| 基于决策树和逻辑回归模型的人工智能领域潜在“精品”论文识别研究 |
| |
| 引用本文： | 崔静静,胡泽文,任 萍.基于决策树和逻辑回归模型的人工智能领域潜在“精品”论文识别研究[J].情报科学,2022,40(5):90-96. |
| |
| 作者姓名： | 崔静静 胡泽文 任 萍 |
| |
| 摘 要： | 【目的/意义】海量科技文献中存在大量潜在“精品”文献，如何识别并利用此类文献是目前较具现实意义的
研究问题。【方法/过程】本文以Web of Science数据库中人工智能领域1990-2010年期间的文献原文及引文数据为
样本，构建该领域文献原文-引文特征向量空间，融合决策树和逻辑回归模型对文献特征向量空间进行模型训练和
潜在“精品”论文识别的测试应用。【结果/结论】实验结果表明，“发表五年后被引量”特征变量的加入能够显著提升
决策树和逻辑回归模型的识别分类效果，使得两类模型的识别准确率分别达到 84%和 89%以上，提升幅度达到 20
多个百分点。逻辑回归模型的识别效果始终优于决策树模型，通过调整两种模型的超参数，能够使得模型获得更
理想的识别效果。此外，早期人工智能领域科学研究仍处于小团队协作阶段，领域文献的基金支持和开放获取程
度较低。【创新/局限】尽管论文创新性引入机器学习方法实现潜在“精品”文献识别模型的建模与应用，然而仍需将
模型拓展到更多学科领域。
|
|
| 点击此处可从《情报科学》浏览原始摘要信息 |
| 点击此处可从《情报科学》下载免费的PDF全文 |
|
