Un sistema de recomendación basado en el agrupamiento jerárquico de una red de citas a nivel de artículo

La literatura académica se está expandiendo a un ritmo que requiere algoritmos inteligentes para la búsqueda y navegación. En su mayor parte, el problema de entregar artículos académicos se ha resuelto. Si uno conoce el título de un artículo, localizarlo requiere poco esfuerzo y, siempre que los muros de pago lo permitan, adquirir una copia digital se ha vuelto trivial. Sin embargo, el aspecto de navegación de la búsqueda científica - encontrar artículos relevantes e influyentes que uno no sabe que existen - está en sus primeras etapas de desarrollo. En este documento, introducimos EigenfactorRecommends - un método basado en citas para mejorar la navegación académica. El algoritmo utiliza la estructura jerárquica del conocimiento científico, lo que hace posible múltiples escalas de relevancia para diferentes usuarios. Implementamos el método y generamos más de 300 millones de recomendaciones a partir de más de 35 millones de artículos de varias bases de datos bibliográficas, incluyendo el conjunto de datos AMiner. Encontramos poco solapamiento con la co-citación, otro recomendador de citas bien conocido, lo que indica una posible complementariedad. En una comparación A-B en línea usando SSRN, encontramos que nuestro enfoque tiene un rendimiento similar al de la co-citación, pero este nuevo enfoque ofrece una cobertura de recomendación mucho mayor. Hacemos que el código y las recomendaciones estén disponibles gratuitamente en babel.eigenfactor.org y proporcionamos una API para que otros la utilicen para implementar y comparar las recomendaciones en sus propias plataformas.