xué)術(shù)影響力預(yù)測(cè)旨在追蹤科學(xué)研究前沿，為優(yōu)化科研資源配置提供支撐，為科研管理賦能[8]。

學(xué)術(shù)影響力預(yù)測(cè)是數(shù)據(jù)驅(qū)動(dòng)科學(xué)學(xué)預(yù)測(cè)（pre‐diction in science of science）的重要組成部分[9]。21世紀(jì)以前，針對(duì)科學(xué)的預(yù)測(cè)主要依賴于專家的決策，由于數(shù)據(jù)限制側(cè)重定性預(yù)測(cè)，但是如今科學(xué)作為一個(gè)不斷演化的生態(tài)系統(tǒng)，承載著上千萬(wàn)的學(xué)者，覆蓋上百種學(xué)科，每年都有海量的科研成果產(chǎn)出，面對(duì)海量的科研數(shù)據(jù)，定性專家預(yù)測(cè)成本巨大，并且傳統(tǒng)的領(lǐng)域?qū)＜覜Q策在及時(shí)性和有效性方面勢(shì)必也大打折扣[8]?，F(xiàn)代學(xué)術(shù)影響力預(yù)測(cè)強(qiáng)調(diào)數(shù)據(jù)驅(qū)動(dòng)的量化預(yù)測(cè)研究，強(qiáng)調(diào)如何協(xié)同多維海量數(shù)據(jù)提升預(yù)測(cè)水平[10]。本文從研究對(duì)象角度，總結(jié)了期刊影響力預(yù)測(cè)、論文影響力預(yù)測(cè)、學(xué)者影響力預(yù)測(cè)、機(jī)構(gòu)影響力預(yù)測(cè)、項(xiàng)目影響力預(yù)測(cè)以及專利影響力預(yù)測(cè)六個(gè)方面的研究進(jìn)展，進(jìn)一步從預(yù)測(cè)指標(biāo)、預(yù)測(cè)方法和預(yù)測(cè)特征三個(gè)維度依次進(jìn)行歸納，以期揭示學(xué)術(shù)影響力預(yù)測(cè)研究范式的內(nèi)在特征，主要研究框架如圖1所示。

2 論文影響力預(yù)測(cè)

論文影響力預(yù)測(cè)（paper impact prediction）旨在預(yù)測(cè)論文未來可能產(chǎn)生的影響，提前從海量的學(xué)術(shù)論文中準(zhǔn)確地識(shí)別出具有參考價(jià)值的高質(zhì)量論文，從而實(shí)現(xiàn)揭示最新的研究動(dòng)態(tài)、掌握最新的研究方法、促進(jìn)科研創(chuàng)新的目標(biāo)[4,11]。論文影響力的產(chǎn)生存在時(shí)滯特征，相關(guān)研究表明，“睡美人”（Sleep‐ing Beauty）論文在各個(gè)領(lǐng)域均是存在的[12]，論文影響力預(yù)測(cè)則可提前預(yù)測(cè)“睡美人”論文的存在。目前，論文影響力預(yù)測(cè)主要借助引證指標(biāo)和替代計(jì)量指標(biāo)開展。

（1）基于引證指標(biāo)的論文影響力預(yù)測(cè)。基于引證指標(biāo)的論文影響力預(yù)測(cè)，強(qiáng)調(diào)將論文影響力預(yù)測(cè)轉(zhuǎn)化為引文預(yù)測(cè)（citation prediction），綜合各方面的特征構(gòu)建模型，預(yù)測(cè)引證的數(shù)量。例如，Bai等[13]從論文內(nèi)在質(zhì)量、論文影響力衰退狀況、論文早期被引數(shù)量以及早期引用者的學(xué)術(shù)影響四個(gè)方面，構(gòu)建論文潛力指數(shù)（paper potential index，PPI）模型，對(duì)論文的被引量進(jìn)行預(yù)測(cè)。但是，科學(xué)論文的引文分布形式參差不同，并且會(huì)受到各種各樣因素的影響[4]，單純從引文歷史序列數(shù)據(jù)很難解析引文的變化規(guī)律，因此，研究人員一般綜合其他特征預(yù)測(cè)論文引文的變化。例如，Xu等[14]和Li等[15]分別在多維文獻(xiàn)計(jì)量特征和大規(guī)模文獻(xiàn)計(jì)量特征基礎(chǔ)上，設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型，對(duì)引文量進(jìn)行回歸和預(yù)測(cè)。Yuan等[16]則針對(duì)出版物的內(nèi)在質(zhì)量（intrinsic quality）、老化效應(yīng)（aging effect）、馬太效應(yīng)（Matthew effect）、近因效應(yīng)（recency ef‐fect）等因素，借助時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）構(gòu)建了出版物長(zhǎng)期引證數(shù)量預(yù)測(cè)模型。Abrishami等[17]借助人工神經(jīng)網(wǎng)絡(luò)（arti‐ficial neural network），構(gòu)建了論文的長(zhǎng)期被引量預(yù)測(cè)模型，將RNN與自編碼器（auto encoder）結(jié)合，進(jìn)一步提升了預(yù)測(cè)的準(zhǔn)確率。基于引證指標(biāo)的論文影響力預(yù)測(cè)，雖然預(yù)測(cè)目標(biāo)十分明確，但是預(yù)測(cè)難度卻不可小覷，不同模型對(duì)不同學(xué)科論文的泛化能力也有待進(jìn)一步驗(yàn)證。

（2）基于替代計(jì)量指標(biāo)的論文影響力預(yù)測(cè)。替代計(jì)量（altmetrics，alternative metrics）強(qiáng)調(diào)追蹤科學(xué)文獻(xiàn)在網(wǎng)絡(luò)社交媒體、學(xué)術(shù)型或通用性網(wǎng)站平臺(tái)和學(xué)術(shù)型社交媒體平臺(tái)等傳播和熱議狀態(tài)，反映科學(xué)成果的影響力[18]，與引證指標(biāo)相比，時(shí)效性更高。例如，Eysenbach[19]以Journal of Medical Internet Research期刊上的論文為例，證實(shí)眾多論文在Tweets中的不同狀態(tài)，有助于對(duì)三天后高被引論文的預(yù)測(cè)。Hassan等[20]以論文在Twitter中的正負(fù)情感來預(yù)測(cè)研究成果的早期影響力，發(fā)現(xiàn)情感與被引量呈顯著正相關(guān)，人們?cè)谏缃幻襟w中關(guān)于研究成果討論的情感極性和情感值有助于綜合預(yù)測(cè)論文的影響力。也有研究證實(shí)，替代計(jì)量指標(biāo)與被引數(shù)量的弱相關(guān)性，質(zhì)疑基于替代計(jì)量指標(biāo)進(jìn)行影響力預(yù)測(cè)的效力[21-22]。不過李綱等[23]則反向驗(yàn)證了論文、作者、期刊等特征，對(duì)于學(xué)術(shù)論文的社交媒體可見性預(yù)測(cè)的重要性。由此可見，替代計(jì)量指標(biāo)和引證指標(biāo)對(duì)論文影響力預(yù)測(cè)均具有一定的作用。

論文影響力預(yù)測(cè)的相關(guān)特征。論文影響力相關(guān)特征是論文影響力變化的自變量，是對(duì)論文影響力的外在表征，主要涉及學(xué)術(shù)論文、論文作者、載文期刊以及其他屬性特征等。其中，論文特征主要包括論文主題的成熟度[11]、論文題目長(zhǎng)度、論文長(zhǎng)度、論文參考文獻(xiàn)數(shù)等[24-25]；作者特征主要包括作者影響因子（author impact factor）、署名作者數(shù)量（the number of authors）、作者所在機(jī)構(gòu)的國(guó)度（country）、作者權(quán)威性（authority）等[26]；期刊特征主要包括期刊的總被引數(shù)、期刊影響因子（jour‐nal impact factor）、期刊的主題分布等[27]；其他屬性的特征主要有機(jī)構(gòu)的學(xué)術(shù)排名、機(jī)構(gòu)的聲譽(yù)以及論文是否以特刊形式發(fā)表等[28-29]。詳細(xì)情況如表1所示。

表1 論文影響力預(yù)測(cè)相關(guān)特征

3 學(xué)者影響力預(yù)測(cè)

學(xué)者影響力預(yù)測(cè)（scholar impact prediction），也稱學(xué)者學(xué)術(shù)表現(xiàn)預(yù)測(cè)（author performance predic‐tion），強(qiáng)調(diào)對(duì)學(xué)者的學(xué)術(shù)發(fā)展和學(xué)術(shù)成就進(jìn)行預(yù)測(cè)[30]。傳統(tǒng)研究中，主要是學(xué)者影響力評(píng)估方面的研究，預(yù)測(cè)研究相對(duì)較少，比較有代表性的預(yù)測(cè)研究工作主要圍繞學(xué)者影響因子（author impact fac‐tor，AIF）[31]、H-index[32]、Q-value[33]以及引文數(shù)量等量化指標(biāo)開展，相關(guān)指標(biāo)和預(yù)測(cè)模式如圖2所示。該預(yù)測(cè)模式旨在量化學(xué)術(shù)數(shù)據(jù)，結(jié)合學(xué)者發(fā)表的論文、研究的方向、所在團(tuán)隊(duì)以及學(xué)術(shù)年齡等特征構(gòu)建AIF、H-index、Q-value等指標(biāo)，從而進(jìn)行評(píng)估和預(yù)測(cè)。

圖2 基于量化指標(biāo)的學(xué)者影響力評(píng)價(jià)與預(yù)測(cè)框架

（1）基于學(xué)者影響因子的學(xué)者影響力預(yù)測(cè)。學(xué)者影響因子借鑒期刊影響因子發(fā)展而來，用于評(píng)估和預(yù)測(cè)學(xué)者未來的影響力。Bornmann等[34]以272921位學(xué)者發(fā)表的6495715篇論文數(shù)據(jù)為例，驗(yàn)證了期刊影響因子在評(píng)估和預(yù)測(cè)學(xué)者方面的有效性，同時(shí)，也反映出不能單獨(dú)用期刊影響因子作為評(píng)價(jià)標(biāo)準(zhǔn)，需要綜合考慮學(xué)者研究的新穎性和重要性、學(xué)術(shù)聲譽(yù)以及先前所在機(jī)構(gòu)的聲譽(yù)。學(xué)者影響因子指標(biāo)基于引證的思想，在研究中往往通過限定3～5年的時(shí)間窗口進(jìn)行預(yù)測(cè)，但是研究表明，學(xué)者發(fā)表的最具影響力的學(xué)術(shù)成果在其學(xué)術(shù)生涯中是隨機(jī)分布的[33]，面對(duì)隨機(jī)分布的、限定時(shí)間窗口的學(xué)者影響因子預(yù)測(cè)存在一定的局限。

（2）基于H-index、Q-value等指數(shù)的學(xué)者影響力預(yù)測(cè)。H-index側(cè)重從學(xué)術(shù)質(zhì)量視角對(duì)學(xué)者的影響力進(jìn)行量化，最早由Hirsch[35]提出，是學(xué)者影響力預(yù)測(cè)的一項(xiàng)重要指標(biāo)?；贖-index指標(biāo)，Acuna等[36]通過機(jī)器學(xué)習(xí)方法，在3293個(gè)學(xué)者數(shù)據(jù)集上驗(yàn)證了預(yù)測(cè)的效度。Ayaz等[37]則以計(jì)算機(jī)領(lǐng)域210萬(wàn)篇論文的作者為例，通過回歸的方法檢驗(yàn)不同特征組合下的預(yù)測(cè)準(zhǔn)確率。Mistele等[38]在H-index指標(biāo)基礎(chǔ)上進(jìn)一步整合引文數(shù)量（citation count）形成新指標(biāo)，通過神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)學(xué)者未來的表現(xiàn)。但是H-index也同樣存在時(shí)間窗口的問題，因此，Sinatra等[33]提出了Q量化隨機(jī)模型，解析學(xué)者科研產(chǎn)量、個(gè)人能力以及運(yùn)氣對(duì)學(xué)者影響力的作用，為每個(gè)學(xué)者定義唯一的Q值，衡量學(xué)者在學(xué)術(shù)生涯中隨機(jī)發(fā)表的成果，從而預(yù)測(cè)學(xué)者影響力的演化。

（3）基于引文數(shù)量的學(xué)者影響力預(yù)測(cè)，多憑借引文數(shù)目單一指標(biāo)反映學(xué)者的影響力。例如，Ne‐zhadbiglari等[39]以總被引量來衡量學(xué)者的流行度（popularity），以計(jì)算機(jī)領(lǐng)域的50萬(wàn)學(xué)者為例，通過計(jì)算學(xué)者以及其他學(xué)術(shù)特征與流行趨勢(shì)聚類中心（cluster centroids）的距離，訓(xùn)練分類模型預(yù)測(cè)學(xué)者的流行度。Panagopoulos等[40]則在引文數(shù)量的基礎(chǔ)上，進(jìn)一步提出學(xué)者KPIs（key performance indica‐tors）指標(biāo)，綜合社交性（sociability）、中心性（centrality）、加權(quán)合作影響（weighted collaboration impact）等合作方面的特征和冪率圖方面的特征（power graph feature），通過構(gòu)建無監(jiān)督學(xué)習(xí)聚類模型，預(yù)測(cè)學(xué)術(shù)新星（rising stars）。

（4）基于網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)者影響力預(yù)測(cè)。強(qiáng)調(diào)從學(xué)者所在的異構(gòu)學(xué)術(shù)網(wǎng)絡(luò)角度衡量其在網(wǎng)絡(luò)中的地位和重要性，并用于預(yù)測(cè)學(xué)者的影響力和探測(cè)學(xué)術(shù)新星[3]。例如，Zhang等[41]借助結(jié)構(gòu)洞和信息熵理論，闡述學(xué)者在學(xué)術(shù)網(wǎng)絡(luò)中位置的重要性，利用AIRank（author impact rank）方法挖掘具有多學(xué)科特性影響力較大的學(xué)者。Zhang等[42]綜合考慮作者的被引數(shù)、作者之間的相互影響以及不同學(xué)術(shù)實(shí)體之間相互強(qiáng)化對(duì)學(xué)者的影響，提出了ScholarRank方法評(píng)價(jià)學(xué)術(shù)新人的影響力。Zhang等[43]根據(jù)學(xué)者變化狀態(tài)的不同，將其劃分為不同的類型，提出PeP‐SI（personalized prediction of scholars’impact）學(xué)者影響力預(yù)測(cè)模型，對(duì)不同類型學(xué)者分別應(yīng)用改進(jìn)的隨機(jī)游走算法進(jìn)行預(yù)測(cè)，充分利用了學(xué)術(shù)網(wǎng)絡(luò)的動(dòng)態(tài)變化對(duì)學(xué)者影響力的作用。

學(xué)者影響力預(yù)測(cè)的相關(guān)特征如表2所示。學(xué)者影響力預(yù)測(cè)主要涉及學(xué)者、學(xué)者發(fā)表的論文、刊載成果的期刊以及社會(huì)特征四類。在學(xué)者特征方面，主要涉及學(xué)者在某一主題方面的權(quán)威性、學(xué)者的生產(chǎn)能力、學(xué)者的社交能力、學(xué)者當(dāng)前H-index等，強(qiáng)調(diào)學(xué)者自身的屬性和能力；在論文特征方面，主要涉及學(xué)者論文的發(fā)文時(shí)間、署名以及共同署名的論文數(shù)、論文的衰退情況等[36]，強(qiáng)調(diào)由論文狀態(tài)的變化所引發(fā)的學(xué)者狀態(tài)變化；在期刊特征方面，主要涉及學(xué)者在權(quán)威期刊上的發(fā)文數(shù)、成果所在的期刊數(shù)、期刊水平等，強(qiáng)調(diào)學(xué)者在權(quán)威期刊上的發(fā)文能力和被認(rèn)可程度；在社會(huì)特征方面，學(xué)者在合作網(wǎng)絡(luò)中的中心性、位置等合作特征（collaborative features）以及冪率圖特征（power graph features）方面，分析學(xué)者在學(xué)術(shù)圈內(nèi)聲望和地位的社會(huì)特征也受到眾多關(guān)注[40,44]，關(guān)于學(xué)者影響力預(yù)測(cè)研究中所使用的相關(guān)特征，詳細(xì)情況如表2所示。

表2 學(xué)者影響力預(yù)測(cè)相關(guān)特征

4 其他學(xué)術(shù)實(shí)體影響力預(yù)測(cè)

1）機(jī)構(gòu)影響力預(yù)測(cè)

機(jī)構(gòu)影響力預(yù)測(cè)（institution impact prediction），強(qiáng)調(diào)對(duì)機(jī)構(gòu)的學(xué)術(shù)表現(xiàn)進(jìn)行預(yù)測(cè)。機(jī)構(gòu)影響力預(yù)測(cè)常常以機(jī)構(gòu)的論文為指標(biāo)，將機(jī)構(gòu)影響力預(yù)測(cè)轉(zhuǎn)化為對(duì)論文數(shù)目的預(yù)測(cè)。Sandulescu等[45]以Microsoft Academic Graph數(shù)據(jù)為例，分別驗(yàn)證了概率預(yù)測(cè)模型、線性回歸預(yù)測(cè)模型、梯度增強(qiáng)決策樹（gradi‐ent boosted decision trees）等不同模型以及綜合模型對(duì)機(jī)構(gòu)論文數(shù)目預(yù)測(cè)的效度，研究發(fā)現(xiàn)機(jī)構(gòu)的影響力具有較強(qiáng)的延續(xù)性，機(jī)構(gòu)先前的影響力很大程度上決定了機(jī)構(gòu)未來的影響力。由此可見，機(jī)構(gòu)的影響力更加持久、穩(wěn)定和綜合，一旦得以樹立影響就會(huì)很長(zhǎng)遠(yuǎn)，打造學(xué)術(shù)團(tuán)隊(duì)、樹立機(jī)構(gòu)權(quán)威意義深遠(yuǎn)。Xie[46]將研究機(jī)構(gòu)影響力預(yù)測(cè)的任務(wù)轉(zhuǎn)化為時(shí)間序列回歸問題，通過對(duì)機(jī)構(gòu)下一年被錄論文數(shù)目的預(yù)測(cè)來預(yù)估機(jī)構(gòu)未來的影響力，驗(yàn)證了機(jī)構(gòu)論文排名特征（paper-rank features）、項(xiàng)目委員會(huì)會(huì)員特征（program committee membership features）等對(duì)機(jī)構(gòu)影響力的作用，研究發(fā)現(xiàn)，簡(jiǎn)單的線性模型比復(fù)雜的預(yù)測(cè)模型更穩(wěn)健。Bai等[6]以機(jī)構(gòu)署名的錄用論文數(shù)為指標(biāo)，利用相關(guān)特征提取方法驗(yàn)證機(jī)構(gòu)的地理位置（geographic location of institution）、當(dāng)?shù)谿DP（gross domestic product）等特征與機(jī)構(gòu)影響力的關(guān)系，構(gòu)建了新型機(jī)構(gòu)影響力預(yù)測(cè)模型，發(fā)現(xiàn)不同出版物在錄用論文時(shí)，對(duì)機(jī)構(gòu)重要性的考量機(jī)制不同，機(jī)構(gòu)特征的重要性仍然是相對(duì)有限的。受機(jī)構(gòu)影響力有效指標(biāo)的限制和機(jī)構(gòu)影響力預(yù)測(cè)多元復(fù)雜的困擾，目前，關(guān)于機(jī)構(gòu)影響力預(yù)測(cè)的研究相對(duì)處于初步發(fā)展階段。

2）期刊影響力預(yù)測(cè)

期刊影響力預(yù)測(cè)（journal impact prediction），側(cè)重于對(duì)期刊影響因子、影響指數(shù)等預(yù)測(cè)。Wu等[47]以期刊影響因子（journal impact factor）為目標(biāo)，利用論文的被引頻次預(yù)測(cè)期刊的影響力，并以Sci‐ence、Nature以 及LIS（library and information sci‐ence）領(lǐng)域期刊數(shù)據(jù)為例，驗(yàn)證了該模型的有效性，在確保準(zhǔn)確率的前提下，將預(yù)測(cè)結(jié)果提前官方數(shù)據(jù)4個(gè)月。李秀霞等[48]從作者特征維度，構(gòu)建了反應(yīng)期刊內(nèi)部特征信息的作者特征空間向量，利用曲線回歸的方法對(duì)期刊影響力進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)證明，該期刊影響力預(yù)測(cè)模型與4年后對(duì)應(yīng)期刊的影響因子具有較好的吻合度，從作者層面可以提取有效的特征輔助，對(duì)期刊影響力的預(yù)測(cè)。張耀輝等[49]借鑒學(xué)術(shù)跡劃分狀態(tài)的方法，構(gòu)建馬爾科夫模型預(yù)測(cè)期刊的發(fā)展情況，動(dòng)態(tài)定量地表達(dá)了學(xué)術(shù)期刊未來的學(xué)術(shù)穩(wěn)定性，為期刊提供了一種有效的預(yù)測(cè)分析方法，但是其對(duì)于期刊狀態(tài)的劃分標(biāo)準(zhǔn)和通用性還有待進(jìn)一步加強(qiáng)，依托轉(zhuǎn)移概率矩陣的預(yù)測(cè)方法，在更大的數(shù)據(jù)集上效果可能更好。丁筠[50]借助學(xué)術(shù)期刊影響力指數(shù)（journal clout index），構(gòu)建BP（back propagation）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，以綜合性人文、社會(huì)科學(xué)類的632本期刊為訓(xùn)練集，預(yù)測(cè)了19種圖情領(lǐng)域核心期刊的CI（clout index）值。期刊作為學(xué)術(shù)成果的一種載體，對(duì)期刊影響力的預(yù)測(cè)更多的是回歸到論文層面，通過論文影響力預(yù)測(cè)實(shí)現(xiàn)對(duì)期刊影響力的預(yù)測(cè)。但是，從期刊層面來講，期刊的刊發(fā)周期、審稿周期、刊載量以及被收錄情況都是影響期刊影響力的因素，因此，對(duì)期刊影響力的預(yù)測(cè)不僅要把握論文這一主要因素，還應(yīng)綜合上述其他相關(guān)因素。

3）項(xiàng)目影響力預(yù)測(cè)

項(xiàng)目影響力預(yù)測(cè)（project impact prediction），強(qiáng)調(diào)對(duì)項(xiàng)目未來的影響力進(jìn)行預(yù)測(cè)，從眾多科研項(xiàng)目申請(qǐng)書中篩選出能取到較大成果的項(xiàng)目，以最小的財(cái)政支出最大化科研產(chǎn)出[51]。項(xiàng)由于項(xiàng)目評(píng)估本身就是對(duì)項(xiàng)目的可行性和未來產(chǎn)出等進(jìn)行預(yù)估，從而資助比較有潛力的項(xiàng)目，因此，目影響力預(yù)測(cè)是項(xiàng)目評(píng)估的重要內(nèi)容。以往關(guān)于項(xiàng)目影響力的預(yù)測(cè)，多借助專家對(duì)申請(qǐng)書等材料的定性分析來進(jìn)行。例如，從項(xiàng)目的創(chuàng)新提升（promoting innovation）、合作培養(yǎng)（fostering collaboration）、戰(zhàn)略地位（posit‐ing in strategic areas）等方面預(yù)估項(xiàng)目未來的影響力[51]。朱衛(wèi)東等[52]綜合科研項(xiàng)目的評(píng)估指標(biāo)體系和選擇流程，提出了一種系統(tǒng)性的基于證據(jù)推理規(guī)則的科學(xué)基金項(xiàng)目評(píng)估決策模型，用歷史評(píng)估結(jié)果準(zhǔn)確性衡量專家評(píng)價(jià)信息的可靠性，分別賦予不同評(píng)估權(quán)重和等級(jí)，并以1225項(xiàng)目國(guó)家自然科學(xué)基金管理學(xué)部項(xiàng)目為例，驗(yàn)證了該預(yù)估模型的有效性。限于基金以及項(xiàng)目數(shù)據(jù)的可獲得性，目前，量化項(xiàng)目影響力預(yù)測(cè)研究相對(duì)較少。但是，隨著國(guó)家自然科學(xué)、社會(huì)科學(xué)等基金數(shù)據(jù)的開放，未來基于客觀基金產(chǎn)出數(shù)據(jù)的項(xiàng)目評(píng)估和預(yù)測(cè)將會(huì)得到迅速的發(fā)展，從數(shù)據(jù)層面揭示優(yōu)秀項(xiàng)目的特征，從基金主持者、參與者、前期研究成果、學(xué)術(shù)團(tuán)隊(duì)、學(xué)術(shù)機(jī)構(gòu)、學(xué)術(shù)資源、國(guó)際交流、項(xiàng)目選題熱度、項(xiàng)目意義等信息中提取相關(guān)特征，構(gòu)建項(xiàng)目影響力預(yù)測(cè)模型，提升對(duì)項(xiàng)目影響力的預(yù)測(cè)。

4）專利影響力預(yù)測(cè)

專利影響力預(yù)測(cè)（patent impact prediction），強(qiáng)調(diào)對(duì)專利未來的價(jià)值進(jìn)行預(yù)測(cè)。鑒于眾多學(xué)者會(huì)將其提出的新方法和新技術(shù)成果申請(qǐng)為專利，因此，在學(xué)術(shù)領(lǐng)域，專利也是一種重要的學(xué)術(shù)產(chǎn)出。專利影響力是專利價(jià)值的重要表現(xiàn)之一，預(yù)測(cè)專利的影響力有助于引導(dǎo)資本迅速將技術(shù)轉(zhuǎn)化為生產(chǎn)力，有助于從專利角度反映學(xué)者以及機(jī)構(gòu)的學(xué)術(shù)表現(xiàn)。專利文獻(xiàn)與科學(xué)文獻(xiàn)均具有引證關(guān)系，故相應(yīng)引文預(yù)測(cè)方法同樣也適用于專利預(yù)測(cè)[7]。同時(shí)，專利也具有類似共詞網(wǎng)絡(luò)的相似網(wǎng)絡(luò)。例如，馬瑞敏等[53]在專利相似網(wǎng)絡(luò)領(lǐng)域細(xì)分的基礎(chǔ)上，根據(jù)同類預(yù)測(cè)準(zhǔn)則，以4年內(nèi)被引頻次、同族專利數(shù)、專利寬度、權(quán)利要求數(shù)、科學(xué)關(guān)聯(lián)度5個(gè)指標(biāo)作為預(yù)測(cè)指標(biāo)，構(gòu)建支持向量機(jī)模型對(duì)核心專利進(jìn)行預(yù)測(cè)。目前，關(guān)于專利的研究更多的是集中在評(píng)價(jià)方面，預(yù)測(cè)方面的研究相對(duì)較少。專利在未來能否取得較大的影響或產(chǎn)出，不僅取決于專利本身的屬性，更與市場(chǎng)、產(chǎn)業(yè)、社會(huì)等發(fā)展緊密相關(guān)，因此，對(duì)專利影響力的預(yù)測(cè)，不僅要綜合考量專利本身的特征，還應(yīng)綜合市場(chǎng)需求、產(chǎn)業(yè)背景、技術(shù)發(fā)展、國(guó)民教育等各方面因素，在追蹤專利影響的基礎(chǔ)上，提高對(duì)專利影響力預(yù)測(cè)的精度。

5）相關(guān)特征

機(jī)構(gòu)、期刊、項(xiàng)目、專利等影響力預(yù)測(cè)具體涉及的特征如表3所示。雖然學(xué)術(shù)實(shí)體之間是相互影響的，在預(yù)測(cè)某一種實(shí)體時(shí)互為特征，但是不同學(xué)術(shù)實(shí)體的影響力預(yù)測(cè)也有其獨(dú)特之處。其中，機(jī)構(gòu)影響力預(yù)測(cè)特征主要涉及被錄論文的排名特征（ac‐cepted paper-rank features）、項(xiàng)目委員會(huì)成員特征（program committee membership features）、機(jī)構(gòu)在不同刊物中的表現(xiàn)特征（cross conference features）、機(jī)構(gòu)在不同階段的表現(xiàn)特征（cross phase fea‐tures）[46]、機(jī)構(gòu)歷史得分（historical scores of institu‐tion）、作者影響因子、機(jī)構(gòu)先前得分的加權(quán)移動(dòng)平均等特征[31,45]。期刊影響力預(yù)測(cè)特征主要涉及作者數(shù)、第一作者、作者發(fā)文數(shù)、作者論文被引頻次、期刊被引頻次、期刊論文下載量、期刊的基金論文比以及期刊的歷史表現(xiàn)等特征[47-48,50]。項(xiàng)目影響力預(yù)測(cè)主要涉及項(xiàng)目的被資助者、期刊影響因子、資助成果等方面的特征。而專利影響力預(yù)測(cè)主要涉及專利寬度、同族專利數(shù)、科學(xué)關(guān)聯(lián)度、科研資源、學(xué)術(shù)機(jī)構(gòu)水平、私營(yíng)機(jī)構(gòu)合作質(zhì)量等特征。

表3 其他學(xué)術(shù)實(shí)體影響力預(yù)測(cè)相關(guān)特征

5 學(xué)術(shù)影響力預(yù)測(cè)體系

隨著數(shù)據(jù)驅(qū)動(dòng)科學(xué)預(yù)測(cè)模式的發(fā)展，近年來，關(guān)于學(xué)術(shù)影響力預(yù)測(cè)的研究呈現(xiàn)出井噴式的發(fā)展?fàn)罹?，從Science[8-9]、Nature[36]、PNAS[54]等國(guó)際交叉學(xué)科頂刊，到Journal of Informetrics、JASIST、Sciento‐metrics等LIS領(lǐng)域較好的期刊，均有一定的學(xué)術(shù)影響力預(yù)測(cè)研究成果發(fā)表，學(xué)術(shù)影響力研究逐漸步入數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)新階段。總結(jié)學(xué)術(shù)影響力預(yù)測(cè)研究的核心內(nèi)容，主要包括學(xué)術(shù)影響力預(yù)測(cè)指標(biāo)體系、學(xué)術(shù)影響力預(yù)測(cè)方法體系以及學(xué)術(shù)影響力預(yù)測(cè)特征體系等三大體系。

1）學(xué)術(shù)影響力預(yù)測(cè)指標(biāo)體系

在預(yù)測(cè)指標(biāo)方面，引證指標(biāo)、影響因子、發(fā)文量、被引量、學(xué)者獎(jiǎng)勵(lì)等均是量化科學(xué)的有效指標(biāo)，但這些指標(biāo)也存在著一定的不足[9]。基于引證的相關(guān)指標(biāo)存在著周期長(zhǎng)、時(shí)間滯后等不足。替代計(jì)量指標(biāo)相對(duì)具有較強(qiáng)的時(shí)效性，其測(cè)度樣本范圍更廣，測(cè)度也更加多樣和開放[55]，在一定程度上可以規(guī)避假引用、馬太效應(yīng)等形成的高被引現(xiàn)象，是衡量科學(xué)文獻(xiàn)等影響力的新途徑和指標(biāo)[56]，但是替代計(jì)量指標(biāo)也存在數(shù)據(jù)覆蓋比例、數(shù)據(jù)質(zhì)量、數(shù)據(jù)來源等方面的問題[57-58]。只有整合兩類指標(biāo)的優(yōu)勢(shì)，在確保質(zhì)量和穩(wěn)定性的前提下，融合同行評(píng)議與社會(huì)影響力等新維度綜合開展學(xué)術(shù)評(píng)價(jià)和預(yù)測(cè)，才能揭示不同科學(xué)領(lǐng)域各自科研系統(tǒng)生態(tài)的發(fā)展規(guī)律。

此外，各類指標(biāo)之間具有較強(qiáng)的依附關(guān)系，學(xué)者、期刊、機(jī)構(gòu)等影響力根源于論文的學(xué)術(shù)影響力，論文影響力增強(qiáng)，學(xué)者影響力也會(huì)增加，相應(yīng)機(jī)構(gòu)也會(huì)獲得提升，學(xué)者、期刊、機(jī)構(gòu)等共同組成了一個(gè)個(gè)小的學(xué)術(shù)共同體，構(gòu)建了包含知識(shí)創(chuàng)造者、知識(shí)傳播媒介、學(xué)術(shù)資源、學(xué)術(shù)團(tuán)隊(duì)在內(nèi)的學(xué)術(shù)生態(tài)。只有各學(xué)術(shù)實(shí)體的綜合影響力，才能表征學(xué)術(shù)共同體的整體水準(zhǔn)，任何單一指標(biāo)由于自身缺陷均，難以達(dá)到學(xué)術(shù)影響力評(píng)價(jià)和預(yù)測(cè)的要求。例如，Hirsch批評(píng)自己提出的H-index學(xué)者學(xué)術(shù)影響力評(píng)價(jià)指標(biāo)，反思了該評(píng)價(jià)指標(biāo)對(duì)學(xué)術(shù)創(chuàng)新的不利影響，以及由于學(xué)術(shù)評(píng)價(jià)所導(dǎo)致的學(xué)術(shù)資源傾斜問題，并建議綜合學(xué)科領(lǐng)域、作者署名位置、合作者數(shù)量等各方面情況綜合評(píng)價(jià)學(xué)者[59-60]。由此可見，過分倚重單一指標(biāo)極易扼殺學(xué)術(shù)創(chuàng)新，綜合衡量各學(xué)術(shù)實(shí)體的整體水平，構(gòu)建成熟的學(xué)術(shù)共同體評(píng)價(jià)指標(biāo)，才是評(píng)價(jià)和預(yù)測(cè)科學(xué)影響力的關(guān)鍵。

2）學(xué)術(shù)影響力預(yù)測(cè)方法體系

統(tǒng)計(jì)回歸類方法和機(jī)器學(xué)習(xí)方法，是學(xué)術(shù)影響力預(yù)測(cè)的兩大主要方法體系。統(tǒng)計(jì)回歸類方法強(qiáng)調(diào)利用學(xué)術(shù)實(shí)體自身的變化規(guī)律，合理選擇自變量，確定因變量與自變量的關(guān)系，通過回歸擬合的方式，預(yù)測(cè)影響力的變化，其方法體系如圖3所示?？梢园l(fā)現(xiàn)，統(tǒng)計(jì)回歸類方法常采用線性函數(shù)以及多項(xiàng)式函數(shù)表示變量與自變量的關(guān)系。例如，線性回歸（linear regression）[36]、分位數(shù)回歸（quantile regression）[28]、半連續(xù)回歸（semi-continuous regression）[61]、梯度增強(qiáng)回歸樹（gradient boosted regression trees）[62]、逐步回歸（stepwise regression）[25]、ARIMA（autoregres‐sive integrated moving average mode）時(shí)間序列模型以及VAR（value at risk）等多元時(shí)間序列模型（mul‐tivariate time series）[46]。與機(jī)器學(xué)習(xí)方法相比，統(tǒng)計(jì)回歸方法沒有特征輔助，將能夠影響學(xué)術(shù)影響力的因素看作自變量，通過分析和挖掘自變量以及自變量與因變量的關(guān)系，構(gòu)建回歸模型，擬合學(xué)術(shù)影響力的歷史序列數(shù)據(jù)[63]，用模型表征影響力的波動(dòng)規(guī)律，提升對(duì)學(xué)術(shù)實(shí)體未來影響力的預(yù)測(cè)。由于統(tǒng)計(jì)回歸類方法一般對(duì)自變量有著較為明確的定義，數(shù)學(xué)推理過程嚴(yán)格[30]，因此，模型解釋簡(jiǎn)單直觀，但也存在無法處理高維數(shù)據(jù)、無法囊括大量自變量等問題，預(yù)測(cè)能力和準(zhǔn)確率較為有限。

圖3 學(xué)術(shù)影響力預(yù)測(cè)的統(tǒng)計(jì)回歸方法體系

機(jī)器學(xué)習(xí)方法強(qiáng)調(diào)從學(xué)術(shù)實(shí)體自身以及其他相關(guān)信息中提取特征，從而訓(xùn)練相關(guān)機(jī)器學(xué)習(xí)模型或者深度學(xué)習(xí)模型，在特征輔助下對(duì)學(xué)術(shù)影響力進(jìn)行預(yù)測(cè)，機(jī)器學(xué)習(xí)方法體系如圖4所示。機(jī)器學(xué)習(xí)方法沒有將與學(xué)術(shù)影響力相關(guān)的因素直接作為自變量構(gòu)建到模型中，而是將所有影響到學(xué)術(shù)影響力變化的因素統(tǒng)稱為特征，其認(rèn)為特征與預(yù)測(cè)指標(biāo)之間存在復(fù)雜的非線性關(guān)系。機(jī)器學(xué)習(xí)方法沒有直觀的模型，每個(gè)特征與預(yù)測(cè)指標(biāo)之間的具體關(guān)系無從得知，也無法解釋各個(gè)特征對(duì)預(yù)測(cè)指標(biāo)的作用大小，只能通過特征組合驗(yàn)證最終的準(zhǔn)確率。機(jī)器學(xué)習(xí)方法強(qiáng)調(diào)通過學(xué)術(shù)大數(shù)據(jù)提取論文、學(xué)者、期刊、項(xiàng)目、機(jī)構(gòu)、專利等多維特征，適用于大數(shù)據(jù)場(chǎng)景，并且數(shù)據(jù)量越大越有利于特征的提取和模型的提升。在以往研究中，用到的算法和模型主要包括梯度增強(qiáng)決策樹（gradient boosting decision trees，GB‐DT）[45]、XGBoot、支持向量機(jī)（support vector ma‐chine，SVM）、隨機(jī)森林（random forest）[28]、K最近鄰（Knearest neighbor，KNN）、神經(jīng)網(wǎng)絡(luò)（neu‐ral network）[38]、BP神經(jīng)網(wǎng)絡(luò)[50]等機(jī)器學(xué)習(xí)模型，以及CNN（convolutional neural networks）、1D CNN、LSTM（long short-term memory）等深度學(xué)習(xí)預(yù)測(cè)模型[14-15]等。與統(tǒng)計(jì)回歸類方法相比，機(jī)器學(xué)習(xí)方法具有較高的準(zhǔn)確率。

圖4 學(xué)術(shù)影響力機(jī)器學(xué)習(xí)預(yù)測(cè)方法體系

3）學(xué)術(shù)影響力預(yù)測(cè)特征體系

傳統(tǒng)的學(xué)術(shù)影響力預(yù)測(cè)涉及的特征多聚焦于論文、學(xué)者、期刊、機(jī)構(gòu)、項(xiàng)目等學(xué)術(shù)實(shí)體的本身屬性和關(guān)系，彼此之間互為特征。例如，預(yù)測(cè)論文的影響力時(shí)，往往利用學(xué)者以及期刊的特征，預(yù)測(cè)學(xué)者時(shí)又往往利用論文、期刊等方面的特征。此類研究常常將別的特征視作相對(duì)不變的依據(jù)，忽略了互為特征一同演化的客觀事實(shí)。與傳統(tǒng)學(xué)術(shù)影響力預(yù)測(cè)研究相比，數(shù)據(jù)驅(qū)動(dòng)的學(xué)術(shù)影響力預(yù)測(cè)更加強(qiáng)調(diào)從海量數(shù)據(jù)中提取相關(guān)特征來構(gòu)建協(xié)同預(yù)測(cè)模型，而有效的特征體系則是該協(xié)同預(yù)測(cè)模式研究中的重點(diǎn)。

以學(xué)術(shù)異構(gòu)網(wǎng)絡(luò)（bibliographic heterogeneous network）表示各學(xué)術(shù)實(shí)體特征之間的動(dòng)態(tài)協(xié)同演化情況如圖5所示。圖5中以節(jié)點(diǎn)表示學(xué)術(shù)實(shí)體，以節(jié)點(diǎn)的面積表示學(xué)術(shù)實(shí)體的影響力，以時(shí)間片的形式表示學(xué)術(shù)實(shí)體的動(dòng)態(tài)演化。隨著時(shí)間的推移，學(xué)術(shù)實(shí)體在不同時(shí)間片時(shí)影響力發(fā)生了變化，有的影響力減弱（節(jié)點(diǎn)面積變?。?，有的影響力增強(qiáng)（節(jié)點(diǎn)面積變大），不同學(xué)術(shù)實(shí)體協(xié)同演化，或互相促進(jìn)增強(qiáng)，或一同衰落消亡；連邊表示了不同實(shí)體之間的關(guān)系。圖5描述了不同學(xué)術(shù)實(shí)體之間的復(fù)雜關(guān)系，沿著學(xué)術(shù)實(shí)體之間的真實(shí)關(guān)系，快速找到影響目標(biāo)對(duì)象的因素，能夠有效提升學(xué)術(shù)影響力的預(yù)測(cè)質(zhì)量。

圖5 不同學(xué)術(shù)實(shí)體特征之間的動(dòng)態(tài)協(xié)同演化概念圖

6 研究展望

本文系統(tǒng)地梳理了論文、學(xué)者、機(jī)構(gòu)、期刊、項(xiàng)目和專利六個(gè)方面的學(xué)術(shù)影響力預(yù)測(cè)研究進(jìn)展，概括了學(xué)術(shù)影響力預(yù)測(cè)研究的指標(biāo)體系、方法體系和特征體系三大體系。隨著數(shù)據(jù)生產(chǎn)要素化、數(shù)據(jù)開放與數(shù)據(jù)共享的進(jìn)一步推動(dòng)，有望形成新的綜合性指標(biāo)。在科學(xué)衡量學(xué)術(shù)影響力的基礎(chǔ)上，為預(yù)測(cè)提供新的目標(biāo)；隨著特征提取技術(shù)和時(shí)間序列預(yù)測(cè)方法的發(fā)展，有望形成新的學(xué)術(shù)影響力預(yù)測(cè)模式，完善學(xué)術(shù)影響力預(yù)測(cè)方法體系；隨著結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)學(xué)術(shù)數(shù)據(jù)的融合，有望從海量學(xué)術(shù)數(shù)據(jù)中進(jìn)一步提取有效特征，豐富學(xué)術(shù)影響力預(yù)測(cè)特征體系，進(jìn)一步提升學(xué)術(shù)影響力預(yù)測(cè)的準(zhǔn)確性。

（1）數(shù)據(jù)要素化促成新的學(xué)術(shù)影響力綜合性指標(biāo)。在學(xué)術(shù)影響力預(yù)測(cè)指標(biāo)體系方面，其一，相關(guān)引證指標(biāo)和替代計(jì)量指標(biāo)因各自存在的問題制約了其獨(dú)立進(jìn)行評(píng)價(jià)和預(yù)測(cè)的可行性，只有整合兩項(xiàng)指標(biāo)，才能在確保質(zhì)量和穩(wěn)定性的前提下，融合社會(huì)影響力新維度綜合進(jìn)行學(xué)術(shù)評(píng)價(jià)和預(yù)測(cè)，破除SCI至上的學(xué)術(shù)觀，提高指標(biāo)對(duì)新興領(lǐng)域和創(chuàng)新觀點(diǎn)的敏感性。其二，應(yīng)綜合社會(huì)認(rèn)同、同行認(rèn)同、專家認(rèn)同、期刊認(rèn)同等及時(shí)反饋影響力情況，分階段進(jìn)行針對(duì)性的科學(xué)預(yù)測(cè)，結(jié)合領(lǐng)域和學(xué)科特點(diǎn)，揭示不同學(xué)科領(lǐng)域各自科研系統(tǒng)生態(tài)的發(fā)展規(guī)律。例如，在機(jī)構(gòu)影響力預(yù)測(cè)方面，所使用的指標(biāo)相對(duì)比較單一，過于倚重論文數(shù)目和質(zhì)量，缺乏衡量機(jī)構(gòu)綜合實(shí)力的有效指標(biāo)。機(jī)構(gòu)影響力應(yīng)該在學(xué)術(shù)影響力評(píng)估的基礎(chǔ)上，綜合考慮社會(huì)影響力，全方面考核機(jī)構(gòu)績(jī)效，并以此為指標(biāo)，探索相關(guān)的影響因素，預(yù)測(cè)機(jī)構(gòu)未來可能產(chǎn)生的影響。其三，論文、學(xué)者、機(jī)構(gòu)、期刊、項(xiàng)目以及專利等以學(xué)術(shù)共同體的形式存在，共同構(gòu)成了包含知識(shí)創(chuàng)造者、知識(shí)傳播媒介、學(xué)術(shù)資源和學(xué)術(shù)團(tuán)隊(duì)在內(nèi)的學(xué)術(shù)生態(tài)，只有各學(xué)術(shù)實(shí)體的綜合影響力，才能更有效地表征學(xué)術(shù)共同體的整體水準(zhǔn)；只有良好的學(xué)術(shù)生態(tài)，才能確保學(xué)術(shù)研究的有序發(fā)展。

隨著數(shù)據(jù)生產(chǎn)要素化的深入發(fā)展，各個(gè)領(lǐng)域勢(shì)必會(huì)進(jìn)一步加強(qiáng)對(duì)各個(gè)維度數(shù)據(jù)的積累和存儲(chǔ)，因此，未來在學(xué)術(shù)影響力指標(biāo)方面，應(yīng)強(qiáng)化對(duì)學(xué)術(shù)共同體整體影響力的評(píng)估，充分利用各個(gè)領(lǐng)域積累的關(guān)于學(xué)術(shù)的多維數(shù)據(jù)，規(guī)避論文、學(xué)者、機(jī)構(gòu)、期刊等單一指標(biāo)表征學(xué)術(shù)影響力的不足，整合多維數(shù)據(jù)和指標(biāo)，構(gòu)建能夠代表各個(gè)學(xué)術(shù)共同體的綜合性指標(biāo)，為整體學(xué)術(shù)影響力預(yù)測(cè)提供可靠依據(jù)。

（2）特征提取技術(shù)和時(shí)間序列預(yù)測(cè)方法促成學(xué)術(shù)影響力預(yù)測(cè)新模式。統(tǒng)計(jì)回歸方法體系和機(jī)器學(xué)習(xí)方法體系都有各自的優(yōu)勢(shì)和發(fā)展空間，但是隨著數(shù)據(jù)的開放和積累，隨著數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模式的成熟，機(jī)器學(xué)習(xí)方法體系將會(huì)發(fā)揮更大的作用，尤其是以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、廣度學(xué)習(xí)（broad learn‐ing）等為代表的相關(guān)模型。例如，計(jì)算機(jī)領(lǐng)域逐漸發(fā)展成熟的長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）、圖 神 經(jīng) 網(wǎng) 絡(luò)（graph neural networks，GNN）[64]、Time2Graph[65]時(shí)間序列模型等，新的預(yù)測(cè)模型在學(xué)術(shù)影響力預(yù)測(cè)方面的應(yīng)用有望進(jìn)一步提升預(yù)測(cè)精度。

與此同時(shí)，深度學(xué)習(xí)等相關(guān)模型不僅是預(yù)測(cè)的有效方法，也是特征提取的有力工具。研究證明，基于深度學(xué)習(xí)的特征提取算法有效提升了學(xué)術(shù)實(shí)體在文本、網(wǎng)絡(luò)等方面的特征提取工作，尤其是近年發(fā)展起來的廣度學(xué)習(xí)，可為多源異構(gòu)學(xué)術(shù)數(shù)據(jù)融合和協(xié)同預(yù)測(cè)提供一系列的規(guī)則和算法[66]，有望融合多源異構(gòu)學(xué)術(shù)特征甚至跨越學(xué)科隔閡，為論文、學(xué)者、期刊、項(xiàng)目、機(jī)構(gòu)等學(xué)術(shù)實(shí)體影響力的預(yù)測(cè)，提供了一種新的協(xié)同預(yù)測(cè)模式，整合特征提取技術(shù)和時(shí)間序列預(yù)測(cè)方法形成學(xué)術(shù)影響力預(yù)測(cè)新模式，完善學(xué)術(shù)影響力預(yù)測(cè)方法體系。

（3）進(jìn)一步融合多源異構(gòu)學(xué)術(shù)數(shù)據(jù)，豐富學(xué)術(shù)影響力預(yù)測(cè)特征體系。論文、學(xué)者、期刊、機(jī)構(gòu)、項(xiàng)目等學(xué)術(shù)實(shí)體互為特征，面對(duì)海量的動(dòng)態(tài)協(xié)同演化的特征實(shí)體，如何提取有效特征來構(gòu)建協(xié)同預(yù)測(cè)模型，是學(xué)術(shù)影響力預(yù)測(cè)研究的重點(diǎn)。特征提取的前提是有效的特征刻畫，在于如何利用結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的學(xué)術(shù)數(shù)據(jù)，雖然以往在學(xué)術(shù)異構(gòu)網(wǎng)絡(luò)、科學(xué)知識(shí)圖譜方面已有大量研究，但是如何將海量學(xué)術(shù)實(shí)體之間復(fù)雜的真實(shí)關(guān)系刻畫出來，如何將不同領(lǐng)域甚至跨學(xué)科的學(xué)術(shù)實(shí)體有效地融合在一起，并提取出有效的特征，是學(xué)術(shù)大數(shù)據(jù)面對(duì)的棘手問題。例如，可以利用圖神經(jīng)網(wǎng)絡(luò)，在更廣泛的學(xué)科范圍內(nèi)進(jìn)行多源異構(gòu)網(wǎng)絡(luò)融合，通過廣度學(xué)習(xí)網(wǎng)絡(luò)對(duì)齊、網(wǎng)絡(luò)嵌入等框架將不同領(lǐng)域的學(xué)術(shù)實(shí)體整合在一起[67-68]，將多維數(shù)據(jù)融合在一起，構(gòu)建囊括多學(xué)科數(shù)據(jù)的異構(gòu)網(wǎng)絡(luò)，在動(dòng)態(tài)刻畫的基礎(chǔ)上，為預(yù)測(cè)對(duì)象提供盡可能豐富和全面的特征池，由此從特征層面提升相關(guān)機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等預(yù)測(cè)模型的性能。

（4）規(guī)避偏見，預(yù)見美好。學(xué)術(shù)影響力是大科學(xué)時(shí)代學(xué)術(shù)分工細(xì)化的產(chǎn)物，但是作為科研政策工具和評(píng)價(jià)指標(biāo)，如何衡量學(xué)術(shù)影響力自始至終存在著許多爭(zhēng)議和偏見[69]?；趯W(xué)術(shù)影響力計(jì)算之上的預(yù)測(cè)勢(shì)必也存在一定的不足，因此，如何規(guī)避關(guān)于學(xué)術(shù)影響力的爭(zhēng)議，如何規(guī)避預(yù)測(cè)的偏見，強(qiáng)化對(duì)邊緣化弱勢(shì)群體的保護(hù)，強(qiáng)化對(duì)新穎想法和研究思路的包容度，才能大力鼓勵(lì)跨學(xué)科研究，才能鼓勵(lì)開拓新的研究領(lǐng)域[9,70]。鑒于此，學(xué)術(shù)影響力預(yù)測(cè)應(yīng)著重為科學(xué)研究提供更多選擇，幫助科研工作者提前發(fā)現(xiàn)未來具有較大影響力的方向或選題，應(yīng)強(qiáng)調(diào)為科研決策提供支持，強(qiáng)化預(yù)見美好，這樣才能盡力規(guī)避學(xué)術(shù)影響力評(píng)估中的負(fù)面影響，只為預(yù)見科學(xué)之美。