.png){kind=icon}
返回
Beyond Pairwise Links: Hypergraph Modeling for Scientific Trend Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-13509-4_23.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
科学研究正在迅速扩展，产生了大量跨学科的学术文献。然而，由于现代知识生产的碎片化和非线性特性，识别新兴趋势和发掘跨学科交叉点仍是一项持续的挑战。传统的文献计量方法（如共引分析和关键词共现）依赖于成对关系，往往无法捕捉驱动创新的更高阶关联。本研究提出了一种基于超图的全新框架，用于预测科学研究趋势。在我们的方法中，节点代表研究概念，超边对应于连接多个概念的出版物。通过将任务表述为超边链接预测问题，我们揭示了可能预示未来研究方向的概念性分组。随后，我们开发了超图神经网络模型（HLP、HyperGCN和HyperSAGE）以及传统图模型，并使用民族研究领域论文中使用的科学概念真实数据集进行实验。结果表明，超图模型在准确性和预测能力方面始终优于其基于图的对应模型。
Keyword:
Hyperedge Link Prediction
Scientific Trend Forecasting
Hypergraph Neural Networks
Research Mapping
期刊
A
IF:
0
论文数:
33
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
分享收藏
查看更多内容