基于PageRank的合著论文中作者贡献分配算法

随着科研合作越来越普遍,对合著者的贡献如何合理分配提出了挑战。该文提出了一种基于PageRank的论文合著者贡献分配算法(ACA_PR算法),采用PageRank值和总引用量的加权值度量文章的价值,构建合作者科研记录和科研成果被引情况的共引网络,对论文合著者的贡献进行分配。以美国物理学会APS数据集进行实证研究,通过在诺贝尔物理学奖得主发表的合著论文中识别诺贝尔奖得主验证算法的准确性。实验结果表明,在31篇诺贝尔奖提名论文中,ACA_PR算法的准确率为80.64%。工作在人员聘用、奖励、晋升等方面对评价科研工作者的影响力有着十分重要的作用。     

基于相对熵的多属性作者学术影响力排名研究

基于欧氏距离的多属性排序方法（TOPSIS-ED）可以综合考虑科研人员的不同属性并对其影响力进行评价,然而该方法无法对其中垂线上的点进行排序。考虑作者的发表文章数、总引用量、平均被引用量、I10指数、H指数等5种指标,该文提出了一种基于相对熵的多属性排序方法（TOPSIS-RE）。该方法通过计算作者的上述5种指标值与正理想解和负理想解的相对熵,根据其接近正理想解和远离负理想解的程度对作者进行排名。该文以美国物理学会APS数据集作为训练集,将获得诺贝尔奖的文章的作者作为测试数据集,用AUC值说明算法的准确性。实验结果表明,TOPSIS-RE方法算得的AUC值为0.932 1,比总引用量指标提高了2.047%,并且比TOPSIS-ED方法提高了0.833%。该文的工作为从多属性角度刻画科学家影响力提供了借鉴。