基于相關(guān)系數(shù)的科研社區(qū)發(fā)現(xiàn)算法.pdf

1、由于萬維網(wǎng)信息傳遞具有及時、快速、廣泛的特點，越來越多的科研工作者把學(xué)術(shù)成果以文檔的形式發(fā)表在網(wǎng)上，供廣大科研工作者學(xué)習(xí)、參考、深化。然而，由于網(wǎng)絡(luò)的龐大和無序，如何發(fā)現(xiàn)主題相關(guān)的文章即科研社區(qū)是一個棘手的問題。引文圖中的一個緊密連通子圖通常被視為相關(guān)文獻組成的社區(qū)。目前引文分析已經(jīng)成為鏈接分析的一個重要研究分支。 本文分析了引文圖模型，比較了基于引用次數(shù)的引文分析算法、基于相似度的引文分析算法及基于PageRank的引文分析算

2、法。后兩者在性能上都優(yōu)于簡單的基于引用次數(shù)的引文分析算法，基于相似度的算法最為準確。但是利用這三種算法得到的檢索結(jié)果經(jīng)常包含一些與主題無關(guān)的文獻，影響了科研社區(qū)的準確性。 Panupong等人根據(jù)文獻之間的相似度，設(shè)計了一個隨機游走模型來發(fā)現(xiàn)科研社區(qū)的算法(RWGC)，但是該算法相似度計算缺乏合理解釋。本文通過對引文關(guān)系的深入研究與學(xué)習(xí)，分析了RWGC算法的思想及其存在的問題。在RWGC算法基礎(chǔ)上提出了一種基于相關(guān)系數(shù)的改進的算

3、法—RWGC-CC(The Improved Random Walk Graph Clustering Algorithm Basedon Correlati on Coefficient)。該算法考慮了三層指向關(guān)系，并將文獻模型化為變量，將相鄰文獻之間的相似度模型化為概率論中的相關(guān)系數(shù)，這種相關(guān)系數(shù)反映了文獻與文獻間的相關(guān)程度，從而給出了相似度的數(shù)學(xué)解釋。本文也通過實驗深入分析了RWGC-CC算法中相似度閥值的選取與社區(qū)規(guī)模的關(guān)系等問