Heterogenes Wissenslernen zur prädiktiven akademischen Intelligenz im Transportwesen

Die weit verbreitete Kommunikation akademischer Ideen und Forschungsergebnisse durch Literatur und Medien hat massive akademische Big Data generiert. Die Analyse solcher akademischer Big Data und die Entdeckung von Wissen können umfassende und prädiktive akademische Intelligenz hervorrufen und entsprechende Dienstleistungen bereitstellen, die für Wissenschaftler, Zeitschriften, Institutionen und Regierungen für Karrierebewertung, Themenauswahl, Fördermanagement und Ressourcenverteilung wertvoll sind. Dieses Papier schlägt eine heterogene Wissenslernmethodik vor, um den akademischen Einfluss im Bereich Transport zu verstehen und vorherzusagen. Die vorgeschlagene Methode wird an den akademischen Big Data veranschaulicht, die aus den zwischen 2008 und 2018 veröffentlichten Artikeln in 34 Transportzeitschriften gesammelt wurden. Wir extrahieren vier Arten von Merkmalen, einschließlich bibliometrischer, altmetrischer, Netzwerk- und semantischer Merkmale, und bauen eine hybride Merkmalsdarstellung über TransR und Doc2vec, die Fachwissen einbezieht. Darüber hinaus wird ein Modell zur Vorhersage des akademischen Einflusses von Artikeln namens Hy-LSTM-Att vorgeschlagen, das die hybriden Merkmale durch den Aufmerksamkeitsmechanismus gewichtet und den akademischen Einfluss mit rekurrenten neuronalen Netzwerken (bi-LSTM) vorhersagt. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Hy-LSTM-Att-Modell leistungsfähiger ist als konkurrierende flache und tiefe Lernmodelle. Zusätzlich verdeutlichen die Merkmalsablationsexperimente, dass die vier Arten von Merkmalen positiv zur Leistung der Einflussvorhersage beitragen.