李佳旭¹，蔡梦思¹，谭索怡¹，贾韬²，吕欣¹

1. 国防科技大学系统工程学院, 长沙 410073; 2. 西南大学计 算机与信息科学学院软件学院,重庆 400715

出版日期:2021-10-25发布日期:2021-12-24

A Comparison Study of Higher-Order Network Modeling and Information Gain Based on Big Citation Data

LI Jiaxu¹ ,CAI Mengsi¹ ,TAN Suoyi¹ ,JIA Tao² ,L¨U Xin¹

1. College of Sstems Engineering, National University of Defense Technology, Cangsha 410073;2. College of Computeand Information Science, Sothwest University, Chongqing 400715

Online:2021-10-25Published:2021-12-24







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

传统一阶网络模型难以捕捉节点间的间接依赖关系, 高阶网络建模方法能有效提高模型对现实系统的表征精度. 文章使用美国物理学会电子期刊数据库116 年间的引文数据, 在一阶网络的基础上,构建以文献引用关系为节点、以路径长度为2的引用关系为边的二阶引文网络,并进一步提出基于引用多样性信息熵的高阶网络表示信息增益指标.结果表明, 期刊\textit{Rev Mod Phys}和\textit{Phys RevLett}的二阶网络表示信息增益最大,这两种期刊的被引率受前序期刊的间接影响较大,且在一阶与二阶网络中相差最大达到0.38,说明应用二阶网络开展引文数据分析的重要性.高阶网络表示信息增益有效量化了真实系统在低阶网络模型中的高阶信息损失,揭示了一阶和二阶网络中直接和间接依赖关系的差异.
分享此文:

()

No related articles found!

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=14331