單篇論文被引頻次影響因素及預(yù)測(cè)研究綜述

張素芳 劉慧敏

華南師范大學(xué)經(jīng)濟(jì)與管理學(xué)院 廣州 511400

1 引言

科學(xué)系統(tǒng)包含了大量元素和鏈接，研究者對(duì)學(xué)術(shù)論文的引文動(dòng)態(tài)和科學(xué)演變?cè)絹碓礁信d趣。被引頻次在一定程度上反映了論文受到的關(guān)注程度，然而通常只有少數(shù)的研究論文積累了絕大多數(shù)的被引頻次，而其他大多數(shù)論文只吸引了少數(shù)的其它論文的引用[1]。也就是說，一些研究論文比其他研究論文更有可能吸引研究者的注意。對(duì)于不斷增長(zhǎng)的文獻(xiàn)數(shù)量，預(yù)測(cè)哪篇論文更有可能引起學(xué)術(shù)界的關(guān)注是很重要的。因此，被引頻次預(yù)測(cè)成為目前文獻(xiàn)計(jì)量領(lǐng)域的一個(gè)新的研究方向。該研究主題已經(jīng)涌現(xiàn)了不少的論文，在研究建模過程中，一些研究人員被大量的低被引頻次的論文所困擾，方法和影響因素特征的選擇多樣化，導(dǎo)致研究的重復(fù)累贅，盡管已經(jīng)有學(xué)者對(duì)該主題進(jìn)行系統(tǒng)性的綜述，但是主要集中在影響因素和研究方法上，還未有學(xué)者從研究人員如何介入該領(lǐng)域研究提出有效的解決方案?；诖?，本文梳理了論文被引頻次的影響因素，面向預(yù)測(cè)任務(wù)，將被引頻次預(yù)測(cè)分為回歸任務(wù)和分類任務(wù)，闡述這兩個(gè)方面單篇論文被引頻次的研究方法、論文的研究對(duì)象形式和預(yù)測(cè)周期等，最后根據(jù)現(xiàn)有研究中的普遍問題提出一些方案，以期為后續(xù)研究者提供借鑒和參考。本文主要的梳理框架如圖1所示：

圖1 綜述框架

2 單篇論文被引頻次影響因素

學(xué)術(shù)論文的被引頻次預(yù)測(cè)已經(jīng)被廣泛地研究，在這些被引頻次預(yù)測(cè)的研究中，研究人員往往關(guān)注什么因素會(huì)影響論文的被引量，從而篩選重要的影響因素來對(duì)引文的被引量進(jìn)行預(yù)測(cè)。F. Didegah和M. Thelwall[2]認(rèn)為，論文引用動(dòng)機(jī)復(fù)雜，引用者對(duì)論文的智力認(rèn)知是論文被引量的內(nèi)在因素，其可以通過訪談和問卷進(jìn)行調(diào)查，但是其具有耗時(shí)的缺點(diǎn)，并且由于引用動(dòng)機(jī)的復(fù)雜性和學(xué)科依賴性，這種定性研究通常只涉及一小部分學(xué)者樣本，而外部因素可以大規(guī)模地量化和計(jì)算，因此可以用來預(yù)測(cè)未來的引文影響。影響被引率的外在因素包括被引用論文的作者、摘要、期刊、領(lǐng)域和參考文獻(xiàn)以及論文本身等屬性特征。本文研究?jī)H局限于外部動(dòng)機(jī)，將這些因素歸納為論文本身、作者、期刊、其他四大類。

2.1 與論文本身相關(guān)的影響因素

在與論文相關(guān)的影響因素中，與被引頻次相關(guān)的主要因素之一是論文的主題，論文的主題是論文研究?jī)?nèi)容的核心，它可以用來預(yù)測(cè)論文未來被引頻次[3]。論文的內(nèi)容可以從三個(gè)維度進(jìn)行評(píng)價(jià)——論文所研究的主題的關(guān)注度、主題新穎性、主題的多樣性。熱門的主題通常也會(huì)吸引更多的關(guān)注和更多其它論文的引用[4]，論文主題新穎也會(huì)增強(qiáng)其影響力和被引率[5]，論文主題越有吸引力和新穎性越高，它被引頻次可能就會(huì)越多。此外，所研究的主題范圍和主題領(lǐng)域?qū)⒂绊懕灰l次，論文研究主題的多樣性會(huì)給論文的被引頻次帶來影響[6]。

在主題的識(shí)別研究中，大多數(shù)研究者都是使用隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型或其衍生模型進(jìn)行主題識(shí)別，進(jìn)而計(jì)算其主題的關(guān)注度/熱度、新穎性、多樣性等指標(biāo)。主題關(guān)注度的測(cè)度主要從累計(jì)被引的角度進(jìn)行計(jì)算，多樣性的測(cè)度主要從信息熵的角度進(jìn)行計(jì)算，新穎性的測(cè)度主要從同行評(píng)議、引用、內(nèi)容三個(gè)角度進(jìn)行計(jì)算[7]，除去同行評(píng)議，另外兩種方法（引用對(duì)的共現(xiàn)頻率和主題內(nèi)容的共現(xiàn)頻率）都是基于一種共現(xiàn)思想進(jìn)行考慮的。關(guān)于內(nèi)容新穎程度的研究有許多，但其研究的角度大致相同。

參考文獻(xiàn)的數(shù)量、權(quán)威度以及論文中參考文獻(xiàn)的多樣性也會(huì)增加論文的被引頻次[8]。參考文獻(xiàn)數(shù)量多的研究與較高的被引率相關(guān)[9]。平均參考文獻(xiàn)年份越年輕的論文，可能獲得更多的被引量，引用“舊出版物”的論文被引量明顯減少[10]，因?yàn)檎撐男畔㈦S著時(shí)間的流逝會(huì)過時(shí)[11]。一般來說，在發(fā)表后的前幾年，被引頻次達(dá)到峰值，隨著時(shí)間的推移，被引頻次逐漸減少。此外，參考文獻(xiàn)的權(quán)威度（累計(jì)被引頻次[12]）和多樣性（施引文獻(xiàn)所屬研究領(lǐng)域[6]和跨國(guó)籍[2]）也會(huì)對(duì)論文引文率產(chǎn)生影響。

還有研究發(fā)現(xiàn)，某些類型的文檔比其他類型的文檔獲得更多的被引，如綜述論文比研究論文的被引用更多[13]?；鹳Y助是科學(xué)研究的重要經(jīng)濟(jì)來源，充足的經(jīng)費(fèi)可以使研究得到較好的物質(zhì)保障，一般來說，獲得更高水平資助的研究項(xiàng)目的論文能比未受資助的論文獲得更多的被引[8]。在一些研究中，論文早期被引率及其速度也被認(rèn)為是其未來被引的預(yù)測(cè)因素[6]。論文早期被引是科學(xué)界對(duì)這篇論文的早期反饋，其被引速率在一定程度上反映了論文在科學(xué)界的傳播速度。論文的長(zhǎng)度（其頁數(shù)）也是增加被引頻次的因素之一[8]，因?yàn)檩^長(zhǎng)的論文包含了更多的信息[14]。論文的標(biāo)題是整篇論文內(nèi)容最濃縮的概括，也是研究學(xué)者搜索論文最先看到的內(nèi)容，因此也有研究學(xué)者對(duì)這方面的內(nèi)容進(jìn)行了研究，H. R. Jamali和M. Nikzad[15]認(rèn)為，一個(gè)信息豐富的標(biāo)題可以增加論文的被引次數(shù)，但標(biāo)題長(zhǎng)度和被引之間沒有顯著的相關(guān)性，相對(duì)于被引頻次，標(biāo)題特征對(duì)下載次數(shù)的影響更大[16]。開放獲取是指論文的可訪問性和可見性，能夠閱讀全文作者才能從該篇論文中獲取自己需要引用的內(nèi)容，因此發(fā)表在開放獲取期刊上的論文，往往比發(fā)表在非開放獲取期刊上的論文被引量更多[817]。

與論文相關(guān)的影響因素研究范圍非常廣泛，除了以上研究得比較多的影響因素，國(guó)外學(xué)者還對(duì)論文的方法論/研究設(shè)計(jì)、章節(jié)特征、是否使用數(shù)據(jù)/附錄等方面進(jìn)行了詳細(xì)的研究[18]。盡管有論文研究這些因素在某些領(lǐng)域上與被引率是有相關(guān)性的，但在不同領(lǐng)域的研究中，這些因素與被引率不一定產(chǎn)生關(guān)系，或者只有微弱的關(guān)系。這些研究經(jīng)常忽略不同學(xué)科的差異[19]，其實(shí)一些影響因素都是具有明顯的學(xué)科領(lǐng)域特征的，因此，構(gòu)建普適性的綜合指標(biāo)并不是很好的選擇。筆者對(duì)以上綜述的影響因素進(jìn)行了整體歸納，如表1所示：

表1 論文相關(guān)影響因素及描述

2.2 作者相關(guān)影響因素

與作者相關(guān)的因素也會(huì)對(duì)論文的被引頻次產(chǎn)生影響。作者的數(shù)量是一種表明研究合作程度的衡量標(biāo)準(zhǔn)。高質(zhì)量的論文往往涉及多個(gè)科研人員的合作，作者合著（特別是國(guó)際上的合作[20]）能增加論文的被引率[21]。然而，有一些研究卻發(fā)現(xiàn)了相反的結(jié)果，證明國(guó)際合作與論文被引頻次之間并無特別的聯(lián)系[8]。隨著引文時(shí)間窗口變長(zhǎng)，作者數(shù)量與引文之間的相關(guān)性也會(huì)減弱[22]。但也有研究報(bào)告指出，不同領(lǐng)域的作者合作能增加論文的被引率[23]。因此，作者之間的合作是否影響論文的被引頻次存在著較大的分歧。

此外，論文作者數(shù)量和自引數(shù)呈正比的關(guān)系[24]，但是，有研究發(fā)現(xiàn)，自引率與非自引率的比例隨著論文積累的總被引頻次的增加而降低，自引往往集中出現(xiàn)在論文出版后的很短的時(shí)間內(nèi)[25]。因此從宏觀角度看，在分析論文被引時(shí)不需要在分析中排除自引[26]。

著名作者在其研究領(lǐng)域有著較高的聲望，其論文往往會(huì)有較高的被引量[27]。馬太效應(yīng)使具有高被引特征的作者發(fā)表的論文比具有低被引特征的作者發(fā)表的論文更能獲得其它論文的引用[12]。因此，作者之前的論文的被引頻次可以被認(rèn)為是對(duì)未來論文被引的一個(gè)很好的預(yù)測(cè)因素[28]。H指數(shù)是用來衡量科學(xué)界研究者能力的最常用的標(biāo)準(zhǔn)[29]，聲望高的作者H指數(shù)往往很高，因此，在研究作者某一個(gè)領(lǐng)域的聲望對(duì)論文被引量的影響時(shí)，常用H指數(shù)作為一個(gè)計(jì)量的指標(biāo)。作者所屬機(jī)構(gòu)的聲望很大部分依賴于作者。一般來說，排名高的學(xué)校的論文會(huì)有更多的被引量[30]。

除此之外，關(guān)于作者的人口統(tǒng)計(jì)學(xué)特征也被納入到測(cè)量指標(biāo)之中。有研究發(fā)現(xiàn)，白人和男性比非白人和女性有更高的影響力[31]。但也有研究表明人口統(tǒng)計(jì)學(xué)特征對(duì)于論文是否被引并無顯著性的影響[32]。

筆者對(duì)作者相關(guān)的影響因素做了以下的歸納，如表2所示：

表2 作者相關(guān)影響因素及描述

2.3 期刊相關(guān)影響因素

除了與論文與作者相關(guān)方面的影響外，有研究發(fā)現(xiàn)論文的被引頻次的主要決定因素是期刊層面的因素[33]。論文在出版期刊上獲得的平均被引量可以預(yù)測(cè)論文未來的被引量[6]。研究者在發(fā)表論文時(shí)往往會(huì)更傾向于發(fā)表在具有高影響力的刊物上，以提高他們論文的可見性，從而獲得更高的被引量。研究證明，在具有高影響力的期刊上發(fā)表論文能比在低影響力的期刊上發(fā)表的論文更容易獲得高被引[34]。盡管大量研究都證明了期刊的影響力與論文的被引量存在正相關(guān)關(guān)系，但是也有一些研究發(fā)現(xiàn)，期刊影響因子不一定是被引頻次預(yù)測(cè)的影響指標(biāo)[35]。也有研究者使用出版物的總被引量、生產(chǎn)力（刊載論文數(shù)）作為研究的影響因素之一[36]。除此之外，部分研究認(rèn)為期刊的語種對(duì)于論文被引率來說也是有一定的影響的[32]，特別是英語期刊[12]，會(huì)積累更多的被引量。以下是本文對(duì)期刊相關(guān)影響因素的歸納，如表3所示：

表3 期刊相關(guān)影響因素及描述

2.4 其他影響因素

隨著研究的不斷深入，出現(xiàn)了社交網(wǎng)絡(luò)、時(shí)間等因素等新的研究視角。研究者開始分析社會(huì)網(wǎng)絡(luò)活動(dòng)和文獻(xiàn)計(jì)量學(xué)之間的潛在聯(lián)系[37]?？琢岬萚38]在歸納相關(guān)影響因素時(shí)，增加了替代計(jì)量角度的因素，但替代計(jì)量因素針對(duì)的是開放學(xué)術(shù)網(wǎng)絡(luò)平臺(tái)及社交網(wǎng)站進(jìn)行研究，與傳統(tǒng)的學(xué)術(shù)論文網(wǎng)站存在一定的區(qū)別。除了社交網(wǎng)絡(luò)外，學(xué)術(shù)引文網(wǎng)絡(luò)也是一個(gè)很重要的因素。為了衡量作者的社交性，R. Yan等建立了一個(gè)作者協(xié)作網(wǎng)絡(luò)，并用PageRank遞歸地計(jì)算了社交性[39]。由于學(xué)術(shù)論文的引用具有半衰期屬性，所以時(shí)間因素對(duì)于論文的被引頻次預(yù)測(cè)來說也是一個(gè)非常具有研究?jī)r(jià)值的因素。E. Butun和M.Kaya將作者的引文網(wǎng)絡(luò)和時(shí)間因素相結(jié)合，引入一個(gè)時(shí)間鏈路指標(biāo)，考慮作者引文網(wǎng)絡(luò)的演化趨勢(shì)，利用復(fù)雜網(wǎng)絡(luò)中的局部和全局拓?fù)浣Y(jié)構(gòu)，根據(jù)引文網(wǎng)絡(luò)中的鏈路來預(yù)測(cè)鏈接的權(quán)重，這是第一個(gè)使用定向、加權(quán)和時(shí)間引文網(wǎng)絡(luò)來進(jìn)行被引頻次預(yù)測(cè)的研究[40]。

筆者對(duì)其他類因素進(jìn)行了歸納，如表4所示：

表4 其他影響因素及描述

3 單篇論文被引頻次預(yù)測(cè)方法

隨著科學(xué)計(jì)量的發(fā)展，眾多的研究方法被引進(jìn)到被引頻次預(yù)測(cè)研究中。從任務(wù)導(dǎo)向出發(fā)，可以將預(yù)測(cè)問題定義為回歸問題，也可以將預(yù)測(cè)問題定義為分類問題。回歸問題中，主要的研究方法分為以下三類：傳統(tǒng)的回歸分析方法、機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法。而分類問題，則主要是使用機(jī)器學(xué)習(xí)的方法進(jìn)行研究。在引入的多種方法中，每種研究方法都有其特性和適用性。

3.2 定義為回歸問題的預(yù)測(cè)方法

將被引頻次預(yù)測(cè)定義為回歸問題，是指利用一篇論文的相關(guān)特征，預(yù)測(cè)這篇論文在某個(gè)時(shí)間節(jié)點(diǎn)的被引頻次[41]。回歸是目前最常用的一種預(yù)測(cè)方法[42]。本文將從傳統(tǒng)的回歸方法、機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法三個(gè)方面梳理論文的被引頻次預(yù)測(cè)研究現(xiàn)狀。

3.1.1 傳統(tǒng)回歸預(yù)測(cè)

在預(yù)測(cè)回歸問題上，早期研究人員更多地使用傳統(tǒng)的線性回歸方法進(jìn)行擬合研究，C.Lokker等[43]人使用了17個(gè)參考文獻(xiàn)相關(guān)特征和3個(gè)期刊相關(guān)特征來預(yù)測(cè)臨床論文兩年被引頻次，其多元回歸預(yù)測(cè)結(jié)果訓(xùn)練集的決定系數(shù)r2為0.60，測(cè)試集的決定系數(shù)r2為0.56，在進(jìn)行被引頻次預(yù)測(cè)敏感度分析時(shí)，被引頻次排名前半部分和前三分之一的論文特異性為72%和82%，回歸預(yù)測(cè)對(duì)于高被引論文的預(yù)測(cè)效果更好，該結(jié)論并不僅僅在這篇文章中得到體現(xiàn)，G. Abramo等[44]的研究中也有提及，其反映的事實(shí)是絕大多數(shù)論文是低被引的，只有少部分論文是高被引的[36]。T. Yu等[28]采用多元逐步回歸的方法，從論文的外部特征、作者的特征、發(fā)表期刊的特征和被引論文的特征中選擇好的特征變量，建立一個(gè)描述特征與引文影響之間關(guān)系的模型，用于預(yù)測(cè)論文發(fā)表5年后的被引頻次。L. Bornmann等[45]使用了WoS數(shù)據(jù)庫(kù)中1980年發(fā)表的所有論文，涵蓋各個(gè)學(xué)科，總計(jì)約50萬篇學(xué)科文獻(xiàn)，以發(fā)表后的第31年被引頻次作為因變量，進(jìn)行論文的長(zhǎng)期影響預(yù)測(cè)，研究發(fā)現(xiàn)，只有論文發(fā)表后前幾年的被引頻次能顯著提高論文的長(zhǎng)期影響預(yù)測(cè)，同樣的研究結(jié)果也被G. Abramo等發(fā)現(xiàn)。G. Abramo等[44]使用了兩種線性回歸模型，預(yù)測(cè)的平均準(zhǔn)確性對(duì)于兩年以上的引文時(shí)間窗口是良好的，三年的引文時(shí)間窗口足夠預(yù)測(cè)科學(xué)文獻(xiàn)的長(zhǎng)期影響，該模型對(duì)于低被引的科學(xué)文獻(xiàn)預(yù)測(cè)準(zhǔn)確率較低，并且不同學(xué)科的準(zhǔn)確率也不同。程子軒等[46]使用逐步回歸的方法，對(duì)圖書情報(bào)期刊論文發(fā)表后的第七年被引頻次進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)發(fā)現(xiàn)了10個(gè)與學(xué)術(shù)論文被引頻次呈顯著相關(guān)的影響因素。

傳統(tǒng)的回歸分析方法是基于統(tǒng)計(jì)學(xué)進(jìn)行的，這類模型對(duì)于小數(shù)據(jù)量、簡(jiǎn)單的關(guān)系很有效，并且有直觀的理解和解釋，但是對(duì)于數(shù)據(jù)分布的要求十分高，對(duì)于結(jié)構(gòu)復(fù)雜的數(shù)據(jù)其處理精準(zhǔn)度并不是很高。傳統(tǒng)回歸方法預(yù)測(cè)論文被引頻次的部分論文如表5所示：

表5 傳統(tǒng)回歸方法預(yù)測(cè)論文被引頻次的部分論文（回歸問題）

3.1.2 機(jī)器學(xué)習(xí)預(yù)測(cè)

隨著科學(xué)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)開始出現(xiàn)在被引頻次預(yù)測(cè)研究中，R. Yan等[47]利用高被引論文的基本特征，使用了多種機(jī)器學(xué)習(xí)方法進(jìn)行比較，預(yù)測(cè)每種文獻(xiàn)的被引頻次，其最佳預(yù)測(cè)模型CART分類回歸樹在預(yù)測(cè)10年內(nèi)的被引頻次其決定系數(shù)r2平均預(yù)測(cè)性能為0.786，其研究發(fā)現(xiàn)，作者的專業(yè)知識(shí)和期刊的影響力是該研究的顯著影響因素，孤立的內(nèi)容特征無法進(jìn)行被引頻次預(yù)測(cè)。T. Chakraborty等[6]則認(rèn)為，大多數(shù)的回歸方法存在一個(gè)潛藏的假設(shè)，即所有發(fā)表論文的引文模式都具有相似的特征，該假設(shè)在一定程度上影響了預(yù)測(cè)的準(zhǔn)確性，為此，他提出使用分層學(xué)習(xí)的方法，將論文分為了6種引文模式，分別對(duì)不同模式的論文使用支持向量機(jī)模型進(jìn)行回歸模擬，其研究證明，分層學(xué)習(xí)是有效的，但該方法僅對(duì)于平均每年被引頻次大于1的論文有效。J. Chen和C. Zhang基于6種內(nèi)容特征和10項(xiàng)作者特征，引入IBM模型提取內(nèi)容特征計(jì)算論文主題之間的關(guān)聯(lián)概率，并使用二部網(wǎng)絡(luò)投影得到作者協(xié)作網(wǎng)絡(luò)，使用梯度增強(qiáng)回歸樹(GBRT)來預(yù)測(cè)論文的引文計(jì)數(shù)，實(shí)驗(yàn)結(jié)果表明，GBRT的“內(nèi)容特征”組在KDDCUP數(shù)據(jù)集上的性能最高[48]。然而，在X. Zhu和Z. Ban[36]的研究中，其使用ArnetMiner數(shù)據(jù)集，引入學(xué)術(shù)網(wǎng)絡(luò)特征進(jìn)行研究，發(fā)現(xiàn)作者的特征更重要，支持向量機(jī)SVM的r2最高，達(dá)到88.87%。機(jī)器學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文見表6。

表6 機(jī)器學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文（回歸問題）

3.1.3 深度學(xué)習(xí)預(yù)測(cè)

最近幾年，神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法開始被應(yīng)用于被引頻次預(yù)測(cè)。深度學(xué)習(xí)模型是一種特殊的機(jī)器學(xué)習(xí)，它允許模型通過多個(gè)處理層學(xué)習(xí)具有多個(gè)抽象層次的數(shù)據(jù)[49]。在深度學(xué)習(xí)中，RNN、LSTM、GRU等時(shí)間序列神經(jīng)網(wǎng)絡(luò)可以預(yù)測(cè)未來一段時(shí)間的序列值，BP神經(jīng)網(wǎng)絡(luò)和CNN對(duì)于特征值處理更加有效。

A. Abrishami等[50]利用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)論文的引文序列從而預(yù)測(cè)未來引文序列，但是在進(jìn)行預(yù)測(cè)過程中，僅僅使用了論文發(fā)表后早期引文特征，并未將其他信息源如作者的功能、論文的內(nèi)容等作為數(shù)據(jù)進(jìn)行輸入。LSTM模型是RNN模型的變種，S. Yuan等[51]結(jié)合了論文的內(nèi)在質(zhì)量、老化效應(yīng)、馬太效應(yīng)和近期效應(yīng)4種現(xiàn)象，提出了基于RNN和LSTM的論文被引頻次預(yù)測(cè)模型，但也僅是使用時(shí)間序列進(jìn)行預(yù)測(cè)，未使用作者、期刊、論文等相關(guān)特征。與前文多提到的研究相比，J. Wen等[52]則提取了用于預(yù)測(cè)論文被引頻次的特征，然后將這些特征輸入到GRU神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)。將預(yù)測(cè)結(jié)果與其他回歸模型進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，該模型預(yù)測(cè)精度高，收斂速度快。引文計(jì)數(shù)的時(shí)間序列預(yù)測(cè)優(yōu)于現(xiàn)有的方法。

區(qū)別于時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法，X. Ruan等[42]使用四層反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)論文未來某個(gè)時(shí)間段總被引頻次，其研究結(jié)果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的性能明顯優(yōu)于6個(gè)基線模型（XGBoost、RF、LR、SVR、KNN、RNN）。在預(yù)測(cè)效果方面，低被引論文的準(zhǔn)確率高于高被引論文。J. Xu等[53]則提出了一種以數(shù)據(jù)為中心的方法，結(jié)合許多文獻(xiàn)特征，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來預(yù)測(cè)長(zhǎng)期的科學(xué)影響。

與依賴于統(tǒng)計(jì)學(xué)的線性回歸模型不同，深度學(xué)習(xí)方法對(duì)實(shí)驗(yàn)數(shù)據(jù)的分布沒有嚴(yán)格的要求。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果通常是具有魯棒性的。此外，淺層機(jī)器學(xué)習(xí)模型的性能取決于特征工程的質(zhì)量，特征工程質(zhì)量越好，模型的學(xué)習(xí)效率往往會(huì)越高。然而，特征工程的構(gòu)建、選擇和提取并非易事。相比之下，深度神經(jīng)網(wǎng)絡(luò)在其特征學(xué)習(xí)方面具有優(yōu)勢(shì)——自動(dòng)特征工程[49]，即它可以通過多層次和非線性變換，將初始的“底部”特征表示自動(dòng)轉(zhuǎn)換為“高級(jí)特征”[42]。深度學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文如表7所示。

表7 深度學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文（回歸問題）

3.1.4 小結(jié)

上述提及的預(yù)測(cè)研究大部分都有對(duì)論文進(jìn)行篩選處理，即刪除低被引論文后，再進(jìn)行預(yù)測(cè)。其原因是低被引論文在回歸預(yù)測(cè)上的效果并不明顯，回歸預(yù)測(cè)在很多情況下僅適合預(yù)測(cè)高被引論文，然而，一篇新出版的論文，我們并不知道其是否屬于高被引論文，因此預(yù)測(cè)效果與實(shí)際應(yīng)用會(huì)產(chǎn)生較大的差別。Y. DONG等[54]認(rèn)為被引頻次預(yù)測(cè)具有長(zhǎng)尾效應(yīng)，不適合采用回歸方式進(jìn)行預(yù)測(cè)，即預(yù)測(cè)的有效性從根本上受到被引頻次的冪律分布的限制，低被引論文普遍存在，而高被引論文則相對(duì)罕見。由于絕大多數(shù)文獻(xiàn)積累的被引頻次很少，傳統(tǒng)的回歸分析將很難度量論文的被引頻次。為了解決這種困難，通過提取高被引論文的特征，并將這些特征映射到論文的被引頻次上，可以一定程度上提高被引頻次的預(yù)測(cè)效率，但是由于低被引論文的數(shù)量太多，導(dǎo)致高被引論文的特征并不非常明顯，這將會(huì)使得實(shí)際應(yīng)用數(shù)據(jù)集的預(yù)測(cè)效果大大降低。

3.2 定義為分類問題的預(yù)測(cè)方法

被引頻次預(yù)測(cè)問題從回歸轉(zhuǎn)化為分類問題，盡管預(yù)測(cè)粒度變粗，但是預(yù)測(cè)結(jié)果更加符合引文數(shù)據(jù)分布規(guī)律，使得模型更加具有泛化性[41]。相比于回歸問題的預(yù)測(cè)方法，將預(yù)測(cè)任務(wù)視為分類問題的研究方法則比較單一，主要是使用各種機(jī)器學(xué)習(xí)的方法進(jìn)行分類預(yù)測(cè)。由于分類任務(wù)是有監(jiān)督的學(xué)習(xí)，因此這類研究方法需要設(shè)定一個(gè)分類閾值，用以確定每篇文獻(xiàn)的標(biāo)簽。常用來進(jìn)行論文被引頻次預(yù)測(cè)的分類方法有支持向量機(jī)（SVM）、貝葉斯網(wǎng)絡(luò)（NB）、K最近鄰(KNN)、邏輯回歸（LRC）、決策樹、梯度提升決策樹（GBRT）、袋裝法（BAG）、隨機(jī)森林（RF）、XGBoost、AdaBoost算法等。

A. Ibanez等[55]將論文分為三類——很少被引（被引頻次小于等于1）、一些被引（被引頻次2-4）和許多被引（被引頻次超過4），采用機(jī)器學(xué)習(xí)方法，如樸素貝葉斯、邏輯回歸、決策樹和k最近鄰(KNN)，來預(yù)測(cè)從第一年到第四年的被引頻次，結(jié)果表明，邏輯回歸算法和樸素貝葉斯算法的準(zhǔn)確率最高。L. Fu和C.Aliferis[4]使用支持向量機(jī)(SVM) 在生物醫(yī)學(xué)領(lǐng)域預(yù)測(cè)一篇論文發(fā)表10年后被引量是否高于某個(gè)閾值（20、50、100、500），模型的預(yù)測(cè)AUC（Area Under Curve，線下曲線面積）為0.857-0.918。M. Wang等[56]將天文學(xué)和天體物理學(xué)領(lǐng)域的219篇論文分為高、中、低三組，使用了一個(gè)由5個(gè)決策樹分類器組成的多分類器系統(tǒng)來進(jìn)行預(yù)測(cè)，并獲得了較高的分類能力，其研究表明，論文的內(nèi)部質(zhì)量和外部特征（主要表現(xiàn)為作者和期刊的聲譽(yù)），有助于提高論文的被引頻次預(yù)測(cè)。Y. Dong等[54]的研究發(fā)現(xiàn)，作者出版文獻(xiàn)的主題和刊載期刊決定一篇論文是否將貢獻(xiàn)其主要作者的h指數(shù)，發(fā)表文獻(xiàn)的主題受歡迎程度和合著者的影響與預(yù)測(cè)目標(biāo)無關(guān)，在預(yù)測(cè)一篇論文是否會(huì)在5年內(nèi)對(duì)其主要作者的h指數(shù)有貢獻(xiàn)時(shí)，其最佳模型具有87.5%以上的準(zhǔn)確度。耿騫等[41]通過大量實(shí)驗(yàn)分析發(fā)現(xiàn) GBDT、XGBoost和隨機(jī)森林的預(yù)測(cè)能力較強(qiáng)，且預(yù)測(cè)的時(shí)間段越長(zhǎng)，效果也就相對(duì)越好。

機(jī)器學(xué)習(xí)的方法在識(shí)別高影響力或高被引論文上具有較高的準(zhǔn)確度。但是，分類模型的分類標(biāo)準(zhǔn)并沒有進(jìn)行統(tǒng)一的界定，往往是研究人員根據(jù)所使用的論文數(shù)據(jù)集進(jìn)行自定義界定，甚至同一研究人員在不同研究時(shí)期的分類標(biāo)準(zhǔn)都不一樣，顯示出分類方法具有粗粒度的缺點(diǎn)，該缺點(diǎn)限制了論文研究成果的普及應(yīng)用[42]；其次，分類結(jié)果是某一段時(shí)間內(nèi)的被引總量，是論文被引量的簡(jiǎn)化處理[42]，因此無法判斷論文隨時(shí)間變化而產(chǎn)生的被引趨勢(shì)變化。

機(jī)器學(xué)習(xí)可以處理兩類預(yù)測(cè)問題，即回歸問題和分類問題。在眾多的研究中，集成的機(jī)器學(xué)習(xí)方法和支持向量機(jī)都有比較好的預(yù)測(cè)效果。相比于預(yù)測(cè)回歸值，機(jī)器學(xué)習(xí)在分類回歸上有更好的表現(xiàn)。盡管分類預(yù)測(cè)粒度較粗，但是更能符合實(shí)際的應(yīng)用數(shù)據(jù)，可以減少低被引數(shù)據(jù)在分類過程中的影響。機(jī)器學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文如表8所示：

表8 機(jī)器學(xué)習(xí)方法預(yù)測(cè)論文被引頻次的部分論文（分類問題）

4 被引頻次預(yù)測(cè)研究中存在的一些共性問題分析

綜合來看，不論是將預(yù)測(cè)研究定義為回歸問題還是分類問題，在研究過程中都存在著一些共性的問題，本文將會(huì)對(duì)這些存在的問題進(jìn)行分析。

4.1 影響因素與預(yù)測(cè)結(jié)果之間因果關(guān)系不明確

影響因素與被引頻次之間更多的是相關(guān)性研究，兩者之間是相關(guān)的并不意味著在預(yù)測(cè)模型中有較好的效果。由于被引頻次相關(guān)的影響因素眾多，關(guān)于被引頻次預(yù)測(cè)的影響因素研究已有較多的成果，各方面的影響因素均有涉及與研究，總體來說主要是論文/內(nèi)容相關(guān)的影響因素、作者相關(guān)的影響因素、期刊相關(guān)的影響因素，還有一些其他影響因素，包括但不限于時(shí)間因素、替代計(jì)量因素、網(wǎng)絡(luò)特征因素等。但是不同的數(shù)據(jù)集中，不同的影響因素可能會(huì)產(chǎn)生不同的效果，如KDDCUP數(shù)據(jù)集中，J.Chen和C. Zhang研究發(fā)現(xiàn)內(nèi)容特征更重要[48]，而在ArnetMiner數(shù)據(jù)集中，X. Zhu和Z. Ban發(fā)現(xiàn)作者特征更加重要[36]。

4.2 研究樣本數(shù)據(jù)缺乏多樣性

被引頻次預(yù)測(cè)研究的樣本數(shù)據(jù)相對(duì)單一，使用的數(shù)據(jù)集大多是關(guān)于理工科和醫(yī)學(xué)類科學(xué)文獻(xiàn)。盡管有些研究中，有進(jìn)行學(xué)科之間的對(duì)比，但是學(xué)科領(lǐng)域并未跳脫自然科學(xué)和人文科學(xué)之間的界限，因此研究缺乏全面性。ArnetMiner學(xué)術(shù)數(shù)據(jù)集和AMiner數(shù)據(jù)集是使用較多的關(guān)于計(jì)算機(jī)領(lǐng)域的科學(xué)文獻(xiàn)公開數(shù)據(jù)集，此外生物醫(yī)學(xué)類的數(shù)據(jù)集也比較多，人文社科類數(shù)據(jù)集非常少，并且使用的數(shù)據(jù)集大多數(shù)來源于外文數(shù)據(jù)庫(kù)。這種現(xiàn)象值得我們思考，已有的研究發(fā)現(xiàn)，不同領(lǐng)域的研究數(shù)據(jù)集之間差異比較大，因此，將這些被引頻次預(yù)測(cè)的研究方法遷移到國(guó)內(nèi)數(shù)據(jù)集或人文社會(huì)數(shù)據(jù)集是否依然適用有待驗(yàn)證。

4.3 未明確研究結(jié)果的適用性與預(yù)測(cè)周期的關(guān)系

預(yù)測(cè)未來長(zhǎng)期影響最終目的還是落實(shí)到應(yīng)用中，但是大多數(shù)論文并未對(duì)多長(zhǎng)的周期是適用的進(jìn)行闡述。在以上眾多研究中，預(yù)測(cè)的周期長(zhǎng)短不一。它們的研究目的是預(yù)測(cè)論文的短期或長(zhǎng)期影響，以未來一定時(shí)間段的被引頻次來衡量，該時(shí)間段在不同的研究中設(shè)定不一，如1年、5年、10年甚至31年的長(zhǎng)度等。不同研究者使用的數(shù)據(jù)不同，造成研究的周期不同，但在多數(shù)研究論文中，并未闡述論文所研究的周期有何依據(jù)。只有少數(shù)論文對(duì)整體數(shù)據(jù)進(jìn)行了研究，再劃分出有效的引文時(shí)間窗口。引文時(shí)間窗口又引申了一個(gè)實(shí)用性問題，過長(zhǎng)的引文時(shí)間窗口會(huì)出現(xiàn)信息的滯后性，導(dǎo)致預(yù)測(cè)結(jié)果無效，過短的引文時(shí)間窗口可能會(huì)造成模型準(zhǔn)確度下降。

4.4 模型評(píng)估可解釋性較弱

被引頻次預(yù)測(cè)需要一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)來對(duì)模型的好壞進(jìn)行評(píng)估，常用的評(píng)估方法有決定系數(shù)r2、均方誤差MSE、平均絕對(duì)誤差MAE、準(zhǔn)確率ACC等，但是在許多研究中，僅給出了評(píng)估方法的值大小以判斷模型的好壞，對(duì)值大小并未進(jìn)行詳細(xì)的解釋，這是這類研究的通病。事實(shí)上，模型評(píng)估方法的值大小是基于實(shí)際值和預(yù)測(cè)值進(jìn)行計(jì)算的，如MAE是平均絕對(duì)誤差，在進(jìn)行值大小判斷時(shí)，應(yīng)該與真實(shí)值的大小進(jìn)行比較，看誤差值在真實(shí)值多大范圍內(nèi)，而不僅僅是比較不同方法產(chǎn)生的誤差值大小。

5 提高被引預(yù)測(cè)研究質(zhì)量的建議

針對(duì)第4部分提出的被引預(yù)測(cè)研究中存在的共性問題，本文提出了一些建議，希望能夠給相關(guān)研究人員提供一些參考，以提高研究的質(zhì)量。

5.1 改進(jìn)影響因素提取方法，增強(qiáng)影響作用的針對(duì)性

上述綜述已經(jīng)從各個(gè)方面綜合闡述了影響論文的因子，這些影響因子最終都有可能成為建立模型的特征之一。但是如何使這些特征因子更能表達(dá)出模型所需要的信息，我們需要從微觀的具體操作方法的角度進(jìn)行創(chuàng)新和應(yīng)用。

在提取高級(jí)語義特征學(xué)習(xí)引文時(shí)間序列的研究中[57]，其研究的核心是從元數(shù)據(jù)文本中獲取語義信息，使用Doc2Vec算法對(duì)元數(shù)據(jù)文本中的句子進(jìn)行編碼，然后進(jìn)一步通過Bi-LSTM和注意機(jī)制從句子嵌入中提取高級(jí)（段落級(jí)）語義特征，最后通過整合早期的引文來學(xué)習(xí)引文預(yù)測(cè)任務(wù)。該研究證明元數(shù)據(jù)語義特征對(duì)提高被引預(yù)測(cè)性能是有用的，為引文預(yù)測(cè)提供了一種很有前途的方法。

與主題相關(guān)的特征研究也是基于文本內(nèi)容（標(biāo)題、摘要等文本內(nèi)容）進(jìn)行挖掘的，但該研究與之不同的地方在于特征挖掘的粒度不同。主題特征描述的是整篇文檔的特征，常用的提取方法是LDA及其改進(jìn)模型，所形成的是在語料庫(kù)中通過參數(shù)調(diào)整得到的數(shù)量一定的主題，粒度相對(duì)較粗，少部分論文不一定能找到相對(duì)合適的主題。而元數(shù)據(jù)語義特征在Doc2Vec算法的基礎(chǔ)上，進(jìn)一步使用Bi-LSTM和注意機(jī)制進(jìn)行語義挖掘，其粒度相對(duì)較細(xì)，使每一篇論文都能找到其特定的語義特征。

5.2 擴(kuò)大研究樣本，預(yù)測(cè)限定模型的適用性

在被引頻次預(yù)測(cè)研究中，大多數(shù)研究通常使用單一數(shù)據(jù)集，因此研究得出的結(jié)果并不都適用于其他數(shù)據(jù)集。已有研究也表明，不同研究領(lǐng)域的數(shù)據(jù)集之間被引頻次預(yù)測(cè)差異較大，因此為了使研究結(jié)果更具有普遍性和泛化性，應(yīng)該使用更加全面的數(shù)據(jù)集，對(duì)差異較大的領(lǐng)域進(jìn)行比較研究，分析影響不同預(yù)測(cè)結(jié)果的原因，使得研究更加嚴(yán)謹(jǐn)、全面。

在G. Abramo等[44]的研究中，使用123128篇WoS網(wǎng)站中的意大利出版文獻(xiàn)進(jìn)行研究，發(fā)現(xiàn)不同學(xué)科對(duì)預(yù)測(cè)模型的適用性不同。該研究對(duì)所有的文獻(xiàn)進(jìn)行研究主題分類，共分為“生物學(xué)”“生物醫(yī)學(xué)”“化學(xué)”“臨床醫(yī)學(xué)”“地球與空間科學(xué)”“經(jīng)濟(jì)學(xué)”“工程學(xué)”“法律、政治和社會(huì)學(xué)”“數(shù)學(xué)”“交叉科學(xué)”“物理學(xué)”“心理學(xué)”12個(gè)主題學(xué)科。其研究結(jié)果顯示，“經(jīng)濟(jì)學(xué)”在兩個(gè)預(yù)測(cè)模型中，早期引用具有最大的權(quán)重值，而“心理學(xué)”則相反；生命科學(xué)領(lǐng)域（“生物醫(yī)學(xué)研究”“化學(xué)”“生物學(xué)”“臨床醫(yī)學(xué)”）的平均早期引用權(quán)重系數(shù)各不相同；“法律、政治和社會(huì)學(xué)”“工程學(xué)”和“交叉科學(xué)”都反映了明顯的早期影響。

5.3 明確解決問題的前提，提出創(chuàng)新的預(yù)測(cè)路徑

有時(shí)在解決實(shí)際問題的過程中，現(xiàn)實(shí)問題過于復(fù)雜，為了使復(fù)雜問題簡(jiǎn)單化，研究者會(huì)附加一定的前提條件，并在此前提條件下解決部分的問題。當(dāng)去掉這個(gè)前提條件后，會(huì)出現(xiàn)什么樣的問題，所研究的方法在實(shí)際操作中是否還能復(fù)現(xiàn)，值得我們思考和研究。

在使用動(dòng)態(tài)異構(gòu)信息網(wǎng)絡(luò)對(duì)新出版論文進(jìn)行引文時(shí)間序列預(yù)測(cè)的研究中[58]，研究者認(rèn)為以往的引文預(yù)測(cè)依賴論文發(fā)表后的頭幾年觀察到的引文（即領(lǐng)先的引文價(jià)值），即通過頭幾年的被引量來預(yù)測(cè)長(zhǎng)期的被引頻次。然而現(xiàn)實(shí)情況是，許多論文在發(fā)表后的頭幾年其引用影響已經(jīng)達(dá)到峰值，因此這些論文并未能體現(xiàn)出它的領(lǐng)先價(jià)值。在出版物更新頻率非?？斓念I(lǐng)域（諸如機(jī)器學(xué)習(xí)）領(lǐng)域，等待3-5年才能預(yù)測(cè)影響是不現(xiàn)實(shí)的?；诖藛栴}，該研究提出了一個(gè)挑戰(zhàn)：為沒有任何領(lǐng)先價(jià)值的新發(fā)表論文生成引文時(shí)間序列，解決時(shí)間序列任務(wù)中的“冷啟動(dòng)”問題。因此，他們提出了端到端的框架，即異構(gòu)信息網(wǎng)絡(luò)到時(shí)間序列，以此來預(yù)測(cè)單篇論文的被引頻次。

該研究的核心思想是一種轉(zhuǎn)化思想：通過學(xué)習(xí)由關(guān)鍵詞、作者、出版地點(diǎn)和論文所構(gòu)成的異構(gòu)網(wǎng)絡(luò)，估算出一個(gè)偽前導(dǎo)值，并將其映射為論文未來的引用時(shí)間序列，即將異構(gòu)網(wǎng)絡(luò)信息轉(zhuǎn)換成時(shí)間序列信息，實(shí)現(xiàn)時(shí)間序列的預(yù)測(cè)。

5.4 運(yùn)用數(shù)學(xué)建模思維提高模型的可解釋性

由于前面所總結(jié)的基于經(jīng)驗(yàn)主義的調(diào)參式機(jī)器學(xué)習(xí)、深度學(xué)習(xí)建模方法缺少數(shù)學(xué)工具去診斷和測(cè)評(píng)神經(jīng)網(wǎng)絡(luò)特征表達(dá)能力，缺乏可解釋性，因此在這個(gè)建模過程中，可以根據(jù)自己研究的需求尋找合適的建模方法。數(shù)學(xué)建模思維是在現(xiàn)實(shí)情境中從數(shù)學(xué)視角出發(fā)，分析問題、提出問題、建立模型、確定參數(shù)、求解模型、并最終解決實(shí)際問題的一種思維方法。以下的建模方法充分地體現(xiàn)了建模過程的數(shù)學(xué)思維，并使用了數(shù)學(xué)工具對(duì)模型進(jìn)行量化解釋，充分地展示了模型的可解釋性。

在論文的引文動(dòng)力學(xué)機(jī)制研究中，M. Wang等[56]從“論文引文模式能否預(yù)測(cè)長(zhǎng)期影響”問題出發(fā)，首先確定了驅(qū)動(dòng)論文被引用的三個(gè)基本機(jī)制：高被引論文比低被引論文更有可能被再次引用；論文具有老化效應(yīng)，每篇論文的新穎性最終都會(huì)消失；論文存在內(nèi)在差異。結(jié)合這三個(gè)因素，推導(dǎo)出論文被引用的概率模型：其中η解釋了論文的內(nèi)在差異，i因?yàn)檎撐牡膬?nèi)在差異如新穎性、重要性等取決于多種無形和主觀的維度，該研究忽略了評(píng)估一篇論文內(nèi)在價(jià)值的必要性，并將合適的ηi視為一篇論文在研究總樣本中內(nèi)在差異的綜合衡量標(biāo)準(zhǔn)；是論文i在發(fā)表后t時(shí)獲得的引用；是論文i在發(fā)表后t時(shí)的衰減率。論文累計(jì)總被引頻次可通過微積分的方式求解出。

該研究的創(chuàng)新點(diǎn)在于將引用預(yù)測(cè)視為一種連續(xù)型概率問題，通過推導(dǎo)概率密度函數(shù)，求得概率分布，以此求出論文的未來引用。相比于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等數(shù)學(xué)建模方法，在模型準(zhǔn)確度大致相同的情形下，該種建模方式可解釋性更強(qiáng)。

6 總結(jié)與展望

綜上所述，在大數(shù)據(jù)、人工智能的時(shí)代下，引用預(yù)測(cè)研究?jī)?nèi)容不斷更新，產(chǎn)生了新的影響因素指標(biāo)和預(yù)測(cè)方法。本文從“影響因素”到“研究對(duì)象”“研究方法”進(jìn)行了系統(tǒng)梳理，并在前人的研究中，總結(jié)了目前引用預(yù)測(cè)研究存在的問題，并提出了相應(yīng)的建議。

未來應(yīng)該深入理論研究，加強(qiáng)影響因素指標(biāo)和研究方法的合理運(yùn)用，找到合理的研究周期，建立統(tǒng)一的評(píng)價(jià)系統(tǒng)，完善研究的理論基礎(chǔ)，并且在完善的理論研究基礎(chǔ)上，著力于解決實(shí)際問題，充分運(yùn)用宏觀的數(shù)學(xué)建模思維，落實(shí)微觀的具體操作方法，運(yùn)用轉(zhuǎn)化的思想，將復(fù)雜的實(shí)際問題轉(zhuǎn)化為多個(gè)簡(jiǎn)單的問題，并逐一進(jìn)行解決，使得模型能在實(shí)際問題中得到充分的應(yīng)用。