如何構建引文網路

『壹』 怎樣構建官方與自媒體的互補傳播格局

官方媒體與自媒體之間新聞傳播的互補與重建。
在自媒體時代，每個人都可以參與信息發布，他們既是新聞的傳播者也是接受者，自媒體的發展使傳播者和受眾之間的界限變得模糊，傳統媒體的新聞傳播格局被打破。在一定程度上這並不是壞事，傳統媒體和自媒體在新聞傳播中可以互補使新聞事業走向多元化。本文對傳統媒體和自媒體之間的關系展開論述，試圖在兩者的共同發展中找到互補與重建的方法。
引文網路，參考文獻，二級參考文獻，共引文獻，同被引文獻，引證文獻，二級引證文獻。

『貳』 請問學術論文中網路資料的引用的規范格式

題名應簡明，具體確切，概括文章的要旨，符合編制題錄、索引和檢索的有關原則並有助於選擇關鍵詞和分類號。中文題名一般不超過20個漢字，必要時可加副題名。應避免使用非公知公用的縮略語、字元、代號以及結構式和公式。

在每篇文章首頁下以腳注形式註明文章收稿日期，如收稿日期：2006-05-20。

文章均應有作者署名。作者姓名置於篇名下方，中國作者姓名的漢語拼音採用如下寫法：姓前名後，中間為空格。姓氏的全部字母均大寫，復姓連寫。名字的首字母大寫，雙字名中間不用連字元。姓名均不縮寫。

(2)如何構建引文網路擴展閱讀：

注意事項：

1、引述別人的觀點，可以直接引用，也可以間接引用，這兩種引用方式都要加上相應的注釋，用來註明所引文字的作者和出處。

2、直接引用指逐字逐句，一字不差，一字不漏地引用。直接引用可以證明觀點或文字的權威性，可以保留所引內容的原始文字，也可以強調所引內容的准確性。直接引用時引文要盡可能簡短，如果引文過長，即超過半頁，要把引文放到附錄部分，並在文中說明。

3、直接引用是引用原話，必須用引號，並且除了標明作者和出版年以外，還要標明具體頁碼，p.與數字之間有空格。

4、如果在正文中提到要引用的作者，而且是直接引用，則需緊隨其姓氏後用括弧標明出版年，然後在引用的引號後用括弧標明具體頁碼。

『叄』 引文分析的方法

引文分析（citation analysis），是一種對文獻引證與被引證關系進行分析的活動和方法，也是包含對引文關系進行分析的原理、方法、應用在內的一門學科。引文分析是基於文獻間的聯系而產生的一種分析方法。具體來說，文獻體系中文獻之間並不是孤立的，而是相互聯系的。文獻的相互關系突出地表現在文獻的相互引用方面。一篇文獻在編寫過程中一般都需要參考有關文獻。在文獻發表時，作者往往採用章節附註或腳注等形式列出其「參考文獻」或「引用書目」。一個「引文」是指一篇參考文獻，進行引用的是引用（citing）文獻，接受引用的是被引（cited）文獻。普賴斯在論及引證及被引證關系時提出：每一篇被引文獻，對於引證者（文獻作者）來說，就是有了一篇參考文獻，而對於被引證者來說，則是有了一篇引證文獻（引文）。

一篇文獻既可以是施引文獻，也可以是被引文獻。我們談到引文時，可以站在兩個角度：一是站在施引文獻的角度，那麼引文就是其參考文獻；二是站在被引文獻的角度，引文就是其本身。引文是有方向的，施引文獻的時間一般比引文要晚，不可能倒過來引用。

文獻在被引時，不一定是全部內容被引，因此，可以把一篇文獻中被引的部分稱為知識單元，那麼知識單元就有生產單元和儲存單元之分。如果文獻A中含有使用並描述文獻B的書目注釋，那麼文獻A就含有文獻B的參考文獻，而文獻B具有來自文獻A的引文。在上述的過程中，A被稱為引用文獻，而B被稱為被引用文獻。按照期刊間引用關系的概念—知識生產單元和知識存儲單元（Zinkhanand Leigh，1999），我們也稱A為知識存儲單元，B為知識生產單元（埃格希和魯索，1992）。知識從B流向A，如圖1所示，意味著引用是個動態的過程。

圖1 引用過程對應的概念

當引文網路中的文獻不是很多（少於幾百個）時，用一張引文圖就可以形象地表達文獻之間的引用關系。箭頭從代表di的一端指向代表dj的一端時，來自某一館藏的文獻就形成一張有向圖，這張圖就稱為「引文圖」或「引文網路」（圖2）。

『肆』 寫論文時，如果要引用一些網站上的文章，在參考文獻里應該怎麼寫呢

若引用網站上的文章，即電子文獻，參考文獻的格式為：

[序號]主要責任者.電子文獻題名[電子文獻及載體類型標識].電子文獻的出版或獲得地址，發表更新日期/引用日期

其中，電子文獻及載體類型標識有以下幾類：

[J/OL]：網上期刊

[EB/OL]：網上電子公告

[M/CD]：光碟圖書

[DB/OL]：網上資料庫

[DB/MT]：磁帶資料庫

例如：

[12]王明亮.關於中國學術期刊標准化資料庫系統工程的進展[EB/OL].

[8]萬錦.中國大學學報文摘（1983-1993）.英文版[DB/CD].北京：中國大網路全書出版社，1996.

(4)如何構建引文網路擴展閱讀

根據國家標准GB-3469的規定，通常以下列字母標識以下各種參考文獻類型：

1、參考文獻類型：專著[M]，論文集[C]，報紙文章[N]，期刊文章[J]，學位論文[D]，報告[R]，標准[S]，專利[P]，論文集中的析出文獻[A]

2、電子文獻類型：資料庫[DB]，計算機[CP]，電子公告[EB]

3、電子文獻的載體類型：互聯網[OL]，光碟[CD]，磁帶[MT]，磁碟[DK]

『伍』 知網的引文網路怎麼利用如何找到研究領域的大師

這個是知網引文網路的常識，至於找到研究領域的大師那就看他的文章，主要看文章的影響因子和下載量，還有論文是分等級的A+++等級就非常高了。

『陸』 如何構建知識圖譜

自己建嗎可以下載圖譜軟體構建
http://www.cnblogs.com/R0b1n/p/5224065.html可以參考一下這個

SPSS: 大型統計分析軟體，商用軟體。具有完整的數據輸入、編輯、統計分析、報表、圖形繪制等功能。常用於多元統計分析、數據挖掘和數據可視化。
Bibexcel: 瑞典科學計量學家Persoon開發的科學計量學軟體，用於科學研究免費軟體。具有文獻計量分析、引文分析、共引分析、耦合分析、聚類分析和數據可視化等功能。可用於分析ISI的SCI、SSCI和A&HCI文獻資料庫。
HistCite: Eugene Garfield等人於2001年開發的科學文獻引文鏈接分析和可視化系統，免費軟體。可對ISI的SCI、SSCI和SA&HCI等文獻資料庫的引文數據進行計量分析，生成文獻、作者和期刊的引文矩陣和實時動態引文編年圖。直觀的反映文獻之間的引用關系、主題的宗譜關系、作者歷史傳承關系、科學知識發展演進等。
CiteSpace: 陳超美博士開發的專門用於科學知識圖譜繪制的免費軟體。國內使用最多知識圖譜繪制軟體。可用於追蹤研究領域熱點和發展趨勢，了解研究領域的研究前沿及演進關鍵路徑，重要的文獻、作者及機構。可用於對ISI、CSSCI和CNKI等多種文獻資料庫進行分析。
TDA: Thomson Data Analyzer（TDA）是Thomson集團基於VantagePoint開發文獻分析工具。商用軟體。具有去重、分段等數據預處理功能；可形成共現矩陣、因子矩陣等多種分析矩陣；可使用Pearson、Cosine等多種演算法進行數據標准化；可進行知識圖譜可視化展示。
Sci2 Tools: 印第安納大學開發的用於研究科學結構的模塊化工具可從時間、空間、主題、網路分析和可視化等多角度，分析個體、局部和整體水平的知識單元。
ColPalRed: Gradnada大學開發的共詞單元文獻分析軟體。商用軟體。結構分析，在主題網路中展現知識（詞語及其關系）；戰略分析，通過中心度和密度，在主題網路中為主題定位；動態分析，分析主題網路演變，鑒定主題路徑和分支。
Leydesdorff: 系類軟體。阿姆斯特丹大學Leydesdorff開發的這對文獻計量的小程序集合。處理共詞分析、耦合分析、共引分析等知識單元體系。使用「層疊圖」實現可視化知識的靜態布局和動態變化。
Word Smith: 詞頻分析軟體。可將文本中單詞出現頻率排序和找出單詞的搭配片語。
NWB Tools: 印第安納大學開發的對大規模知識網路進行建模、分析和可視化工具. 數據預處理；構建共引、共詞、耦合等多種網路；可用多種方法進行網路分析；可進行可視化展示.
Ucinet NetDraw: Ucinet是社會網路分析工具。包括網路可視化工具Net Draw。用於處理多種關系數據，可通過節點屬性對節點的顏色、形狀和大小等進行設置。用於社交網路分析和網路可視化。
Pajek: 來自斯洛維尼亞的分析大型網路的社會網路分析免費軟體。Pajek基於圖論、網路分析和可視化技術，主要用於大型網路分解，網路關系展示，科研作者合作網路圖譜的繪制。
VOSviewer: 荷蘭萊頓大學開發的文獻可視化分析工具。使用基於VOS聚類技術技術實現知識單元可視化工具。突出特點可視化能力強，適合於大規模樣本數據。四種視圖瀏覽：標簽視圖、密度視圖、聚類視圖和分散視圖。

[4]陳悅, 劉則淵, 陳勁等. 科學知識圖譜的發展歷程[J]. 科學學研究, 2008, (03): 449-460.

[5]Shiffrin, R.M., and Katy Börner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.

[6]Börner, K., Chen, C.和Boyack, K.W. Visualizing knowledge domains[J]. Annual review of information science and technology, 2003, 37, (1): 179-255.

[7]CM, C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57, (3): 359-377.

[8]陳悅和劉則淵. 悄然興起的科學知識圖譜[J]. 科學學研究, 2005, (02): 149-154.

[9]邱均平. 信息計量學[M]. (武漢大學出版社, 2007. 2007).

[10]沙勇忠和牛春華. 信息分析[M]. (科學出版社, 2009. 2009).

[11]塞沃爾, 建軍和煦. 鏈接分析: 信息科學的研究方法[M]. (東南大學出版社, 2009. 2009).

[12]Egghe, L.和Rousseau, R. Introction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990

[13]韓家煒, 坎伯, 裴健等. 數據挖掘: 概念與技術[M]. (機械工業出版社, 2007. 2007).

[14]Wasserman, S. Social network analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994).

[15]Persson, O., R. Danell, J. Wiborg Schneider. How to use Bibexcel for various types of bibliometric analysis[C]. Proc. International Society for Scientometrics and Informetrics., Leuven, Belgium2009 pp. 9–24.

[16]Yang, Y., Akers, L., Klose, T.等. Text mining and visualization tools–impressions of emerging capabilities[J]. World Patent Information, 2008, 30, (4): 280-293.

[17]Börner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Network Workbench Tool[J]. Scientometrics, 2010, 83, (3): 863-876.

[18]廖勝姣. 科學知識圖譜繪制工具:SPSS和TDA的比較研究[J]. 圖書館學研究, 2011, (05): 46-49.

[19]Scott, M. WordSmith tools[M]. (Oxford: Oxford University Press, 1996. 1996).

[20]Batagelj, V.和Mrvar, A. Pajek - Program for Large Network Analysis[M]. (1998. 1998).

[21]Borgatti, S.P., Everett, M.G.和Freeman, L.C. Ucinet for Windows: Software for social network analysis[J]. 2002

[22]Van Eck, N.J.和Waltman, L. VOSviewer: A computer program for bibliometric mapping[J]. 2009

『柒』 GCN圖卷積網路入門詳解

在這篇文章中，我們將仔細研究一個名為GCN的著名圖神經網路。首先，我們先直觀的了解一下它的工作原理，然後再深入了解它背後的數學原理。

字幕組雙語原文： 【GCN】圖卷積網路(GCN)入門詳解
英語原文： Graph Convolutional Networks (GCN)
翻譯： 聽風1996 、 大表哥

許多問題的本質上都是圖。在我們的世界裡，我們看到很多數據都是圖，比如分子、社交網路、論文引用網路。

圖的例子。(圖片來自[1])

在圖中，我們有節點特徵（代表節點的數據）和圖的結構（表示節點如何連接）。

對於節點來說，我們可以很容易地得到每個節點的數據。但是當涉及到圖的結構時，要從中提取有用的信息就不是一件容易的事情了。例如，如果2個節點彼此距離很近，我們是否應該將它們與其他對節點區別對待呢？高低度節點又該如何處理呢？其實，對於每一項具體的工作，僅僅是特徵工程，即把圖結構轉換為我們的特徵，就會消耗大量的時間和精力。

圖上的特徵工程。(圖片來自[1])

如果能以某種方式同時得到圖的節點特徵和結構信息作為輸入，讓機器自己去判斷哪些信息是有用的，那就更好了。

這也是為什麼我們需要圖表示學習的原因。

我們希望圖能夠自己學習 "特徵工程"。(圖片來自[1])

論文 ：基於圖神經網路的半監督分類 （2017）[3]

GCN是一種卷積神經網路，它可以直接在圖上工作，並利用圖的結構信息。

它解決的是對圖（如引文網路）中的節點（如文檔）進行分類的問題，其中僅有一小部分節點有標簽（半監督學習）。

在Graphs上進行半監督學習的例子。有些節點沒有標簽（未知節點）。

就像"卷積"這個名字所指代的那樣，這個想法來自於圖像，之後引進到圖（Graphs）中。然而，當圖像有固定的結構時，圖（Graphs）就復雜得多。

從圖像到圖形的卷積思想。 (圖片來自[1])

GCN的基本思路：對於每個節點，我們從它的所有鄰居節點處獲取其特徵信息，當然也包括它自身的特徵。假設我們使用average()函數。我們將對所有的節點進行同樣的操作。最後，我們將這些計算得到的平均值輸入到神經網路中。

在下圖中，我們有一個引文網路的簡單實例。其中每個節點代表一篇研究論文，同時邊代表的是引文。我們在這里有一個預處理步驟。在這里我們不使用原始論文作為特徵，而是將論文轉換成向量（通過使用NLP嵌入，例如tf-idf）。NLP嵌入，例如TF-IDF)。

讓我們考慮下綠色節點。首先，我們得到它的所有鄰居的特徵值，包括自身節點，接著取平均值。最後通過神經網路返回一個結果向量並將此作為最終結果。

GCN的主要思想。我們以綠色節點為例。首先，我們取其所有鄰居節點的平均值，包括自身節點。然後，將平均值通過神經網路。請注意，在GCN中，我們僅僅使用一個全連接層。在這個例子中，我們得到2維向量作為輸出（全連接層的2個節點）。

在實際操作中，我們可以使用比average函數更復雜的聚合函數。我們還可以將更多的層疊加在一起，以獲得更深的GCN。其中每一層的輸出會被視為下一層的輸入。

2層GCN的例子：第一層的輸出是第二層的輸入。同樣，注意GCN中的神經網路僅僅是一個全連接層（圖片來自[2]）。

讓我們認真從數學角度看看它到底是如何起作用的。

首先，我們需要一些註解

我們考慮圖G，如下圖所示。

從圖G中，我們有一個鄰接矩陣A和一個度矩陣D。同時我們也有特徵矩陣X。

那麼我們怎樣才能從鄰居節點處得到每一個節點的特徵值呢？解決方法就在於A和X的相乘。

看看鄰接矩陣的第一行，我們看到節點A與節點E之間有連接，得到的矩陣第一行就是與A相連接的E節點的特徵向量（如下圖）。同理，得到的矩陣的第二行是D和E的特徵向量之和，通過這個方法，我們可以得到所有鄰居節點的向量之和。

計算 "和向量矩陣 "AX的第一行。

在問題（1）中，我們可以通過在A中增加一個單位矩陣I來解決，得到一個新的鄰接矩陣Ã。

取lambda=1（使得節點本身的特徵和鄰居一樣重要），我們就有Ã=A+I，注意，我們可以把lambda當做一個可訓練的參數，但現在只要把lambda賦值為1就可以了，即使在論文中，lambda也只是簡單的賦值為1。

通過給每個節點增加一個自循環，我們得到新的鄰接矩陣

對於問題(2): 對於矩陣縮放，我們通常將矩陣乘以對角線矩陣。在當前的情況下，我們要取聚合特徵的平均值，或者從數學角度上說，要根據節點度數對聚合向量矩陣ÃX進行縮放。直覺告訴我們這里用來縮放的對角矩陣是和度矩陣D̃有關的東西（為什麼是D̃，而不是D？因為我們考慮的是新鄰接矩陣Ã 的度矩陣D̃，而不再是A了）。

現在的問題變成了我們要如何對和向量進行縮放/歸一化？換句話說：

我們如何將鄰居的信息傳遞給特定節點？我們從我們的老朋友average開始。在這種情況下，D̃的逆矩陣（即，D̃^{-1}）就會用起作用。基本上，D̃的逆矩陣中的每個元素都是對角矩陣D中相應項的倒數。

例如，節點A的度數為2，所以我們將節點A的聚合向量乘以1/2，而節點E的度數為5，我們應該將E的聚合向量乘以1/5，以此類推。

因此，通過D̃取反和X的乘法，我們可以取所有鄰居節點的特徵向量（包括自身節點）的平均值。

到目前為止一切都很好。但是你可能會問加權平均()怎麼樣？直覺上，如果我們對高低度的節點區別對待，應該會更好。

但我們只是按行縮放，但忽略了對應的列（虛線框）。

為列增加一個新的縮放器。

新的縮放方法給我們提供了 "加權 "的平均值。我們在這里做的是給低度的節點加更多的權重，以減少高度節點的影響。這個加權平均的想法是，我們假設低度節點會對鄰居節點產生更大的影響，而高度節點則會產生較低的影響，因為它們的影響力分散在太多的鄰居節點上。

在節點B處聚合鄰接節點特徵時，我們為節點B本身分配最大的權重（度數為3），為節點E分配最小的權重（度數為5）。

因為我們歸一化了兩次，所以將"-1 "改為"-1/2"

例如，我們有一個多分類問題，有10個類，F 被設置為10。在第2層有了10個維度的向量後，我們將這些向量通過一個softmax函數進行預測。

Loss函數的計算方法很簡單，就是通過對所有有標簽的例子的交叉熵誤差來計算，其中Y_{l}是有標簽的節點的集合。

層數是指節點特徵能夠傳輸的最遠距離。例如，在1層的GCN中，每個節點只能從其鄰居那裡獲得信息。每個節點收集信息的過程是獨立進行的，對所有節點來說都是在同一時間進行的。

當在第一層的基礎上再疊加一層時，我們重復收集信息的過程，但這一次，鄰居節點已經有了自己的鄰居的信息（來自上一步）。這使得層數成為每個節點可以走的最大跳步。所以，這取決於我們認為一個節點應該從網路中獲取多遠的信息，我們可以為#layers設置一個合適的數字。但同樣，在圖中，通常我們不希望走得太遠。設置為6-7跳，我們就幾乎可以得到整個圖，但是這就使得聚合的意義不大。

例： 收集目標節點 i 的兩層信息的過程

在論文中，作者還分別對淺層和深層的GCN進行了一些實驗。在下圖中，我們可以看到，使用2層或3層的模型可以得到最好的結果。此外，對於深層的GCN（超過7層），反而往往得到不好的性能（虛線藍色）。一種解決方案是藉助隱藏層之間的殘余連接（紫色線）。

不同層數#的性能。圖片來自論文[3]

論文作者的說明

該框架目前僅限於無向圖（加權或不加權）。但是，可以通過將原始有向圖表示為一個無向的兩端圖，並增加代表原始圖中邊的節點，來處理有向邊和邊特徵。

對於GCN，我們似乎可以同時利用節點特徵和圖的結構。然而，如果圖中的邊有不同的類型呢？我們是否應該對每種關系進行不同的處理？在這種情況下如何聚合鄰居節點？最近有哪些先進的方法？

在圖專題的下一篇文章中，我們將研究一些更復雜的方法。

如何處理邊的不同關系（兄弟、朋友、......）？

[1] Excellent slides on Graph Representation Learning by Jure Leskovec (Stanford): https://drive.google.com/file/d//view?usp=sharing

[2] Video Graph Convolutional Networks (GCNs) made simple: https://www.youtube.com/watch?v=2KRAOZIULzw

[3] Paper Semi-supervised Classification with Graph Convolutional Networks (2017): https://arxiv.org/pdf/1609.02907.pdf

[4] GCN source code: https://github.com/tkipf/gcn

[5] Demo with StellarGraph library: https://stellargraph.readthedocs.io/en/stable/demos/node-classification/gcn-node-classification.html

雷鋒字幕組是一個由AI愛好者組成的翻譯團隊，匯聚五五多位志願者的力量，分享最新的海外AI資訊，交流關於人工智慧技術領域的行業轉變與技術創新的見解。

團隊成員有大數據專家，演算法工程師，圖像處理工程師，產品經理，產品運營，IT咨詢人，在校師生；志願者們來自IBM，AVL，Adobe，阿里，網路等知名企業，北大，清華，港大，中科院，南卡羅萊納大學，早稻田大學等海內外高校研究所。

如果，你也是位熱愛分享的AI愛好者。歡迎與雷鋒字幕組一起，學習新知，分享成長。

『捌』 學術論文中參考文獻為引用網頁的如何表示

格式：主要責任者.題名：其他題名信息[文獻類型標志/文獻載體標志].出版地：出版者，出版年：引文頁碼(更新或修改日期)[引用日期].獲取和訪問路徑.數字對象唯一標識符.

示例：

北京市人民政府辦公廳.關於轉發北京市企業投資項目核准暫行實施辦法的通知：京政辦發[2005]37號[A/OL]. （2005-07-12）[2005-07-12]. http://china.findlaw.cn/fagui/p-1/39934.html.

(8)如何構建引文網路擴展閱讀：

常用參考文獻標准格式

1、專著、論文集、報告

主要責任者.文獻題名[文獻類型標識].出版地:出版者,出版年:起止頁碼(可選).

示例：劉國鈞,陳紹業.圖書館目錄[M].北京:高等教育出版社,1957:15-18.

2、期刊文章

主要責任者.文獻題名[J].刊名,年,卷(期):起止頁碼.

示例：何齡修.讀南明史[J].中國史研究,1998,(3):167-173.

3、論文集中的析出文獻

析出文獻主要責任者.析出文獻題名[A].原文獻主要責任者(可選)原文獻題名[C].出版地:出版者,出版年:起止頁碼.

示例：鍾文發.非線性規劃在可燃毒物配置中的應用[A].趙煒.運籌學的理論與應用——中國運籌學會第五屆大會論文集[C].西安:西安電子科技大學出版社,1996:468.

4、學位論文

主要責任者.文獻題名[D].出版地:出版單位,出版年:起止頁碼(可選).

示例：趙天書.諾西肽分階段補料分批發酵過程優化研究[D].沈陽:東北大學,2013.

5、報紙文章

主要責任者.文獻題名[N].報紙名,出版日期(版次).

示例：謝希德.創造學習的新思路[N].人民日報,1998-12-25(10).

參考文獻來源：河南理工大學學術出版中心—參考文獻著錄規則

『玖』 citation network是什麼意思

citation network

引文網路；引用網路；引文網路

例句

1.The Citation Network of Chinese Sci-tech Journals: Analysis of International and Domestic Impacts
中國科技期刊引文網路：國際影響和國內影響分析

2.Exhibiting the dynamic evolution of scientific knowledge, the citation network has been studied extensively as a complex network system.
科學引文網路反映了科學知識的動態演化，作為一個復雜的網路系統已得到廣泛研究。

3.Co-citation network deced from citation network is the basis of data of co-citation analysis.
由引文網路而演繹出的同引網路是同引分析研究的數據基礎。

4.Firstly, through measuring density, average distance and compactness, the citation network is proved to be a compact and coherent one.
通過密度、平均距離及凝聚力的測度，證明該網路比較緊湊，連通狀況良好；

5.Study on the Status Quo of Citation of Network References
網路參考文獻著錄現狀研究