现代书目数据库为科学研究及其评价提供了基础。虽然它们的内容和结构大不相同，但对其可靠性只有非正式的概念。在这里，我们比较了引文网络的拓扑结构的一致性提取的六个流行的书目数据库，包括Web of Science，CiteSeer和arXiv. org的网络进行评估，通过丰富的本地和全球的图形统计。我们首先揭示了一些数据库之间的统计上显着的不一致，就个人统计。例如，DBLP计算机科学参考书目的引入字段蝴蝶结分解由于数据库的覆盖范围而与其他文献有很大不同，而arXiv.org中的引用信息是最详尽的。最后，我们使用临界差异图在多个图统计上比较数据库。DBLP计算机科学书目的引用拓扑与其他文献最不一致，而毫不奇怪，从一致性的角度来看，Web of Science的引用拓扑明显更可靠。本研究可作为文献计量学和科学计量学研究者的参考，也可作为政府和科研机构的科学评价指南。
英文摘要：
Modern bibliographic databases provide the basis for scientific research and its evaluation. While their content and structure differ substantially, there exist only informal notions on their reliability. Here we compare the topological consistency of citation networks extracted from six popular bibliographic databases including Web of Science, CiteSeer and arXiv.org. The networks are assessed through a rich set of local and global graph statistics. We first reveal statistically significant inconsistencies between some of the databases with respect to individual statistics. For example, the introduced field bow-tie decomposition of DBLP Computer Science Bibliography substantially differs from the rest due to the coverage of the database, while the citation information within arXiv.org is the most exhaustive. Finally, we compare the databases over multiple graph statistics using the critical difference diagram. The citation topology of DBLP Computer Science Bibliography is the least consistent with the rest, while, not surprisingly, Web of Science is significantly more reliable from the perspective of consistency. This work can serve either as a reference for scholars in bibliometrics and scientometrics or a scientific evaluation guideline for governments and research agencies.
On the relationships between bibliographic characteristics of scientific documents and citation and Mendeley readership counts: A large-scale analysis of Web of Science publications
在本文中，我们提出了第一个大规模的分析与特定文件的书目特征之间的关系Mendeley读者和引文计数。分析了Web of Science（WoS）所涵盖的期刊上发表的来自不同领域的130万篇出版物的数据集。这项工作表明，由于引用值较低而经常被排除在引用分析之外的文档类型，如编辑材料，信件或新闻条目，在Mendeley中得到了很好的覆盖和保存，这表明Mendeley读者群可以可靠地为这些文档类型的分析提供信息。研究结果表明，合作论文经常保存在Mendeley，这是类似于观察到的引文。然而，读者群与标题长度和页数之间的关系比在引文中观察到的相同关系要弱。对不同学科的分析也指出了几个文献特征、读者群和引文数量之间关系的不同模式。总体而言，结果强调，虽然存在学科差异，读者人数与类似的书目特征相关的引用计数，加强了这样一种想法，即门德利读者和引用捕获类似的概念的影响，虽然它们不能被视为等同的指标。
Finding citations for PubMed: A large-scale comparison between five freely available bibliographic data sources
PubMed作为一个重要的生物医学数据库，为用户提供免费的文献摘要检索服务。然而，这些文件之间的引用需要从外部数据源收集。虽然以前的研究已经调查了各种数据源的覆盖率，但引用的质量却没有得到充分的研究。作为回应，这项研究比较了3000万份PubMed文档的五个免费数据源的覆盖率和引用质量，包括CrossRef开放DOI-to-DOI引文的OpenCitations Index（COCI），Dimensions，Microsoft Academic Graph（MAG），National Institutes of Health Open Citation Collection（NIH-OCC）和Semantic Scholar Open Research Corpus（S2 ORC）。引入了三个金标准和五个度量标准来评估引文的正确性和完整性。我们的研究结果表明，Dimensions是最全面的数据源，为62.4%的PubMed文档提供了参考，优于官方的NIH-OCC数据集（56.7%）。其他数据源中超过90%的引用链接也可以在Dimensions中找到。MAG、COCI和S2 ORC的覆盖率分别为59.6%、34.7%和23.5%。在引文质量方面，Dimensions和NIH-OCC的总体结果最好。几乎所有的数据源都有高于90%的精确度，但它们的召回率要低得多。所有数据库在最近的出版物…
Which type of citation analysis generates the most accurate taxonomy of scientific and technical knowledge?
1965年，德里克·德·索拉·普莱斯（Derek de Solla Price）预见到了一天，即基于引文的科学和技术分类法将被划定并相应地用于科学政策。如果分类法要对政策制定有用，就需要全面和准确，特别是现在政策制定者正在利用基于引用的指标来评估人员，机构和实验室。然而，确定分类的准确性仍然是一个挑战。以前的工作分区解决方案的准确性是稀疏的，这些研究的结果，而有用的，并没有明确的。在这项研究中，我们比较的准确性的主题层次分类的基础上使用直接引用，书目耦合和共引的文件聚类。使用一套新的黄金标准-至少有100个参考文献的文章-我们发现，直接引用是更好地集中参考文献比书目耦合或共同引用。使用的假设，即更高浓度的参考文献表示更准确的集群，直接引用，从而提供了一个更准确的代表分类的科学和技术知识比书目耦合或共同引用。我们还发现，学科级分类的基础上的期刊模式是非常不准确的主题级分类相比，并建议反对使用。
Proof of Reference(PoR): A unified informetrics based consensus mechanism
文献计量学有助于分析研究影响力，以衡量研究质量。不同的书目数据库，如Scopus，Web of Science，Google Scholar等，用于评估出版物和引文的趋势。这些数据库中有些是免费的，有些是基于订阅的。哪种书目数据库更好，在什么条件下更好，这一直是有争议的。为了提供一个最佳的解决方案，多个书目数据库的可用性，我们已经实现了一个单一的真实数据库命名为“conflate”，可用于获取出版物和引文趋势的作者。为了进一步加强生成的数据库，并向利益攸关方提供透明的系统，建议建立一个共识机制“参考证据”。由于PoR中实施了三项基于同意的检查，我们认为它可以被视为计算作者统一信息指标的真实和诚实的引文数据源。
ParsRec: A Novel Meta-Learning Approach to Recommending Bibliographic Reference Parsers
Trinity College Dublin（都柏林圣三一学院）；Iconic Translation Machines Ltd.（Iconic翻译机器有限公司）
书目参考解析器从书目参考字符串中提取机器可读的元数据，如作者姓名、标题、期刊和年份。为了提取元数据，解析器应用解析或机器学习。但是，没有任何参考解析器和算法能够在每个场景中始终给出最佳结果。例如，一个工具可能是最好的提取标题在ACM引用风格，但只有第三最好的APA时使用。另一个工具可能最适合提取英文作者姓名，而另一个工具最适合噪声数据（即不一致的引用风格）。在本文中，这是我们最近的RecSys海报的扩展版本，我们从推荐系统和元学习的角度来解决参考解析的问题。我们提出了ParsRec，一个基于元学习的推荐系统，建议潜在的最有效的解析器为一个给定的参考字符串。ParsRec推荐10种开源解析器中的一种：Anystyle-Parser，Biblio，CERMINE，Citation，Citation-Parser，GROBID，ParsCit，PDFSSA 4 MET，Reference Tagger和Science Parse。我们对105，000篇化学参考文献评估了ParsRec。我们提出了两种元学习建议的方法。第一种方法学习整个引用字符串的最佳解析器。第二种方法为引用字符串中的每个元数据类型学习最佳解析器。第二种方法实现了F1（0.909 vs. 0.886）比最好的单一解析器（GROBID）增加2.6%，降低了20.2%的假阳性率（0.075 vs. 0.094），假阴性率降低了…
The prevalence and impact of university affiliation discrepancies between four well-known bibliographic databases: Scopus, Web of Science, Dimensions, and Microsoft Academic
研究管理者将大学与国际同行进行比较时面临着消除隶属关系歧义的问题。不同的数据库对这一问题采取了不同的方法，它们之间存在差异。文献计量数据源通常会进行消歧过程，将不同的机构名称及其子单位的名称统一起来，以便研究人员可以使用一个统一的名称搜索该机构的所有记录。本研究探讨了在五年的时间里，18所阿拉伯大学的Scopus，Web of Science，Dimensions和Microsoft Academic之间的隶属关系差异。我们证实，数字对象标识符（DOI）是适合提取可比的学术材料跨数据库和量化的隶属关系之间的差异。在任何一个数据库中分配给选定大学的相当大一部分记录在另一个数据库中没有分配给同一所大学。在较大的数据库中，Dimensions和Microsoft Academic的差异比例较高。规模较小、更具选择性的数据库，如Scopus，尤其是Web of Science，往往在更大程度上与其他数据库的隶属关系一致。手动检查隶属关系的差异表明，它们是由缺少隶属关系，统一差异和记录分配到错误的机构的混合物造成的。
A Comparison between the China Scientific and Technical Papers and Citations Database and the Science Citation Index in terms of journal hierarchies and inter-journal citation relations
Large-scale comparison of bibliographic data sources: Scopus, Web of Science, Dimensions, Crossref, and Microsoft Academic
我们提出了一个大规模的比较五个多学科的书目数据源：Scopus，Web of Science，Dimensions，Crossref和Microsoft Academic。该比较考虑了这些数据来源所涵盖的2008-2017年期间的科学文件。Scopus以成对的方式与其他每个数据源进行比较。我们首先分析数据源之间在文档覆盖率方面的差异，例如，重点关注随时间的差异，每个文档类型的差异以及每个学科的差异。然后，我们研究了引文链接的完整性和准确性的差异。根据我们的分析，我们讨论了不同数据源的优点和缺点。我们强调的重要性相结合的全面覆盖的科学文献与一套灵活的过滤器，使选择的文献。
A review of the literature on citation impact indicators
引文影响力指标在当今学术评价中发挥着重要作用，因此在文献计量学和科学计量学文献中受到了广泛的关注。本文提供了一个深入的文献综述引文影响指标。首先，概述了可用于计算引文影响指标的书目数据库（Web of Science，Scopus和Google Scholar）的文献。接下来，选定的主题在文献中的引用影响指标进行了详细审查。第一个专题是选择纳入引文影响指标计算的出版物和引文。第二个主题是引文影响指标的标准化，特别是领域差异的标准化。论文的第三个主题是合著论文的统计方法，最后一个主题是期刊的引文影响指标。最后，本文提出了一些建议，为今后的研究。
Exploiting citation networks for large-scale author name disambiguation
我们提出了一种新的算法和验证方法，消除歧义的作者姓名在非常大的书目数据集，并将其应用到完整的Web of Science（WoS）引文索引。我们的算法仅依赖于WoS所涵盖的整个时期的作者和引文图。建立了基于共同合著者、自引、共享参考文献和引文的成对出版物相似性度量，以执行两步凝聚聚类，该聚类首先连接单个论文，然后合并相似的聚类。该参数化模型使用基于h指数的召回率指标进行优化，有利于正确分配引用良好的出版物，并使用WoS元数据和交叉引用的Google Scholar配置文件进行基于姓名首字母的精确度。尽管使用了有限的元数据，我们达到了87%的召回率和88%的准确率，并优先考虑具有高h指数值的研究人员。4700万篇WoS文章可以在一台机器上在不到一天的时间内消除歧义。我们开发了一个h-指数分布模型，证实预测与经验数据非常吻合，并深入了解h-指数在真实学术排名场景中的效用。
Confidence and RISC: How Russian papers indexed in the national citation database Russian Index of Science Citation (RISC) characterize universities and research institutes
F1000 recommendations as a new data source for research evaluation: A comparison with citations
F1000是生物和医学研究的出版后同行评议服务。F1000旨在推荐生物医学文献中的重要出版物，从这个角度来看，F1000可能是一个有趣的研究评估工具。通过将完整的F1000建议数据库与Web of Science书目数据库相连接，我们能够对F1000建议和引文进行全面的比较。我们发现，生物医学文献中约2%的出版物至少获得一项F1000推荐。推荐出版物平均收到1.30条推荐，90%以上的推荐是在出版物出版后半年内给出的。事实证明，F1000推荐和引用之间存在明显的相关性。然而，这种相关性相对较弱，至少弱于期刊影响力和引用之间的相关性。需要进行更多的研究，以确定在评估出版物的影响方面，建议和引用之间存在差异的主要原因。
