Stochastic modeling of citation slips
我们目前的经验数据的频率和模式的引用12个高知名度的论文中的印刷错误。我们发现，分布的印刷错误，其重复的频率排名，遵循齐普夫定律。我们提出了一个引用过程的随机模型，解释了这些发现，并得出结论，70-90%的科学引文是从其他论文中使用的参考文献列表中复制。
2004-11-28 cond-mat.dis-nn physics.soc-ph
Community-centric modeling of citation dynamics explains collective citation patterns in science, law, and patents
针对现有引用动力学研究局限于科学领域且难以解释延迟识别现象的问题，本文提出一种整体模型，通过捕捉三个核心机制，成功重现了科学、法律和专利中共享的集体引用模式，并提升了预测未来成功的能力。
2025-01-28 cs.SI physics.soc-ph
Modeling and Predicting Citation Count via Recurrent Neural Network with Long Short-Term Memory
科学研究的快速发展每年都创造了大量的出版物。在众多科学影响力的量化指标中，引用计数因其在研究界的频繁使用而脱颖而出。虽然同行评审过程是预测论文未来影响力的主要可靠方法，但在大数据时代，基于引文记录预测持久影响力的能力在科学影响力分析中越来越重要。论文主要研究期刊被引量的长期预测问题，这是一个新兴的、具有挑战性的应用研究课题。基于以往长期科学影响力量化研究中独立证实的四个关键现象，包括出版物的内在质量、老化效应、马太效应和近因效应，本文统一了所有这些观察结果的表述。在此基础上，提出了一个基于长短期记忆单元的循环神经网络的论文长期被引量预测模型。在一个真实的大规模引文数据集上的实验表明，该模型始终优于现有的方法，并取得了显着的性能改善。
2022-04-21 cs.DL physics.soc-ph
Citation Statistics From More Than a Century of Physical Review
我们研究了1893年至2003年110年期间所有《物理评论》期刊的引文统计数据。除了表征引文分布和识别具有最高引文影响力的出版物外，我们还研究了引文如何随时间演变。论文被引次数与被引平均年龄呈正相关。来自出版物的引用具有指数衰减的年龄分布;也就是说，旧论文往往不会被引用。相反，对出版物的引用符合幂律年龄分布，在2 - 20年的时间范围内指数接近-1。我们还确定了一些强相关的引用突发和其他戏剧性的特点，在引用的时间历史，以个别出版物。
2004-10-06 cond-mat.stat-mech physics.hist-ph physics.soc-ph
Modeling the time-periodicity of in-degree distributions in scientific citation networks
在一系列引文网络中，入度分布具有时间周期性--每年发表的每篇文章的引文分布呈现出类似的无标度尾部。这一现象可以看作是热点话题的出现和“突发”现象存在的结果。在此基础上，建立了一个节点影响区大小随年龄增长而减小的几何模型，模型中节点影响区大小服从幂律分布。该模型成功地再现了经验数据的入度分布的时间周期性，并解释了引文突发的存在。此外，文章之间的引用行为作为一个“是/否”的实验，提出了一个合理的解释的无标度的尾巴的出现。该模型还可以预测局部聚类系数的时间周期性，这表明该模型是一个很好的工具，研究引文网络的演化机制。
2016-10-11 physics.soc-ph
A Fitness Model for Scholarly Impact Analysis
我们提出了一个模型来分析引文增长和适应性（竞争力）因素的影响，在不断发展的引文网络。应用所提出的方法来建模引用InfoVis 2004年的数据，一个基准收集约31年的历史信息可视化的论文和学者，导致结果一致的引用分布一般和观察领域特别是。基于先前影响和时间因素的适合度变量对引文结果有显著影响。我们发现相当大的影响大小，从健身建模，这表明不可避免的偏见，由于这些因素在引文分析。虽然原始引用分数对InfoVis的增长几乎没有什么洞察力，但通过时间和先前适应度的影响对分数进行归一化，可以合理地描述该领域的发展。分析表明，所提出的模型的能力，以产生与观察到的数据一致的结果，并支持有意义的比较引文分数随着时间的推移。
2012-05-02 cs.DL cs.SI physics.soc-ph
Modeling nonuniversal citation distributions: the role of scientific journals
一篇科学论文是否被引用不仅与作者的影响力有关，还与发表它的期刊有关。科学家，无论是熟练的还是稚嫩的，通常都会将他们最重要的工作提交给知名期刊，这些期刊的引用率高于普通期刊。如何模拟科技期刊在引文动态中的作用具有重要意义。在本文中，我们通过两个折叠来解决这个问题。一是论文内在的异质性，它取决于发表论文的期刊的影响因子;二是论文被引的机制，它取决于论文的被引次数和声誉。我们通过一个内在的节点权重函数和一个直观的老化机制开发了一个引文网络模型。节点的权重是根据期刊影响因子的分布来确定的，老化度是被引期刊和声誉期刊的函数。由此产生的网络的节点度分布显示出非普适的标度：该分布在小度时呈指数衰减，在大度时具有幂律尾部，因此具有对偶行为。期刊的影响因子越高，得到的临界点越大，幂指数越小。随着期刊等级的提高，这种现象将逐渐消失，并向纯幂律演化。
2014-05-09 cond-mat.stat-mech cs.DL physics.soc-ph
The Time Dimension of Science: Connecting the Past to the Future
科学学的一个核心问题是时间如何影响引文。尽管存在着长期的利益和广泛的影响，但我们对这个简单而根本的问题缺乏系统的答案。通过对过去50年的研究进行回顾和分类，我们发现文献中缺乏共识，主要是由于采用回顾性和前瞻性方法来测量引文年龄分布。这两种方法是并行的，两者之间缺乏任何已知的联系。在这里，我们开发了一个新的理论框架，不仅使我们能够通过精确的数学关系将这两种方法联系起来，它还帮助我们调和引文的时间衰减和科学的增长之间的相互作用，帮助我们发现表征引文年龄分布的新函数形式。我们发现回顾性分布遵循对数正态分布与指数截止，而前瞻性分布是由对数正态分布和参考文献数量的增长之间的相互作用。最有趣的是，一旦通过出版物和引用的增长重新调整规模，这两种方法就可以联系起来。我们进一步验证我们的框架，使用大规模的引文数据集和分析模型捕捉引文动态。本文对科学的时间维度进行了全面的分析，为这一领域未来的研究提供了新的经验和理论基础。
2017-04-18 cs.DL cs.SI physics.soc-ph
Modeling Dynamic Heterogeneous Graph and Node Importance for Future Citation Prediction
Beihang University（北京航空航天大学）
本文提出DGNI框架，结合动态异构图嵌入与节点重要性嵌入，通过动态演化趋势和全局一致性关系联合预测论文未来引用，在两个大规模数据集上显著优于SOTA模型。
2023-05-27 cs.DL cs.LG physics.soc-ph
Modeling innovation by a kinetic description of the patent citation system
本文报告了美国专利制度研究的网络理论方法的结果。我们将专利引用网络建模为一个离散时间、离散空间的随机动态系统。从超过200万项专利及其引用的数据中，我们提取了一个吸引力函数$A(k,l)$，它决定了专利被引用的可能性。$A(k,l)$可近似地分为函数$A_k(k)$和函数$A_l(l)$的乘积，其中$k$是已经收到的引用数（以度为单位），$l$是以专利号为单位测量的年龄。$A_l(l)$在低$l$时显示出峰值和长幂律尾部，表明某些专利技术具有非常长期的影响。$A_k(k)$表现出超线性优先连接。自1991年以来，优先附着指数一直在上升，这表明专利引用越来越集中在相对较少的专利上。同一时期，一项新专利被某一专利引用的总体平均概率略有增加。我们讨论了我们的研究结果对专利政策的一些可能的影响。
2005-08-18 physics.soc-ph
Prediction of Emerging Technologies Based on Analysis of the U.S. Patent Citation Network
由引用连接的专利网络是一个不断发展的图，它提供了创新过程的表示。一项专利引用另一项专利意味着被引用的专利反映了被引用专利所建立的一项先前存在的知识。这里提出的方法（i）确定专利的实际集群：即技术分支，（ii）预测集群结构的时间变化。被称为引用向量的预测器被定义用于表征技术发展，以显示被其他专利引用的专利如何属于各个工业领域。所采用的聚类技术能够发现新出现的重组，并预测新出现的新技术集群。我们的新方法的预测能力，说明了美国专利商标局子类别11，农业，食品，纺织品的例子。一个集群的专利被确定的基础上的引用数据到1991年，这表明在1997年初形成的类442的显着重叠。这些新的预测分析工具可以支持科学和技术领域的政策决策过程，并帮助制定行动建议。
2013-04-04 cs.SI physics.soc-ph
Topic Modeling in Density Functional Theory on Citations of Condensed Matter Electronic Structure Packages
随着越来越多的新科学论文被发布，研究人员越来越难以了解他们研究领域的最新文章。准确地对论文进行分类是个性化餐饮和轻松访问感兴趣的研究方向的第一步。特别是密度泛函理论（DFT）领域是一个很好的例子，它是一种用于非常不同的研究和相互关联的学科的方法，它有一个非常强大的社区发表了许多研究文章。我们设计了一种新的无监督的方法来分类出版物，基于主题建模，并使用DFT相关的文档选择作为用例。我们首先通过对出版物的摘要进行词分析和聚类来创建主题，然后根据词的相似性将每个出版物/论文归属于一个主题。然后，我们通过分析主题与出版商，期刊，国家或出版年份之间的联系进行了有趣的观察。所提出的方法是通用的，并可以应用于分析在其他领域的研究，超出了密度泛函理论领域的出版和引用趋势。
2023-02-16 cond-mat.other cs.DL cs.IR
Modeling a Century of Citation Distributions
100年来引文分布的变化可以揭示科学社区或学科的演变。相对于大量出版物，未被引用论文或高被引用论文的普遍存在为科学研究的动态提供了重要线索。本文利用1900-2006年期间Web of Science上的2500万篇论文和6亿篇参考文献，提出了一个基于随机选择过程的简单模型来解释近年来的“清晰度”现象及其下降。我们表明，未被引用的论文的比例是1）在给定的一年中发表的文章（竞争论文）和2）随后发表的文章（引用论文）的数量和它们包含的参考文献的数量的函数。使用清晰度作为出发点，我们证明了拉伸指数函数和Tsallis函数的一种形式，以适应完整的引用分布在20世纪的效用。例如，与简单的幂律拟合相反，这两种方法都被证明是有经验基础的，并且足够强大，可以更好地理解总水平上的引用动态。基于这些模型的扩展、我们对清晰度的新理解和我们的大型数据集，我们能够为1960年左右引文实践的重要转变提供明确的定量证据和临时解释，这在20世纪是无与伦比的。我们还提出了一个修订的“引文经典”类别作为一组文章，这是明显有别于其他领域。
2008-10-08 physics.soc-ph
Stochastic modeling of scientific impact
最近的研究发现，科学家在高引用论文中所占的比例不成比例。研究人员推断，如果科学上的成功是随机的，那么这种情况就不可能发生，并引入了一个隐藏的参数Q或天赋来解释这一发现。因此，有才华的高Q科学家有许多高影响力的论文。在这里，我展示了一个旧的随机引用复制模型的升级也可以解释这一发现。在新的模型中，引用复制的概率不是对所有的论文都是一样的，而是与其作者的所有论文的引用总数的对数成正比。该模型的数值模拟给出了类似于Q因子文章的经验发现的结果。
2021-06-24 cs.DL physics.soc-ph stat.AP
The disruption index is biased by citation inflation
University of California, Merced（加州大学默塞德分校）；Politecnico Milano（米兰理工大学）
本文揭示了引用膨胀导致破坏指数时间偏移的问题，指出引用网络结构变化使跨时间分析困难，提出三种批评方法和合成网络以测试其他指标的系统性偏差。
2023-06-02 cs.DL cs.SI econ.GN
Power laws in citation distributions: Evidence from Scopus
对科学论文的引用分布进行建模对于理解科学如何发展至关重要。然而，有一个相当大的实证争议，统计模型最适合的引文分布。本文关注的是严格的实证检测的幂律行为的最高引用的科学论文收到的引文分布。我们使用了一个大型的，新颖的数据集引用1998年和2002年之间发表的科学论文来自Scopus。幂律模型进行了比较，使用似然比检验与一些替代模型。我们发现，幂律假设在Scopus的科学领域中大约有一半被拒绝。对于这些科学领域，尤尔，指数截止的幂律和对数正态分布似乎比纯幂律模型更适合数据。另一方面，当幂律假设不被拒绝时，它通常与大多数替代模型在经验上无法区分。纯粹的幂律模型似乎是最好的模型，只有最高引用的论文在“物理学和天文学”。总的来说，我们的研究结果似乎支持的理论暗示，最高引用的科学论文遵循圣诞节，幂律指数截止或对数正态分布。我们的研究结果还表明，引用分布中的幂律，当存在时，仅占已发表论文的很小一部分（大多数科学领域不到1%），幂律标度参数（指数）比旧文献中发现的要高得多（从大约3.2到大约4.7）。
2014-02-17 cs.DL physics.soc-ph stat.AP
Characterizing and modeling the dynamics of online popularity
网络流行对舆论、文化、政策和利润都有巨大的影响。我们提供了一个定量的，大规模的，时间分析的动态在线内容流行的两个大规模的模型系统，维基百科和整个国家的网络空间。我们发现，流行的动力学的特点是爆发，显示关键系统的特征，如厚尾分布的幅度和事件间的时间。我们提出了一个极小模型，结合经典的优惠流行度增加机制，由于外源因素的随机流行度变化的发生。该模型恢复的关键功能，在这里分析的系统的实证分析中观察到的，突出的流行动力学的描述所需的关键因素。
2010-10-10 cs.CY cs.SI physics.soc-ph
Modeling and Predicting Popularity Dynamics via Reinforced Poisson Processes
在一个复杂的进化系统中预测单个项目的流行动态的能力在一系列领域具有重要意义。在这里，我们提出了一个生成的概率框架，使用一个强化泊松过程模型明确的过程中，个别项目获得他们的知名度。该模型通过其对流行度到达过程的建模能力以及在预测单个项目的流行度方面的显着能力而区别于现有模型。它具有应用贝叶斯处理的灵活性，以进一步提高预测能力，使用共轭先验。在纵向引文数据集上的大量实验表明，该模型始终优于现有的流行度预测方法。
2014-01-04 cs.SI physics.soc-ph
Characterizing and modeling an electoral campaign in the context of Twitter: 2011 Spanish Presidential Election as a case study
以尽可能有效的方式传递信息一直是政治家在选举过程中的主要关切之一。由于用户数量迅速增长，在线社交网络已成为政治家与潜在选民互动的理想平台。利用这些工具的现有潜力，最大限度地发挥其对选民的影响力，是政治家面临的实际挑战之一。为了朝着这个方向迈进，我们分析了2011年西班牙总统选举过程中在线社交网络Twitter的用户活动，发现这种活动与选举结果相关。我们引入了一个新的措施来研究Twitter中的政治支持，我们称之为相对支持。我们还通过分析从提及和转发网络中涌现的复杂网络的结构和动力模式来表征用户行为。我们的研究结果表明，集体注意力是由一小部分用户驱动的。此外，我们分析了政治家之间发生的互动，观察到缺乏辩论。最后，我们开发了一个网络增长模型来再现政治家之间发生的互动。
2013-09-19 cs.CY cs.SI physics.soc-ph
Characterizing and Modeling the Dynamics of Activity and Popularity
社会化媒体是Web 2.0时代获取海量信息的最重要渠道，它是由用户和物品组成的两层网络。人类活动和项目受欢迎程度的动态是社交媒体网络中的一个关键问题。在本文中，通过分析用户活动和项目流行度的增长在四个经验的社会媒体网络，即，Amazon、Flickr、Delicious和Wikipedia，发现用户和物品之间的交叉链接更有可能由活跃用户创建，并被热门物品获取，其中用户活跃度和物品受欢迎程度是通过与用户和物品相关联的交叉链接数量来衡量的。这表明用户通常跟踪受欢迎的项目，总体而言。然而，它被发现，不活跃的用户更严重的跟踪流行的项目比活跃的用户。受实证分析的启发，我们提出了一个演化模型，这种网络的演化是由两步随机游走驱动的。数值实验表明，该模型可以定性地再现经验网络中观察到的用户活动和项目流行度的分布。这些结果可能有助于理解社交媒体网络中活动和流行的微观动态。
2014-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
Characterizing and modeling the patterns of vehicle movement on road networks
University of Seoul（首尔大学）；Korea University（高丽大学）；Korea Transport Institute（韩国交通研究院）；Urban Big data and AI Institute, University of Seoul（首尔市立城市大数据与人工智能研究所）
通过分析真实道路网络中的车辆轨迹数据，发现车辆运动分为开始、中间和结束三个阶段，并提出了一个双层网络模型来模拟这些模式，揭示了车辆利用道路网络层次结构最小化旅行时间的机制。
2026-06-08 nlin.AO physics.soc-ph
