Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (6): 129-138     https://doi.org/10.11925/infotech.2096-3467.2019.0967
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于引文细粒度情感量化的学术评价研究*
姜霖1,2(),张麒麟3
1南通大学经济与管理学院 南通 226019
2江苏省数据工程与知识服务重点实验室 南京 210023
3西南大学图书馆 重庆 400715
Research on Academic Evaluation Based on Fine-Grain Citation Sentimental Quantification
Jiang Lin1,2(),Zhang Qilin3
1School of Economics and Management, Nantong University, Nantong 226019, China
2Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing University, Nanjing 210023, China
3Southwest University Library, Chongqing 400715, China
全文: PDF (868 KB)   HTML ( 17
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 利用情感分析技术对引用内容中包含的引用情感进行深层次地发掘和量化,为学术文献内在价值的发现提供更加科学的理论依据和数据支撑。【方法】 以知网中检索到的期刊论文为例,通过对施引文献中引用内容的细粒度情感分析和量化,对被引文献的内在学术价值进行深度挖掘,并提出基于引用情感量化的学术评价指标。【结果】 实验表明,基于引用情感的学术评价方法比传统的基于被引频次的方法,离散系数高0.12,斯皮尔曼相关系数达到0.981。【局限】 由于国内没有完整的全引文数据库,造成数据获取困难,实验样本量较小。【结论】 基于细粒度引用情感量化的学术评价方法具有较高的区分度,能更加有效地衡量文献的内在学术价值。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
姜霖
张麒麟
关键词 引用内容细粒度情感分析情感量化学术评价    
Abstract

[Objective] This paper uses sentiment analysis technology to deeply excavate and quantify the cited sentiment contained in the cited content, to provide a more scientific theoretical basis and data support for the discovery of the intrinsic value of academic literature. [Methods] Taking the journal papers retrieved in CNKI as an example, through the fine-grained sentiment analysis and sentiment quantification of the citation content in the citing literature, the intrinsic academic value of the cited literature was deeply explored and a new academic evaluation method was proposed. [Results] Experiments showed that the dispersion coefficient based on citation sentiment method was 0.12 higher than the traditional method based on cited frequency, and the Spearman correlation coefficient reached 0.981. [Limitations] Because there is no full text citation database in China, it is difficult to obtain experimental data. The sample size in the experiment is small. [Conclusions] The academic evaluation method based on fine-grained citation sentiment quantification has a higher degree of discrimination and can more effectively measure the intrinsic academic value of the literature.

Key wordsCitation Content    Fine-Grained Sentiment Analysis    Sentimental Quantification    Academic Evaluation
收稿日期: 2019-08-26      出版日期: 2020-04-21
ZTFLH:  G354  
基金资助:*本文系国家社会科学基金项目“大数据环境下学术成果真实价值与影响的实时预测及长期评价研究”的研究成果之一(19BTQ062)
通讯作者: 姜霖     E-mail: Jianglin@ntu.edu.cn
引用本文:   
姜霖,张麒麟. 基于引文细粒度情感量化的学术评价研究*[J]. 数据分析与知识发现, 2020, 4(6): 129-138.
Jiang Lin,Zhang Qilin. Research on Academic Evaluation Based on Fine-Grain Citation Sentimental Quantification. Data Analysis and Knowledge Discovery, 2020, 4(6): 129-138.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2019.0967      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I6/129
Fig.1  研究思路示意图
实验序号 准确率 召回率 F1
1 93.10% 84.38% 88.53%
2 87.10% 90.00% 88.53%
3 86.20% 89.29% 87.72%
4 90.90% 85.71% 88.23%
5 84.85% 87.50% 86.15%
平均 88.43% 87.38% 87.73%
Table 1  情感性引用识别结果
引用情感 数量 占比
综述性引用 283 68.03%
情感性引用 133 31.97%
总计 416 100.00%
Table 2  引用情感分类结果
召回率 降低 准确率 大大提高
召回率 0 2 0 0 2 0
降低 2 0 0 0 1 0
准确率 0 0 0 2 0 2
0 0 2 0 0 1
2 1 0 0 0 0
大大提高 0 0 2 1 0 0
Table 3  词共现矩阵
召回率 降低 准确率 大大提高
召回率 1.00 0.32 0.00 0.00 0.32 0.00
降低 0.32 1.00 0.00 0.00 0.80 0.00
准确率 0.00 0.00 1.00 0.32 0.00 0.32
0.00 0.00 0.32 1.00 0.00 0.80
0.32 0.80 0.00 0.00 1.00 0.00
大大提高 0.00 0.00 0.32 0.80 0.00 1.00
Table 4  词相似度距离矩阵
Fig.2  词极性示意图
分级 举例
极量 太 极为 极其 极度 最 最为 过 过于 分外
高量 很 挺 非常 特别 相当 十分 好不 颇 甚为 颇为 异常
深为 满 蛮 够 大为 何等 多么 格外 何其 尤其 无比
不胜 更 更加 更为 更其 越 越发 越加 备加 愈 愈发 愈加
中量 不太 不大 不甚 不够 较 比较 较为 还 相对
低量 有点 有些 稍 稍稍 稍微 稍许 略微 略为 些许 多少
Table 5  程度副词分级层次
Fig.3  基于被引频次和引用情感评价值的变化趋势
指标 斯皮尔曼相关系数 离散系数
被引频次 0.981** 1.319 054
引用情感评价值 1.439 410
Table 6  被引次数和引用情感指标的比较
被引文献编号 施引文献 引用内容 情感量化结果
1 基于Ontology的中文信息抽取系统的研究与实现 由于它是基于Ontology的抽取,因此这种方法对文档的结构没有依赖性。从理论上讲,只要领域Ontology足够强大,它就能在该领域的信息抽取中达到很高的抽取精确率和召回率。 (-0.5)×(-0.87)+1.5×0.76=1.575
3 基于深度学习的图像检索 相比较一般的多层神经网络来说,深度信念网络DBN利用它的基本结构RBM来给网络赋了一个比较好的初值,预防了整个网络陷入局部最小值,而且结构简单,易于扩展 0.75×0.84+0.74+0.73=2.1
领域文本句子基本概念结构抽取研究 用深度学习处理文本并提取文本信息及文本之间的隐含关系,可以明显提高分析的效率,发现一些隐秘却有价值的有用信息。 0.85=0.85
9 基于领域词库的新闻提取技术的研究及应用 这种抽取方式大多都是通过人工制定规则,很难用计算机自动发现规则,特别是如今网络流行语千奇百怪更难发现其规则性,所以十分困难 1.5×(-0.67)+1.5×(-0.67)+1.5×(-0.71)=-3.075
支持DOM模板可视化配置的网页抽取方法 手动配置对专业要求较高,需要了解网页结构、正则表达式等知识;又因其配置过程复杂且需手动输入而使效率低下且容易出错 (-0.67)+(-0.63)+(-0.73)+(-0.57)=- 2.6
26 基于Web数据挖掘的多因素科技专家信息提取方法 但该文并没有区分 Table 标签的两种不同作用,对于结构复杂、噪音较多的网页会留下多的噪音信息。 0.75×(-0.62)=- 0.465
31 基于混合机器学习模型的多文档自动摘要 如张晗、赵玉虹提出了基于语义图的医学多文档摘要模型,能够有效识别文本中的核心内容。 0.68=0.68
Table 7  引用内容示例
[1] 何春建. 单篇论文学术影响力评价指标构建[J]. 图书情报工作, 2017,61(4):98-107.
[1] ( He Chunjian. Study on the Evaluation Indicators of Single Article Academic Impact[J]. Library and Information Service, 2017,61(4):98-107.)
[2] 赵蓉英, 曾宪琴, 陈必坤. 全文本引文分析—引文分析的新发展[J]. 图书情报工作, 2014,58(9):129-135.
[2] ( Zhao Rongying, Zeng Xianqin, Chen Bikun. Citation in Full-Text: The Development of Citation Analysis[J]. Library and Information Service, 2014,58(9):129-135.)
[3] Small H. Co-Citation Context Analysis and the Structure of Paradigms[J]. Journal of Documentation, 1980,36(3):183-196.
doi: 10.1108/eb026695
[4] Moravcsik M J, Murugesan P. Some Results on the Function and Quality of Citations[J]. Social Studies of Science, 1975,5(1):86-92.
doi: 10.1177/030631277500500106
[5] Ding Y, Zhang G, Chambers T, et al. Content‐Based Citation Analysis: The Next Generation of Citation Analysis[J]. Journal of the Association for Information Science and Technology, 2014,65(9):1820-1833.
doi: 10.1002/asi.23256
[6] 祝青松, 冷伏海. 基于引文内容分析的高被引论文主题识别研究[J]. 中国图书馆学报, 2014,40(1):39-49.
[6] ( Zhu Qingsong, Leng Fuhai. Topic Identification of Highly Cited Papers Based on Citation Content Analysis[J]. Journal of Library Science in China, 2014,40(1):39-49.)
[7] 赵蓉英, 郭凤娇, 曾宪琴. 基于位置的共被引分析实证研究[J]. 情报学报, 2016,35(5):492-500.
[7] ( Zhao Rongying, Guo Fengjiao, Zeng Xianqin. Empirical Research on Location-based Co-citation Analysis[J]. Journal of the China Society for Scientific and Technical Information, 2016,35(5):492-500.)
[8] 章成志, 李卓, 赵梦圆, 等. 基于引文内容的中文图书被引行为研究[J]. 中国图书馆学报, 2019,45(3):96-109.
[8] ( Zhang Chengzhi, Li Zhuo, Zhao Mengyuan, et al. Citing Behavior of Chinese Books Based on Citation Content[J]. Journal of Library Science in China, 2019,45(3):96-109.)
[9] Teufel S, Siddharthan A, Tidhar D. Automatic Classification of Citation Function [C]//Proceedings of the 2006 Conference on Empirical Methods in Natural Language Processing. 2006: 103-110.
[10] Ikram M T, Afzal M T. Aspect Based Citation Sentiment Analysis Using Linguistic Patterns for Better Comprehension of Scientific Knowledge[J]. Scientometrics, 2019,119(1):73-95.
doi: 10.1007/s11192-019-03028-9
[11] Yousif A, Niu Z D, Nyamawe A, et al. Improving Citation Sentiment and Purpose Classification Using Hybrid Deep Neural Network Model [C]//Proceedings of the International Conference on Advanced Intelligent Systems and Informatics. 2018: 327-336.
[12] Catalini C, Lacetera N, Oettl A. The Incidence and Role of Negative Citations in Science[J]. Proceedings of the National Academy of Sciences, 2015,112(45):13823-13826.
doi: 10.1073/pnas.1502280112
[13] 刘盛博, 丁堃, 张春博. 基于引用内容性质的引文评价研究[J]. 情报理论与实践, 2015,38(3):77-81.
[13] ( Liu Shengbo, Ding Kun, Zhang Chunbo. Research on Citation Evaluation Based on the Nature of Citation Content[J]. Information Studies: Theory & Application, 2015,38(3):77-81.)
[14] 耿树青, 杨建林. 基于引用情感的论文学术影响力评价方法研究[J]. 情报理论与实践, 2018,41(12):93-98.
[14] ( Geng Shuqing, Yang Jianlin. A Method to Evaluate the Academic Influence of Papers Based on Citation Sentiment[J]. Information Studies: Theory & Application, 2018,41(12):93-98.)
[15] 苏新宁. 面向知识服务的知识组织理论与方法[M]. 第1版. 北京: 科学出版社, 2014.
[15] ( Su Xinning. Knowledge Service Oriented Knowledge Organization Theory and Method[M].The 1st Edition. Beijing: Science Press, 2014.)
[16] Alag S. Collective Intelligence 实战[M].第1版.腾灵灵,冯飞,译. 北京: 清华大学出版社, 2010.
[16] ( Alag S. Collective Intelligence in Action[M]. The 1st Edition.Translated by Teng Lingling,Feng Fei. Beijing: Tsinghua University Press, 2010.)
[17] Moilanen K, Pulman S. Sentiment Composition [C]//Proceedings of the Recent Advances in Natural Language Processing. Springer, 2007: 378-382.
[18] Benamara F, Cesarano C, Picariello A, et al. Sentiment Analysis: Adjectives and Adverbs are Better than Adjectives Alone [C]//Proceedings of the International Conference on Weblogs and Social Media. 2007: 203-206.
[19] 姜霖, 张麒麟. 基于引用情感交互的学术检索结果排序方法研究[J]. 情报理论与实践, 2020,43(6):172-179.
[19] ( Jiang Lin, Zhang Qilin. Research on the Ranking Method of Academic Retrieval Results Based on Citation Sentiment Interaction[J]. Information Studies: Theory & Application, 2020,43(6):172-179.)
[20] Velikovich L, Blair-Goldensohn S, Hannan K, et al. The Viability of Web-derived Polarity Lexicons [C]//Proceedings of the 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics. Association for Computational Linguistics, 2010: 777-785.
[21] 姜霖, 张麒麟. 基于评论情感分析的个性化推荐策略研究——以豆瓣影评为例[J]. 情报理论与实践, 2017,40(8):99-104.
[21] ( Jiang Lin, Zhang Qilin. Research on Personalized Recommendation Strategy Based on Sentimental Analysis of the Reviews——Taking Film Reviews of douban. com as an Example[J]. Information Studies: Theory & Application, 2017,40(8):99-104.)
[22] 蔺璜, 郭姝慧. 程度副词的特点范围与分类[J]. 山西大学学报:哲学社会科学版, 2003,26(2):71-74.
[22] ( Lin Huang, Guo Shuhui. On the Characteristics, Range and Classification of Adverbs of Degree[J]. Journal of Shanxi University: Philosophy & Social Science, 2003,26(2):71-74.)
[23] 徐琳宏, 林鸿飞, 杨志豪. 基于语义理解的文本倾向性识别机制[J]. 中文信息学报, 2007,21(1):96-100.
[23] ( Xu Linhong, Lin Hongfei, Yang Zhihao. Text Orientation Identification Based on Semantic Comprehension[J]. Journal of Chinese Information Processing, 2007,21(1):96-100.)
[24] 姚天昉, 娄德成. 汉语语句主题语义倾向分析方法的研究[J]. 中文信息学报, 2007,21(5):73-79.
[24] ( Yao Tianfang, Lou Decheng. Research on Semantic Orientation Analysis for Topics in Chinese Sentences[J]. Journal of Chinese Information Processing, 2007,21(5):73-79.)
[25] 孙春华, 刘业政. 基于产品特征词关系识别的评论倾向性合成方法[J]. 情报学报, 2013,32(8):844-852.
[25] ( Sun Chunhua, Liu Yezheng. A Method for Combining Online Reviews’ Sentiment Orientation Based on Recognition of Relationship Between Product Feature Words[J]. Journal of the China Society for Scientific and Technical Information, 2013,32(8):844-852.)
[26] 苏丽敏, 何慧爽. 基于区间数的 Spearman 秩相关系数的多属性决策方法[J]. 统计与决策, 2019,35(6):51-53.
[26] ( Su Limin, He Huishuang. Multiple Attribute Decision Making Method Based on Interval Number Spearman Rank Correlation Coefficient[J]. Statistics & Decision, 2019,35(6):51-53.)
[27] 李喜梅. 等级相关系数在教学质量评价中的应用[J]. 统计与决策, 2003(5):36-37.
[27] ( Li Ximei. Application of Grade Correlation Coefficient in Teaching Quality Evaluation[[J]. Statistics & Decision, 2003(5):36-37.)
[28] 刘盛博, 王博, 唐德龙, 等. 基于引用内容的论文影响力研究——以诺贝尔奖获得者论文为例[J]. 图书情报工作, 2015,59(24):109-114.
[28] ( Liu Shengbo, Wang Bo, Tang Delong, et al. Research on Paper Influence Based on Citation Context: A Case Study of the Nobel Prize Winner’s Paper[J]. Library and Information Service, 2015,59(24):109-114.)
[1] 章成志,李铮. 基于学术论文全文的创新研究评价句抽取研究 *[J]. 数据分析与知识发现, 2019, 3(10): 12-18.
[2] 敦欣卉,张云秋,杨铠西. 基于微博的细粒度情感分析[J]. 数据分析与知识发现, 2017, 1(7): 61-72.
[3] 杨波, 杨军威, 阎素兰. 基于规则的机构名规范化研究[J]. 现代图书情报技术, 2015, 31(6): 57-63.
[4] 邓三鸿, 王昊, 苏新宁. 基于CSSCI本体的学术期刊关联分析[J]. 现代图书情报技术, 2011, 27(3): 30-37.
[5] 王昊, 苏新宁. 基于CSSCI本体的学科关联分析[J]. 现代图书情报技术, 2010, 26(10): 10-16.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn