一种基于PageRank算法的期刊评价的理论模型.docVIP

一种基于PageRank算法的期刊评价的理论模型 尹莉 （西北大学数学系 数学与科学史研究中心 陕西西安710127） 摘要 基于影响因子计算过程中只考虑数量而不注重质量，从而只能反映期刊流行度而不能反映期刊的权威性的缺陷，本文借鉴网页排序的PageRank算法，从图论的角度构建了一种应用于期刊评价的理论模型，并对其进行了解释说明，与影响因子算法进行了比较分析，提出了模型的优缺点以及适用范围。 关键词 期刊评价 PageRank 图论 影响因子 中图分类号 G304 G353. 1 文献标识码 A A New Theoretical Model of Journal Evaluation Based On PageRank Algorithm Yin Li (Center for Mathematics and History of Science, Department of Mathematics, Northwest University, Xi`an 710127) Abstract The calculation of impact factor based on only considering the quantity rather than quantity, which can only reflect the popularity of the journal and can`t reflect the authority of the journal. As to this defect, the paper learned from the PageRank algorithm, build a theoretical model of journal evaluation from the perspective of graph theory , and carried out its explanations, and compared it with the impact factor algorithm ,proposed the advantages and disadvantages ,the applied scope of the model . Key words Journal Evaluation, PageRank , Graph Theory , Impact Factor 1 引言 1.1 PageRank算法 当今互联网上有名的第一搜索引擎Google，自1998年问世以来，在极短的时间内声誉鹊起，超越了所有竞争对手，彻底改观了整个互联网的面貌。它的成功自然有许多商业因素，但其中最重要的却是它背后的数学因素【1】。这一数学因素的核心便是其创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）提出的链接分析算法PageRank。算法的初衷就是将用户需求的海量网页信息，按照重要性、相关性的大小排序提供给用户，也就是网页排序问题。佩奇和布林通过研究网页间的相互连接来确定排序，PageRank算法基于这样的假设：一个网页被其他网页链接得越多，它的排序就越靠前；一个网页越是被排序靠前的网页所连接，它的排序就也应该越靠前。即如果一个网页被一个重要的网页链接，那么它也应该是一个重要的网页【2】。正如一篇论文被诺贝尔奖获奖者引用要比被一名普通科学研究人员引用更能说明其价值。PageRank算法是综合考虑入链网页的数量和质量两个方面来进行网页分数的计算，从而进行网页排序的。 PageRank算法提出后得到了广泛地认可，并经过多年的发展和许多研究者对其存在的问题进行改进后，算法公式可以表示如下： 【3】 其中是k次迭代后计算得到的PR向量；为阻尼系数，通常取0.85；为悬挂模式向量，如果一个网页是悬挂网页，则，反之；n为维数，为全1行向量；为网页链接关系矩阵，表示如下： 这样通过计算网页的PR值然后对网页进行排序，不仅考虑了入链网页的数量，也考虑了质量，得到的排序结果是客观的。 1.2 期刊引用网络与网页链接网络的相关性 佩奇和布林在设计PageRank算法时就是借鉴了文献计量学中引文分析的基本思想，将一个超链接看作一次推荐，类似于引文分析中的一次引用，一个拥有更多超链接的网页比拥有较少超链接的网页更重要。引文分析中对论文的引用分析也是如此，一篇被更多的论文所引用的论文A，要比被更少论文所引用的论文B更重要。但是引文分析中的利用引用次数来衡量引文质量的指标通常是被认为存在问题的，比如影响因子，只考虑被引次数，而不考虑被引质量，将一篇论文的所有引用视为等同，不论引用来自于顶级的期刊如《Science》和《N