摘要
伊布、达科塔·S·穆雷、丁英、黄勇和赵一鸣。 2018年,衡量科学合作的稳定性。 《科学计量学》114,2(2018),463–479。 谷歌学者 数字图书馆 陈洪勋(Hung-Hsuan Chen)、梁构(Liang Gou)、张小龙(Xiaolong Zhang)和克莱德·李·贾尔斯(Clyde Lee Giles)。 2011年,Collabseer:用于协作发现的搜索引擎。 第11届国际ACM/IEEE数字图书馆联合会议论文集。 ACM,231–240。 谷歌学者 数字图书馆 陈田琪(Tianqi Chen)和卡洛斯·盖斯特林(Carlos Guestrin),2016年。 Xgboost:一个可扩展的树增强系统。 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会,785–794。 谷歌学者 数字图书馆 马里奥·科奇亚和莉莉·旺克。 2016年,国际科学合作模式的演变和趋同。 《美国国家科学院院刊》113,18(2016),E2547。 谷歌学者 交叉引用 雅各布·德夫林(Jacob Devlin)、张明伟(Ming Wei Chang)、肯顿·李(Kenton Lee)和克里斯蒂娜·图塔诺娃(Kristina Toutanova)。 2018.BERT:深度双向变形金刚语言理解预培训。 计算语言学协会北美分会2019年会议记录:人类语言技术,第1卷(长篇和短篇论文)。 计算语言学协会,4171–4186。 谷歌学者 董玉霄(Yuxiao Dong)、尼特斯·查拉(Nitesh V.Chawla)和阿南特拉姆·斯瓦米(Ananthram Swami)。 2017年,metapath2vec:异构网络的可扩展表示学习。 第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM,135–144。 谷歌学者 数字图书馆 Soumyajit Ganguly和Vikram Pudi。 2017.论文2vec:结合图形和文本信息进行科学论文表示。 《欧洲信息检索会议记录》。 施普林格,383–395。 谷歌学者 交叉引用 尤夫·戈德堡和奥马尔·利维。 2014年,word2vec解释道:衍生Mikolov等人 s负采样字嵌入方法。 arXiv:1402.3722。 检索自 https://arxiv.org/abs/1402.3722。 谷歌学者 帕拉什·戈亚尔和埃米利奥·费拉拉。 2018年。图形嵌入技术、应用和性能:调查。 基于知识的系统151(2018),78–94。 谷歌学者 交叉引用 Aditya Grover和Jure Leskovec。 2016.node2vec:网络可扩展特性学习。 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会,855–864。 谷歌学者 数字图书馆 威尔·汉密尔顿(Will Hamilton)、应志涛(Zhitao Ying)和朱尔·莱斯科维奇(Jure Leskovec)。 2017.大图形的归纳表示学习。 在第31届神经信息处理系统会议记录中。 1024–1034. 谷歌学者 小黄,李俊东,夏虎,2017。 加速属性化网络嵌入。 2017年SIAM数据挖掘国际会议论文集。 暹罗,633–641。 谷歌学者 交叉引用 孔祥杰、蒋慧珍、王伟、Teshome Megersa Bekele、徐珍珍和王萌。 2017年。探索科学合作者推荐的动态研究兴趣和学术影响。 科学计量学113,1(2017),369–385。 谷歌学者 数字图书馆 孔祥杰、毛梦怡、王伟、刘嘉英和徐波。 2018年,VOPRec:带文本信息和结构标识的论文向量表示学习,以供推荐。 IEEE计算新兴主题汇刊(2018),1-13。 内政部: https://doi.org/10.109/TETC.2018.2830698 谷歌学者 Quoc Le和Tomas Mikolov。 2014.句子和文件的分布式表示。 第31届机器学习国际会议论文集。 1188–1196. 谷歌学者 李俊东(Jundong Li)、哈什·达尼(Harsh Dani)、夏虎(Xia Hu)、汤继良(Jiliang Tang)、伊昌(Yi Chang)和刘欢(Huan Liu)。 2017.在动态环境中学习的归因网络嵌入。 2017年ACM信息和知识管理会议记录。 美国医学会,387-396。 谷歌学者 数字图书馆 廖明辉、石宝光、白翔、王兴刚、刘文宇。 2017.文本框:带有单个深度神经网络的快速文本检测器。第31届AAAI人工智能会议论文集。 AAAI,4161–4167。 谷歌学者 刘嘉英、任静、郑文清、池莲花、李伊凡和冯霞。 2020年。学者网络:学者知识图表。 第43届国际ACM SIGIR信息检索研究与开发会议论文集。 谷歌学者 数字图书馆 林元吕和陶周。 2011.复杂网络中的链接预测:一项调查。 《物理学A:统计力学及其应用》390,6(2011),1150–1170。 谷歌学者 交叉引用 维科特·马丁内斯(Víctor Martínez)、费尔南多·贝扎尔(Fernando Berzal)和胡安·卡洛斯·库贝罗(Juan-Carlos Cubero)。 2017年,复杂网络链接预测调查。 ACM计算调查49,4(2017),69。 谷歌学者 数字图书馆 托马斯·米科洛夫(Tomas Mikolov)、陈凯(Kai Chen)、格雷格·科拉多(Greg Corrado)和杰弗里·迪恩(Jeffrey Dean)。 2013.向量空间中单词表示的有效估计。 在第一届学习代表国际会议记录中。 谷歌学者 亨利·纳瓦罗(Henry Navarro)、乔瓦娜·米里特罗(Giovanna Miritello)、阿图罗·卡纳莱斯(Arturo Canales)和埃斯特班·莫罗(Esteban Moro)。 2017年。持久联系强度背后的时间模式。 EPJ数据科学6,1(2017),31。 谷歌学者 交叉引用 马克·E·J·纽曼。 2001.科学合作网络的结构。 《美国国家科学院院刊》98,2(2001),404-409。 谷歌学者 交叉引用 马克·E·J·纽曼。 2004年,合作网络和科学合作模式。 《美国国家科学院院刊》101,增刊1(2004),5200-5205。 谷歌学者 交叉引用 Joshua O'Madadhain、Jon Hutchins和Padhraic Smyth。 2005.基于事件的网络数据的预测和排名算法。 ACM SIGKDD探索通讯7,2(2005),23-30。 谷歌学者 数字图书馆 潘石蕊、贾武、朱星泉、张成琦和杨旺。 2016年,三党深度网络代表。 网络11,9(2016),12。 谷歌学者 费比安·佩德雷戈萨(Fabian Pedregosa)、加尔·瓦洛奎(Gaöl Varoqueux)、亚历山大·格兰福特(Alexandre Gramfort)、文森特·米歇尔(Vincent Michel)、伯特兰·蒂里昂(Bertrand Thirion)、奥利维尔·格里塞尔(Olivier Grisel)、马蒂厄·布隆德尔(Mathieu Blondel)、彼得·普雷滕霍弗(Peter Prettenhofer)、罗恩·维斯(Ron Weiss)、文。 2011.Scikit-learn:Python中的机器学习。 《机器学习研究杂志》12,1(2011),2825-2830。 谷歌学者 数字图书馆 杰弗里·彭宁顿(Jeffrey Pennington)、理查德·索彻(Richard Socher)和克里斯托弗·曼宁(Christopher Manning)。 2014.GlobVe:单词表示的全球向量。 《2014年自然语言处理实证方法会议论文集》。 1532–1543. 谷歌学者 交叉引用 布莱恩·佩罗齐(Bryan Perozzi)、拉米·阿尔罗福(Rami Al-Rfou)和史蒂文·斯基纳(Steven Skiena)。 2014.Deepwalk:社交表征的在线学习。 第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM,701-710。 谷歌学者 数字图书馆 马修·彼得斯、马克·诺依曼、莫希特·伊耶、马特·加德纳、克里斯托弗·克拉克、肯顿·李和卢克·泽特莫耶。 2018.深层语境化的词语表达。 计算语言学协会北美分会2018年会议记录:人类语言技术。 第1卷(长篇论文)。 计算语言学协会,2227-2237。 谷歌学者 交叉引用 亚历山大·迈克尔·彼得森。 2015年,量化弱联系、强联系和超级联系对科学职业的影响。 《美国国家科学院院刊》112,34(2015),E4671–E4680。 谷歌学者 交叉引用 贾里·萨兰梅基(Jari Saramäki)、米科·基维尔(Mikko Kivelä)、朱卡·佩卡·昂内拉(Jukka-Pekka Onnela)、金莫·卡斯基(Kimmo Kaski)和贾诺斯·科特斯(Janos Kertesz)。 2007.将聚类系数推广到加权复杂网络。 《物理评论》E 75,2(2007),027105。 谷歌学者 交叉引用 拉梅什·R·萨鲁凯。 2000.使用马尔可夫链进行链路预测和路径分析。 计算机网络33,1-6(2000),377-386。 谷歌学者 数字图书馆 罗伯塔·西纳特拉(Roberta Sinatra)、王大顺(Dashun Wang)、皮埃尔·德维尔(Pierre Deville)、宋朝明(Chaoming Song)和阿尔伯特·拉什洛·巴拉巴西(Albert LászlóBarabási)。 2016.量化个人科学影响的演变。 《科学》3546312(2016),aaf5239。 谷歌学者 戴安·桑纳瓦尔德(Diane H.Sonnenwald)。 2007年,科学合作。 《信息科学与技术年度评论》41,1(2007),643–681。 谷歌学者 交叉引用 唐健、曲萌、王明哲、张明、闫军和梅巧珠。 2015年。线路:大规模信息网络嵌入。 第24届万维网国际会议论文集。 国际万维网会议指导委员会,1067–1077。 谷歌学者 数字图书馆 唐杰(Jie Tang)、吴森(Sen Wu)、孙继萌(Jimeng Sun)和苏杭(Hang Su),2012年。 跨域协作建议。 第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 美国医学会,1285-1293年。 谷歌学者 数字图书馆 韩天和韩奎卓。 2017.论文2vec:基于引文的文献分布式表示,用于学者推荐。 arXiv:1703.06587。 检索自 https://arxiv.org/abs/1703.06587。 谷歌学者 蔡春华(Chun Hua Tsai)和林玉茹(Yu Ru Lin),2016年。 追踪和预测初级学者的合作。 在万维网上第25届国际会议指南的会议记录中。 国际万维网会议指导委员会,375–380。 谷歌学者 数字图书馆 王伟(Wei Wang)、任静(Jing Ren)、穆巴拉克(Mubarak Alrashoud)、冯霞(Feng Xia)、毛梦一(Mengyi Mao)和阿穆尔·托尔巴(Amr Tolba)。 2020年。可持续科学合作中的早期互惠。 《信息计量学杂志》14,3(2020),101041。 谷歌学者 交叉引用 王伟、万良田、孔祥杰、龚志国、冯霞。 2019.并非每对夫妇都是一对:一种有监督的终身合作者鉴定方法。 2019年亚太信息系统会议记录。 1–8. 谷歌学者 王伟、徐波、刘嘉英、崔子欣、俞朔、孔祥杰和冯霞。 2019.CSTeller:基于极端梯度推进预测科学合作的可持续性。 万维网22,6(2019),2749–2770。 内政部: https://doi.org/10.1007/s11280-019-00703-y 谷歌学者 交叉引用 王伟(Wei Wang)、俞朔(Shuo Yu)、梅格萨·贝克勒(Teshome Megersa Bekele)、孔祥杰(Xiangjie Kong)和冯霞(Feng Xia)。 2017年,科学合作模式因学者的学术年龄而异。 《科学计量学》112,1(2017),329–343。 谷歌学者 数字图书馆 冯霞、陈震、王伟、李静和杨劳伦斯。 2014.MVCWalker:基于随机行走的最有价值合作者推荐,利用学术因素。 IEEE计算机新兴主题汇刊2,3(2014),364–375。 谷歌学者 交叉引用 冯霞、刘嘉英、聂汉松、傅永浩、万良田、孔祥杰。 2020年。随机行走:算法和应用综述。 IEEE计算智能新兴主题汇刊4,2(2020),95-107。 谷歌学者 交叉引用 冯霞、刘嘉英、任静、王伟和孔祥杰。 2020年,图灵数字:你离A.M.图灵奖还有多远? ACM SIGWEB新闻稿(2020年11月),第5条。 内政部: https://doi.org/10.1145/3427478.3427483 谷歌学者 Feng Xia、Wei Wang、Teshome Megersa Bekele和Huan Liu。 2017年,学术大数据:一项调查。 IEEE大数据汇刊PP,99(2017),1-19。 谷歌学者 程阳、刘志远、赵德利、孙茂松和爱德华·Y·张。 2015年。利用丰富的文本信息进行网络表征学习。 第24届国际人工智能联合会议记录。 2111–2117. 谷歌学者 杨德建、王森章、李朝卓、张晓明和李周军,2017年。 从属性到链接:不完全图上的深层网络嵌入。 2017年ACM信息和知识管理会议记录。 美国医学会,367–376。 谷歌学者 数字图书馆 杨再翰(Zaihan Yang)、尹大伟(Dawei Yin)和布莱恩·戴维森(Brian D.Davison)。 2014年,学术界建议:联合多关系模式。 《IEEE/ACM社会网络分析和挖掘进展国际会议论文集》。 566–571. 谷歌学者 张晨伟、易步、丁莹和徐健。 2018年。理解科学合作:同质性、及物性和优先依恋。 《信息科学与技术协会杂志》69,1(2018),72-86。 谷歌学者 数字图书馆 张道坤、尹洁、朱星泉和张成琦。 2019.通过子空间发现的属性网络嵌入。 数据挖掘和知识发现33,6(2019),1953-1980。 谷歌学者 数字图书馆 邢洲、丁立新、李兆奎和万润泽。 2017.使用随机漫步的异构书目网络中的合作者推荐。 信息检索期刊20,4(2017),317–337。 谷歌学者 数字图书馆
建议
场馆主题模型——学术大数据引文推荐的增强联合图建模 低资源自然语言处理深度学习专刊,第一部分和常规论文 自然语言处理技术,如主题模型,已被证明对于具有处理内容信息能力的学术推荐任务是有效的。 最近,场馆推荐变得越来越重要。。。