基于孪生网络的基金与受资助论文相关性判别模型构建研究

doi:10.3772/j.issn.1000-0135.2020.06.005

情报学报

2020, Vol. 39

Issue (6): 609-618 DOI: 10.3772/j.issn.1000-0135.2020.06.005

情报理论与应用

本期目录 | 过刊浏览 | 高级检索

基于孪生网络的基金与受资助论文相关性判别模型构建研究

叶文豪^1,2, 王东波³, 沈思⁴, 苏新宁^1,2

1.南京大学信息管理学院，南京 210023
2.江苏省数据工程与知识服务重点实验室，南京 210023
3.南京农业大学信息科学技术学院，南京 210095
4.南京理工大学经济管理学院，南京 210094

Research on Constructing a Model of Correlation Discrimination Between Funds and Funded Papers Based on Siamese Network

Ye Wenhao^1,2, Wang Dongbo³, Shen Si⁴, Su Xinning^1,2

1.School of Information Management, Nanjing University, Nanjing 210023
2.Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing 210023
3.College of Information and Technology, Nanjing Agricultural University, Nanjing 210095
4.School of Economics & Management, Nanjing University of Science & Technology, Nanjing 210094

摘要
图/表
参考文献
相关文章 (12)

全文: PDF (2604 KB) HTML (119 KB)
输出: BibTeX | EndNote (RIS)

摘要为探究并约束科研论文基金不实标注的现象，本文提出了基金与论文相关性判别模型。以国家社会科学基金项目及其资助论文为数据源，首先基于word2vec模型计算了基金标题与论文标题及摘要间的相似度，通过对相似度计算相关性证明了基金内容与其资助论文在大规模数据分析上存在差异；其次通过人工审核低相似度的数据发现了部分基金不实标注的案例；最后设计了基金与论文研究内容相关性检测模型。模型在检测基金与论文不相关案例时效果优越，查准率超过99%，其中，以Transformer作为编码器的模型的查全率和F值分别达到89.13%和94.22%。该模型在一定程度上能够帮助监管部门有效地从作者投稿和期刊审稿两方面抑制基金不实标注行为。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	叶文豪
	王东波
	沈思
	苏新宁

关键词 ：基金资助论文, 相似度, 孪生网络, 自注意力机制

收稿日期: 2019-07-23

基金资助:国家社会科学基金特别委托项目“国家社科基金项目成果学术影响力评估”（16@ZH081）。

作者简介: 叶文豪，男，1994 年生，博士研究生，研究领域为文本挖掘，E-mail: yewenhao1018@gmail.com；王东波，男，1981 年生，教授，博士生导师，研究领域为自然语言处理与文本挖掘、信息计量；沈思，女，1983 年生，讲师，博士，硕士生导师，研究领域为时间序列知识挖掘、信息计量；苏新宁，男，1955 年生，教授，博士生导师，研究领域为信息智能处理与检索、信息分析与科学评价。

引用本文:

叶文豪, 王东波, 沈思, 苏新宁. 基于孪生网络的基金与受资助论文相关性判别模型构建研究[J]. 情报学报, 2020, 39(6): 609-618.
Ye Wenhao, Wang Dongbo, Shen Si, Su Xinning. Research on Constructing a Model of Correlation Discrimination Between Funds and Funded Papers Based on Siamese Network. 情报学报, 2020, 39(6): 609-618.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2020.06.005 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I6/609

1 Tainer J A, Abt H A, Hargens L L, et al. Science, citation, and funding[J]. Science, 1991, 251(5000): 1408-1409.
2 Zhao S X, Lou W, Tan A M, et al. Do funded papers attract more usage?[J]. Scientometrics, 2018, 115(1): 153-168.
3 Morillo F. Public-private interactions reflected through the funding acknowledgements[J]. Scientometrics, 2016, 108(3): 1193-1204.
4 Mejia C, Kajikawa Y. Using acknowledgement data to characterize funding organizations by the types of research sponsored: The case of robotics research[J]. Scientometrics, 2018, 114(3): 883-904.
5 夏朝晖. 基金论文比在科技期刊评价体系中的作用探析[J]. 中国科技期刊研究, 2008, 19(4): 574-577.
6 刘睿远, 刘雪立, 王璞, 等. 基金论文比作为科技期刊评价指标的合理性——基于SCI数据库中眼科学期刊的实证研究[J]. 中国科技期刊研究, 2013, 24(3): 472-476.
7 王谦, 林萍, 孙昌朋, 等. 医学期刊基金论文比与影响因子等指标的关系及影响因素[J]. 中国科技期刊研究, 2015, 26(6): 634-638.
8 吕小红. 正确对待基金论文严格审核基金信息[J]. 编辑学报, 2012, 24(5): 445-447.
9 赵丽莹, 杨波, 张荣丽, 等. 关于科技论文多项基金标注的几点建议[J]. 中国科技期刊研究, 2009, 20(4): 729-731.
10 白雪娜, 张辉玲, 黄修杰. 科技论文基金项目标注的不端行为及防范对策研究——基于178篇论文标注209个国家自然科学基金项目的实证分析[J]. 编辑学报, 2017, 29(3): 260-264.
11 韩磊, 邱源. 学术期刊须警惕基金论文中基金项目不实标注现象[J]. 编辑学报, 2017, 29(2): 151-154.
12 Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[OL]. https://arxiv.org/pdf/1301.3781.pdf.
13 Song Y, Shi S M, Li J, et al. Directional Skip-Gram: Explicitly distinguishing left and right context for word embeddings[C]// Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2018, 2: 175-180.
14 Kusner M J, Sun Y, Kolkin N I, et al. From word embeddings to document distances[C]// Proceedings of the 32nd International Conference on Machine Learning. JMLR, 2015: 957-966.
15 Chopra S, Hadsell R, LeCun Y. Learning a similarity metric discriminatively, with application to face verification[C]// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE, 2005, 1: 539-546.
16 Mueller J, Thyagarajan A. Siamese recurrent architectures for learning sentence similarity[C]// Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2016: 2786-2792.
17 Neculoiu P, Versteegh M, Rotaru M. Learning text similarity with Siamese recurrent networks[C]// Proceedings of the 1st Workshop on Representation Learning for NLP. Stroudsburg: Association for Computational Linguistics, 2016: 148-157.
18 Cho K, van Merri?nboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]// Proceedings of the Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2014: 1724-1734.
19 Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2017: 6000-6010.
20 Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[OL]. https://arxiv.org/pdf/1409.0473.pdf.
21 Luong M T, Pham H, Manning C D. Effective approaches to attention-based neural machine translation[C]// Proceedings of the Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2015: 1412-1421.