如何构建引文网络

‘壹’ 怎样构建官方与自媒体的互补传播格局

官方媒体与自媒体之间新闻传播的互补与重建。
在自媒体时代，每个人都可以参与信息发布，他们既是新闻的传播者也是接受者，自媒体的发展使传播者和受众之间的界限变得模糊，传统媒体的新闻传播格局被打破。在一定程度上这并不是坏事，传统媒体和自媒体在新闻传播中可以互补使新闻事业走向多元化。本文对传统媒体和自媒体之间的关系展开论述，试图在两者的共同发展中找到互补与重建的方法。
引文网络，参考文献，二级参考文献，共引文献，同被引文献，引证文献，二级引证文献。

‘贰’ 请问学术论文中网络资料的引用的规范格式

题名应简明，具体确切，概括文章的要旨，符合编制题录、索引和检索的有关原则并有助于选择关键词和分类号。中文题名一般不超过20个汉字，必要时可加副题名。应避免使用非公知公用的缩略语、字符、代号以及结构式和公式。

在每篇文章首页下以脚注形式注明文章收稿日期，如收稿日期：2006-05-20。

文章均应有作者署名。作者姓名置于篇名下方，中国作者姓名的汉语拼音采用如下写法：姓前名后，中间为空格。姓氏的全部字母均大写，复姓连写。名字的首字母大写，双字名中间不用连字符。姓名均不缩写。

(2)如何构建引文网络扩展阅读：

注意事项：

1、引述别人的观点，可以直接引用，也可以间接引用，这两种引用方式都要加上相应的注释，用来注明所引文字的作者和出处。

2、直接引用指逐字逐句，一字不差，一字不漏地引用。直接引用可以证明观点或文字的权威性，可以保留所引内容的原始文字，也可以强调所引内容的准确性。直接引用时引文要尽可能简短，如果引文过长，即超过半页，要把引文放到附录部分，并在文中说明。

3、直接引用是引用原话，必须用引号，并且除了标明作者和出版年以外，还要标明具体页码，p.与数字之间有空格。

4、如果在正文中提到要引用的作者，而且是直接引用，则需紧随其姓氏后用括号标明出版年，然后在引用的引号后用括号标明具体页码。

‘叁’ 引文分析的方法

引文分析（citation analysis），是一种对文献引证与被引证关系进行分析的活动和方法，也是包含对引文关系进行分析的原理、方法、应用在内的一门学科。引文分析是基于文献间的联系而产生的一种分析方法。具体来说，文献体系中文献之间并不是孤立的，而是相互联系的。文献的相互关系突出地表现在文献的相互引用方面。一篇文献在编写过程中一般都需要参考有关文献。在文献发表时，作者往往采用尾注或脚注等形式列出其“参考文献”或“引用书目”。一个“引文”是指一篇参考文献，进行引用的是引用（citing）文献，接受引用的是被引（cited）文献。普赖斯在论及引证及被引证关系时提出：每一篇被引文献，对于引证者（文献作者）来说，就是有了一篇参考文献，而对于被引证者来说，则是有了一篇引证文献（引文）。

一篇文献既可以是施引文献，也可以是被引文献。我们谈到引文时，可以站在两个角度：一是站在施引文献的角度，那么引文就是其参考文献；二是站在被引文献的角度，引文就是其本身。引文是有方向的，施引文献的时间一般比引文要晚，不可能倒过来引用。

文献在被引时，不一定是全部内容被引，因此，可以把一篇文献中被引的部分称为知识单元，那么知识单元就有生产单元和储存单元之分。如果文献A中含有使用并描述文献B的书目注释，那么文献A就含有文献B的参考文献，而文献B具有来自文献A的引文。在上述的过程中，A被称为引用文献，而B被称为被引用文献。按照期刊间引用关系的概念—知识生产单元和知识存储单元（Zinkhanand Leigh，1999），我们也称A为知识存储单元，B为知识生产单元（埃格希和鲁索，1992）。知识从B流向A，如图1所示，意味着引用是个动态的过程。

图1 引用过程对应的概念

当引文网络中的文献不是很多（少于几百个）时，用一张引文图就可以形象地表达文献之间的引用关系。箭头从代表di的一端指向代表dj的一端时，来自某一馆藏的文献就形成一张有向图，这张图就称为“引文图”或“引文网络”（图2）。

‘肆’ 写论文时，如果要引用一些网站上的文章，在参考文献里应该怎么写呢

若引用网站上的文章，即电子文献，参考文献的格式为：

[序号]主要责任者.电子文献题名[电子文献及载体类型标识].电子文献的出版或获得地址，发表更新日期/引用日期

其中，电子文献及载体类型标识有以下几类：

[J/OL]：网上期刊

[EB/OL]：网上电子公告

[M/CD]：光盘图书

[DB/OL]：网上数据库

[DB/MT]：磁带数据库

例如：

[12]王明亮.关于中国学术期刊标准化数据库系统工程的进展[EB/OL].

[8]万锦.中国大学学报文摘（1983-1993）.英文版[DB/CD].北京：中国大网络全书出版社，1996.

(4)如何构建引文网络扩展阅读

根据国家标准GB-3469的规定，通常以下列字母标识以下各种参考文献类型：

1、参考文献类型：专着[M]，论文集[C]，报纸文章[N]，期刊文章[J]，学位论文[D]，报告[R]，标准[S]，专利[P]，论文集中的析出文献[A]

2、电子文献类型：数据库[DB]，计算机[CP]，电子公告[EB]

3、电子文献的载体类型：互联网[OL]，光盘[CD]，磁带[MT]，磁盘[DK]

‘伍’ 知网的引文网络怎么利用如何找到研究领域的大师

这个是知网引文网络的常识，至于找到研究领域的大师那就看他的文章，主要看文章的影响因子和下载量，还有论文是分等级的A+++等级就非常高了。

‘陆’ 如何构建知识图谱

自己建吗可以下载图谱软件构建
http://www.cnblogs.com/R0b1n/p/5224065.html可以参考一下这个

SPSS: 大型统计分析软件，商用软件。具有完整的数据输入、编辑、统计分析、报表、图形绘制等功能。常用于多元统计分析、数据挖掘和数据可视化。
Bibexcel: 瑞典科学计量学家Persoon开发的科学计量学软件，用于科学研究免费软件。具有文献计量分析、引文分析、共引分析、耦合分析、聚类分析和数据可视化等功能。可用于分析ISI的SCI、SSCI和A&HCI文献数据库。
HistCite: Eugene Garfield等人于2001年开发的科学文献引文链接分析和可视化系统，免费软件。可对ISI的SCI、SSCI和SA&HCI等文献数据库的引文数据进行计量分析，生成文献、作者和期刊的引文矩阵和实时动态引文编年图。直观的反映文献之间的引用关系、主题的宗谱关系、作者历史传承关系、科学知识发展演进等。
CiteSpace: 陈超美博士开发的专门用于科学知识图谱绘制的免费软件。国内使用最多知识图谱绘制软件。可用于追踪研究领域热点和发展趋势，了解研究领域的研究前沿及演进关键路径，重要的文献、作者及机构。可用于对ISI、CSSCI和CNKI等多种文献数据库进行分析。
TDA: Thomson Data Analyzer（TDA）是Thomson集团基于VantagePoint开发文献分析工具。商用软件。具有去重、分段等数据预处理功能；可形成共现矩阵、因子矩阵等多种分析矩阵；可使用Pearson、Cosine等多种算法进行数据标准化；可进行知识图谱可视化展示。
Sci2 Tools: 印第安纳大学开发的用于研究科学结构的模块化工具可从时间、空间、主题、网络分析和可视化等多角度，分析个体、局部和整体水平的知识单元。
ColPalRed: Gradnada大学开发的共词单元文献分析软件。商用软件。结构分析，在主题网络中展现知识（词语及其关系）；战略分析，通过中心度和密度，在主题网络中为主题定位；动态分析，分析主题网络演变，鉴定主题路径和分支。
Leydesdorff: 系类软件。阿姆斯特丹大学Leydesdorff开发的这对文献计量的小程序集合。处理共词分析、耦合分析、共引分析等知识单元体系。使用“层叠图”实现可视化知识的静态布局和动态变化。
Word Smith: 词频分析软件。可将文本中单词出现频率排序和找出单词的搭配词组。
NWB Tools: 印第安纳大学开发的对大规模知识网络进行建模、分析和可视化工具. 数据预处理；构建共引、共词、耦合等多种网络；可用多种方法进行网络分析；可进行可视化展示.
Ucinet NetDraw: Ucinet是社会网络分析工具。包括网络可视化工具Net Draw。用于处理多种关系数据，可通过节点属性对节点的颜色、形状和大小等进行设置。用于社交网络分析和网络可视化。
Pajek: 来自斯洛文尼亚的分析大型网络的社会网络分析免费软件。Pajek基于图论、网络分析和可视化技术，主要用于大型网络分解，网络关系展示，科研作者合作网络图谱的绘制。
VOSviewer: 荷兰莱顿大学开发的文献可视化分析工具。使用基于VOS聚类技术技术实现知识单元可视化工具。突出特点可视化能力强，适合于大规模样本数据。四种视图浏览：标签视图、密度视图、聚类视图和分散视图。

[4]陈悦, 刘则渊, 陈劲等. 科学知识图谱的发展历程[J]. 科学学研究, 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]陈悦和刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究, 2005, (02): 149-154.

[9]邱均平. 信息计量学[M]. (武汉大学出版社, 2007. 2007).

[10]沙勇忠和牛春华. 信息分析[M]. (科学出版社, 2009. 2009).

[11]塞沃尔, 建军和煦. 链接分析: 信息科学的研究方法[M]. (东南大学出版社, 2009. 2009).

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

[13]韩家炜, 坎伯, 裴健等. 数据挖掘: 概念与技术[M]. (机械工业出版社, 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]廖胜姣. 科学知识图谱绘制工具:SPSS和TDA的比较研究[J]. 图书馆学研究, 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图卷积网络入门详解

在这篇文章中，我们将仔细研究一个名为GCN的着名图神经网络。首先，我们先直观的了解一下它的工作原理，然后再深入了解它背后的数学原理。

字幕组双语原文： 【GCN】图卷积网络(GCN)入门详解
英语原文： Graph Convolutional Networks (GCN)
翻译： 听风1996 、 大表哥

许多问题的本质上都是图。在我们的世界里，我们看到很多数据都是图，比如分子、社交网络、论文引用网络。

图的例子。(图片来自[1])

在图中，我们有节点特征（代表节点的数据）和图的结构（表示节点如何连接）。

对于节点来说，我们可以很容易地得到每个节点的数据。但是当涉及到图的结构时，要从中提取有用的信息就不是一件容易的事情了。例如，如果2个节点彼此距离很近，我们是否应该将它们与其他对节点区别对待呢？高低度节点又该如何处理呢？其实，对于每一项具体的工作，仅仅是特征工程，即把图结构转换为我们的特征，就会消耗大量的时间和精力。

图上的特征工程。(图片来自[1])

如果能以某种方式同时得到图的节点特征和结构信息作为输入，让机器自己去判断哪些信息是有用的，那就更好了。

这也是为什么我们需要图表示学习的原因。

我们希望图能够自己学习 "特征工程"。(图片来自[1])

论文 ：基于图神经网络的半监督分类 （2017）[3]

GCN是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息。

它解决的是对图（如引文网络）中的节点（如文档）进行分类的问题，其中仅有一小部分节点有标签（半监督学习）。

在Graphs上进行半监督学习的例子。有些节点没有标签（未知节点）。

就像"卷积"这个名字所指代的那样，这个想法来自于图像，之后引进到图（Graphs）中。然而，当图像有固定的结构时，图（Graphs）就复杂得多。

从图像到图形的卷积思想。 (图片来自[1])

GCN的基本思路：对于每个节点，我们从它的所有邻居节点处获取其特征信息，当然也包括它自身的特征。假设我们使用average()函数。我们将对所有的节点进行同样的操作。最后，我们将这些计算得到的平均值输入到神经网络中。

在下图中，我们有一个引文网络的简单实例。其中每个节点代表一篇研究论文，同时边代表的是引文。我们在这里有一个预处理步骤。在这里我们不使用原始论文作为特征，而是将论文转换成向量（通过使用NLP嵌入，例如tf-idf）。NLP嵌入，例如TF-IDF)。

让我们考虑下绿色节点。首先，我们得到它的所有邻居的特征值，包括自身节点，接着取平均值。最后通过神经网络返回一个结果向量并将此作为最终结果。

GCN的主要思想。我们以绿色节点为例。首先，我们取其所有邻居节点的平均值，包括自身节点。然后，将平均值通过神经网络。请注意，在GCN中，我们仅仅使用一个全连接层。在这个例子中，我们得到2维向量作为输出（全连接层的2个节点）。

在实际操作中，我们可以使用比average函数更复杂的聚合函数。我们还可以将更多的层叠加在一起，以获得更深的GCN。其中每一层的输出会被视为下一层的输入。

2层GCN的例子：第一层的输出是第二层的输入。同样，注意GCN中的神经网络仅仅是一个全连接层（图片来自[2]）。

让我们认真从数学角度看看它到底是如何起作用的。

首先，我们需要一些注解

我们考虑图G，如下图所示。

从图G中，我们有一个邻接矩阵A和一个度矩阵D。同时我们也有特征矩阵X。

那么我们怎样才能从邻居节点处得到每一个节点的特征值呢？解决方法就在于A和X的相乘。

看看邻接矩阵的第一行，我们看到节点A与节点E之间有连接，得到的矩阵第一行就是与A相连接的E节点的特征向量（如下图）。同理，得到的矩阵的第二行是D和E的特征向量之和，通过这个方法，我们可以得到所有邻居节点的向量之和。

计算 "和向量矩阵 "AX的第一行。

在问题（1）中，我们可以通过在A中增加一个单位矩阵I来解决，得到一个新的邻接矩阵Ã。

取lambda=1（使得节点本身的特征和邻居一样重要），我们就有Ã=A+I，注意，我们可以把lambda当做一个可训练的参数，但现在只要把lambda赋值为1就可以了，即使在论文中，lambda也只是简单的赋值为1。

通过给每个节点增加一个自循环，我们得到新的邻接矩阵

对于问题(2): 对于矩阵缩放，我们通常将矩阵乘以对角线矩阵。在当前的情况下，我们要取聚合特征的平均值，或者从数学角度上说，要根据节点度数对聚合向量矩阵ÃX进行缩放。直觉告诉我们这里用来缩放的对角矩阵是和度矩阵D̃有关的东西（为什么是D̃，而不是D？因为我们考虑的是新邻接矩阵Ã 的度矩阵D̃，而不再是A了）。

现在的问题变成了我们要如何对和向量进行缩放/归一化？换句话说：

我们如何将邻居的信息传递给特定节点？我们从我们的老朋友average开始。在这种情况下，D̃的逆矩阵（即，D̃^{-1}）就会用起作用。基本上，D̃的逆矩阵中的每个元素都是对角矩阵D中相应项的倒数。

例如，节点A的度数为2，所以我们将节点A的聚合向量乘以1/2，而节点E的度数为5，我们应该将E的聚合向量乘以1/5，以此类推。

因此，通过D̃取反和X的乘法，我们可以取所有邻居节点的特征向量（包括自身节点）的平均值。

到目前为止一切都很好。但是你可能会问加权平均()怎么样？直觉上，如果我们对高低度的节点区别对待，应该会更好。

但我们只是按行缩放，但忽略了对应的列（虚线框）。

为列增加一个新的缩放器。

新的缩放方法给我们提供了 "加权 "的平均值。我们在这里做的是给低度的节点加更多的权重，以减少高度节点的影响。这个加权平均的想法是，我们假设低度节点会对邻居节点产生更大的影响，而高度节点则会产生较低的影响，因为它们的影响力分散在太多的邻居节点上。

在节点B处聚合邻接节点特征时，我们为节点B本身分配最大的权重（度数为3），为节点E分配最小的权重（度数为5）。

因为我们归一化了两次，所以将"-1 "改为"-1/2"

例如，我们有一个多分类问题，有10个类，F 被设置为10。在第2层有了10个维度的向量后，我们将这些向量通过一个softmax函数进行预测。

Loss函数的计算方法很简单，就是通过对所有有标签的例子的交叉熵误差来计算，其中Y_{l}是有标签的节点的集合。

层数是指节点特征能够传输的最远距离。例如，在1层的GCN中，每个节点只能从其邻居那里获得信息。每个节点收集信息的过程是独立进行的，对所有节点来说都是在同一时间进行的。

当在第一层的基础上再叠加一层时，我们重复收集信息的过程，但这一次，邻居节点已经有了自己的邻居的信息（来自上一步）。这使得层数成为每个节点可以走的最大跳步。所以，这取决于我们认为一个节点应该从网络中获取多远的信息，我们可以为#layers设置一个合适的数字。但同样，在图中，通常我们不希望走得太远。设置为6-7跳，我们就几乎可以得到整个图，但是这就使得聚合的意义不大。

例： 收集目标节点 i 的两层信息的过程

在论文中，作者还分别对浅层和深层的GCN进行了一些实验。在下图中，我们可以看到，使用2层或3层的模型可以得到最好的结果。此外，对于深层的GCN（超过7层），反而往往得到不好的性能（虚线蓝色）。一种解决方案是借助隐藏层之间的残余连接（紫色线）。

不同层数#的性能。图片来自论文[3]

论文作者的说明

该框架目前仅限于无向图（加权或不加权）。但是，可以通过将原始有向图表示为一个无向的两端图，并增加代表原始图中边的节点，来处理有向边和边特征。

对于GCN，我们似乎可以同时利用节点特征和图的结构。然而，如果图中的边有不同的类型呢？我们是否应该对每种关系进行不同的处理？在这种情况下如何聚合邻居节点？最近有哪些先进的方法？

在图专题的下一篇文章中，我们将研究一些更复杂的方法。

如何处理边的不同关系（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

雷锋字幕组是一个由AI爱好者组成的翻译团队，汇聚五五多位志愿者的力量，分享最新的海外AI资讯，交流关于人工智能技术领域的行业转变与技术创新的见解。

团队成员有大数据专家，算法工程师，图像处理工程师，产品经理，产品运营，IT咨询人，在校师生；志愿者们来自IBM，AVL，Adobe，阿里，网络等知名企业，北大，清华，港大，中科院，南卡罗莱纳大学，早稻田大学等海内外高校研究所。

如果，你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起，学习新知，分享成长。

‘捌’ 学术论文中参考文献为引用网页的如何表示

格式：主要责任者.题名：其他题名信息[文献类型标志/文献载体标志].出版地：出版者，出版年：引文页码(更新或修改日期)[引用日期].获取和访问路径.数字对象唯一标识符.

示例：

北京市人民政府办公厅.关于转发北京市企业投资项目核准暂行实施办法的通知：京政办发[2005]37号[A/OL]. （2005-07-12）[2005-07-12]. http://china.findlaw.cn/fagui/p-1/39934.html.

(8)如何构建引文网络扩展阅读：

常用参考文献标准格式

1、专着、论文集、报告

主要责任者.文献题名[文献类型标识].出版地:出版者,出版年:起止页码(可选).

示例：刘国钧,陈绍业.图书馆目录[M].北京:高等教育出版社,1957:15-18.

2、期刊文章

主要责任者.文献题名[J].刊名,年,卷(期):起止页码.

示例：何龄修.读南明史[J].中国史研究,1998,(3):167-173.

3、论文集中的析出文献

析出文献主要责任者.析出文献题名[A].原文献主要责任者(可选)原文献题名[C].出版地:出版者,出版年:起止页码.

示例：钟文发.非线性规划在可燃毒物配置中的应用[A].赵炜.运筹学的理论与应用——中国运筹学会第五届大会论文集[C].西安:西安电子科技大学出版社,1996:468.

4、学位论文

主要责任者.文献题名[D].出版地:出版单位,出版年:起止页码(可选).

示例：赵天书.诺西肽分阶段补料分批发酵过程优化研究[D].沈阳:东北大学,2013.

5、报纸文章

主要责任者.文献题名[N].报纸名,出版日期(版次).

示例：谢希德.创造学习的新思路[N].人民日报,1998-12-25(10).

参考文献来源：河南理工大学学术出版中心—参考文献着录规则

‘玖’ citation network是什么意思

citation network

引文网络；引用网络；引文网路

例句

1.The Citation Network of Chinese Sci-tech Journals: Analysis of International and Domestic Impacts
中国科技期刊引文网络：国际影响和国内影响分析

2.Exhibiting the dynamic evolution of scientific knowledge, the citation network has been studied extensively as a complex network system.
科学引文网络反映了科学知识的动态演化，作为一个复杂的网络系统已得到广泛研究。

3.Co-citation network deced from citation network is the basis of data of co-citation analysis.
由引文网络而演绎出的同引网络是同引分析研究的数据基础。

4.Firstly, through measuring density, average distance and compactness, the citation network is proved to be a compact and coherent one.
通过密度、平均距离及凝聚力的测度，证明该网络比较紧凑，连通状况良好；

5.Study on the Status Quo of Citation of Network References
网络参考文献着录现状研究