基于图神经网络的学术论文被引频次预测研究

[目的/意义]学术论文的被引频次预测是评估学术论文质量和影响力的重要内容。[方法/过程]引入图神经网络（GNN），基于S2ORC数据集构建包含论文、作者、期刊的异构网络，利用GraphSAGE模型的采样和聚合机制提升预测精度，并逐步在引文网络中纳入期刊和作者子网，探索引入子网在不同学科领域的预测中可能呈现的异质性。[结果/结论] GraphSAGE模型相较于GCN和GAT模型在高平均度数网络中表现出色，但在全局引用关系依赖更深的领域或网络结构中GCN效果更佳。当作者子网被单独纳入模型时，在艺术和法学领域预测性能提升，而在其他领域表现下滑；当期刊和作者节点被同时引入时，仅有艺术和法学领域表现出了预测性能的提升。