[论文解读] Stochastic Block Model Reveals the Map of Citation Patterns and Their Evolution in Time

Darko Hric, Kimmo Kaski+1 more|arXiv (Cornell University)|Apr 28, 2017

Scientific Computing and Data Management被引用 5

一句话总结

本文提出一种随机块模型（SBM），用于描绘科学期刊引文网络的宏观结构及其随时间的演变，揭示了无需依赖辅助相似性度量的聚类、桥梁、源头和汇点。该方法基于引文模式识别期刊的分层分组，并表明人工划分的期刊子领域分类与SBM块存在关联，且这种关联随时间演变。

ABSTRACT

In this study we map out the large-scale structure of citation networks of science journals and follow their evolution in time by using stochastic block models (SBMs). The SBM fitting procedures are principled methods that can be used to find hierarchical grouping of journals into blocks that show similar incoming and outgoing citations patterns. These methods work directly on the citation network without the need to construct auxiliary networks based on similarity of nodes. We fit the SBMs to the networks of journals we have constructed from the data set of around 630 million citations and find a variety of different types of blocks, such as clusters, bridges, sources, and sinks. In addition we use a recent generalization of SBMs to determine how much a manually curated classification of journals into subfields of science is related to the block structure of the journal network and how this relationship changes in time. The SBM method tries to find a network of blocks that is the best high-level representation of the network of journals, and we illustrate how these block networks (at various levels of resolution) can be used as maps of science.

研究动机与目标

• 使用严谨的网络建模方法，绘制跨科学期刊引文网络的宏观结构。
• 追踪跨越数十年的引文网络中这些结构模式的随时间演变。
• 评估人工整理的期刊子领域分类与SBM揭示的块结构之间的对齐程度。
• 利用SBM推导的块网络，构建科学的分层、高层次表示，形成‘科学地图’。
• 量化期刊主题分类在预测引文流动方面的表现，基于SBM的网络抽象。

提出的方法

• 直接将随机块模型（SBMs）应用于期刊的引文网络，无需构建基于相似性的辅助网络。
• 通过SBM拟合识别具有相似引文流入和流出模式的期刊块，包括聚类、桥梁、源头和汇点。
• 利用广义SBM分析多分辨率层级分组，实现多尺度网络抽象。
• 使用归一化内部、流入和流出流量的公式建模块间引文流动，公式中考虑了块间连接。
• 采用10年滑动平均平滑块结构和分类预测力的时间趋势。
• 在SBM框架下计算预测力度量（如μ），评估分类与引文行为对齐程度，适用于领域和子领域。

实验结果

研究问题

• RQ1 随机块模型如何揭示跨科学期刊引文网络的宏观结构组织？
• RQ2 在引文网络中，期刊的角色（如源头、汇点、桥梁）如何随时间演变？
• RQ3 人工整理的期刊子领域分类在多大程度上与SBM识别的块结构对齐？
• RQ4 期刊分类与引文模式之间的关系如何随时间变化？
• RQ5 SBM推导的块网络能否作为不同分辨率下可靠的、分层的科学地图？

主要发现

• SBM识别出引文网络中的不同结构角色，包括聚类（内部引文密集）、桥梁（连接聚类）、源头（高外部引文输出）和汇点（高内部引文输入）。
• 该方法揭示了随时间演变的分层块结构，块的显著性和连通性发生动态变化。
• 人工期刊分类为子领域的结果与SBM块存在中等程度对齐，预测力（μ）值表明子领域比领域略好地预测引文模式。
• 至少被分类到一个子领域的期刊比例在约1970年左右降至最低点，表明早期年份分类不完整或不一致。
• 块结构的时间演变表明，分类与引文模式之间的关系并非静态，后期几十年中对齐程度逐渐提高。
• 归一化流量公式（公式6–8）可准确传播块属性通过分层合并过程，在不同分辨率间保持结构完整性。