To account for strong aging characteristics of citation networks, we modify Google's PageRank algorithm by initially distributing random surfers exponentially with age, in favor of more recent publications. The output of this algorithm, which we call CiteRank, is interpreted as approximate traffic to individual publications in a simple model of how researchers find new information. We develop an analytical understanding of traffic flow in terms of an RPA-like model and optimize parameters of our algorithm to achieve the best performance. The results are compared for two rather different citation networks: all American Physical Society publications and the set of high-energy physics theory (hep-th) preprints. Despite major differences between these two networks, we find that their optimal parameters for the CiteRank algorithm are remarkably similar.
Severe Language Effect in University Rankings: Particularly Germany and France are wronged in citation-based rankings
我们采用了一套标准的文献计量学指标来监测全球500所大学的科学水平，并根据这些指标构建了一个排名（莱顿排名2010）。我们发现一个戏剧性的，迄今为止在很大程度上被低估的语言效果在文献计量学，基于引用的研究绩效的测量时，比较排名的基础上所有Web of Science（WoS）覆盖的出版物和仅英语WoS覆盖的出版物，特别是德国和法国。
How to evaluate universities in terms of their relative citation impacts: Fractional counting of citations and the normalization of differences among disciplines
进入新兴研究领域的研究人员或学生特别感兴趣的是，哪些新发表的论文将被引用最多，哪些年轻的研究人员将在未来成为有影响力的研究人员，以便他们能够抓住最新的进展并找到有价值的研究方向。然而，由于文献网络的动态性和不断变化的研究主题，预测科学文章和作者的未来重要性具有挑战性。与以往大多数文献和作者的重要性排序不同，我们将重点放在\emph{ranking the future popularity of new publications and young researchers}上，提出了一个统一的排序模型来结合各种可用信息。具体来说，我们首先提出了两种文本特征，词和词的共现来表征创新论文和作者。然后，而不是使用静态和未加权的图，我们构造时间感知的加权图，以区分在不同的时间建立的链接的各种重要性。最后，通过利用构建的文本特征和图形，我们提出了一个相互加强的排名框架称为\emph{MRFRank}的论文和作者的未来重要性同时排名。在ArnetMiner数据集上的实验结果表明，该方法在度量\emph{recommendation intensity}上的性能明显优于基线。
Ranking and mapping of universities and research-focused institutions worldwide based on highly-cited papers: A visualization of results from multi-level models
Measuring the academic reputation through citation networks via PageRank
客观评估一个学术机构的声望是一项困难和激烈辩论的任务。在过去的几年里，不同类型的大学排名被提出来量化世界上不同研究机构的卓越性。尽管在某些情况下受到批评，但大学排名的相关性正日益得到承认：事实上，排名对机构和政府层面的研究政策设计产生了重大影响。然而，关于什么样的排名是{ \em确切}衡量的争论是持久的。在这里，我们通过测量一个给定机构的学术声誉的定量和可靠的代理，并通过评估其与不同的大学排名的相关性来解决这个问题。具体来说，我们研究了五个不同的Web of Science学科类别的大学之间的引文模式，并使用\pr ~算法对五个产生的引文网络。我们的工作背后的基本原理是，科学引文是由参考文献的声誉驱动的，因此PageRank算法预计将产生一个排名，反映学术机构在特定领域的声誉。我们的研究结果允许量化的威望，一组机构在某一研究领域的基础上，只有硬文献计量数据。鉴于分析的数据量，我们的调查结果在统计上是强大的，不太容易出现偏差，在与特设调查往往采用排名机构，以达到类似的结果。因为我们的研究结果被发现与ARWU主题排名非常相关，我们在论文中提出的方法可能会打开新的学术排名方法的大门，这些方法通过协调学术声望的定性评估与其通过出版影响的定量测量，超越了当前的方法。
