国际期刊异常行为的自动识别与预警研究

摘要：

[目的]通过基于机器学习的模型计算国际期刊的预警值,预测国际期刊质量变化趋势,为提醒科研人员审慎选择成果发表平台,帮助有关决策部门审查期刊质量提供智能化手段.[方法]构建期刊影响力强度、期刊影响力时效性、期刊特性、作者来源等4个维度的预警期刊指标体系,采用Pearson相关系数与XGBoost特征重要值相结合的方法进行特征的筛选,并对筛选后的特征进行时序性特征拓展,考虑学科差异性,在以医学类、工程科技类期刊为代表的标注数据集上通过XGBoost、SVM、逻辑回归以及Stacking融合等模型实现国际期刊异常行为识别和比较,最后基于XGBoost信息增益得到特征重要性排序.[结果]在医学类、工程科技类期刊上三种样本方案的研究结果表明,特征筛选后虽然会提升模型泛化性,但会轻微降低预警性能;特征筛选并拓展后能够提高期刊预警模型精度;自引率和投稿命中率等指标对模型具有较大贡献.[局限]限于数据实际获取情况,涉及学科范围较小且训练数据偏少,未加入论文处理费相关的期刊特征.[结论]构建的国际期刊异常行为预警模型适用于多学科环境,可以辅助机构和专家进行更有针对性的预警决策,提供了一种新的期刊质量管理方法.

关键词：国际期刊预警、特征选择、指标体系、机器学习

所属期刊栏目：6

分类号：TP18(自动化基础理论)

资助基金：湖北省社会科学基金前期资助项目20ZD053

在线出版日期：2022-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：385-395