Гиперсеть научного соавторства. Анализ данных БД REPEC

Автор: Бредихин Сергей Всеволодович, Ляпунов Виктор Михайлович, Щербакова Наталья Григорьевна

Журнал: Проблемы информатики @problem-info

Рубрика: Прикладные информационные технологии

Статья в выпуске: 4 (57), 2022 года.

Бесплатный доступ

Рассмотрены вопросы моделирования комплексной сети научного соавторства, представленной в виде гиперграфа, в отличие от традиционного подхода к изучению этого феномена, базирующегося на построении взвешенного либо невзвешенного графа. Приведены формальные сведения, необходимые для описания множественных отношений между группами соавторов, представлены две модели анализируемого объекта. На основе реальной информации, извлеченной из библиографической базы данных, сконструирован гиперграф сети соавторства, измерены его параметры и сформулированы основные свойства. Приведен содержательный пример. В результате работы феномен научного соавторства рассмотрен с новой точки зрения.

Еще

Комплексные сети, научное соавторство, гиперграф, двудольный граф, библиометрия

Короткий адрес: https://sciup.org/143179896

IDR: 143179896 | DOI: 10.24412/2073-0667-2022-4-70-83

Список литературы Гиперсеть научного соавторства. Анализ данных БД REPEC

Boccaletti S., Latora V., Moreno Y., Chavez M., Hwang D. U. Complex networks: Structure and dynamics // Phys. Rep. 2006. V. 424, iss. 4-5. P. 175-308. DOI: 10.1016/j.physrep.2005.10.009.
Battiston F., Cencetti G., Iacopini I., Latora V., Lucas M., Patania A. Young J-G., Petri G. Networks beyond pairwise interactions: Structure and dynamics // Phys. Rep. 2020. V. 874. P. 1-92. DOI: 10.1016/ j.physrep.2020.05.004.
Shcherbakova N. G. Modelirovanie gruppovykh vzaimodejstvij kompleksnykh sistem. Obzor // Problemy informatiki. 2022. N. 3. S. 24-45.
Newman M. E. J. Scienti-c collaboration networks. I. Network construction and fundamental results // Phys Rev. E, 64(1), 016131. DOI: 10.1103/PhysRevE.64.016131.
Newman M. E. J. Scienti-c collaboration networks. II. Shortest paths, weighted networks, and centrality // Phys. Rev. E, 64(1), 016132. DOI: 10.1103/PhysRevE.64.016132.
Savi-c M., Ivanovi-c M., Radovanovi-c M., Ognjanovi-c Z., Pejovi-c A. Exploratory analysis of communities in co-authorship networks: A case study // Intern. Conf. on ICT Innovations, Springer, 2019. P. 55-64.
Barab-asi A. L., Jeong H., N-eda Z., Ravasz E., Schubert A., Vicsek T. Evolution of the social network of scienti-c collaborations // Physica A. 2002. V. 311. P. 590-614. DOI: 10.48550/arXiv.cond-mat/0104162.
Uddin S., Hossain L., Abbasi A., Rasmussen K. Trend and e ciency analysis of coauthorship network // Scientometrics. 2012. V. 90, No. 2. P. 687-699. DOI: 10.1007/s11192-011-0511-x.
Newman M. E. J., Strogatz S. H., Watts D. J. Random graphs with arbitrary degree distributions and their applications // Phys. Rev. E 64, 026118. 2001. DOI: 10.1103/PhysRevE.64.026118.
Estrada E., Rodr-iguez-Vel-azquez J. A. Complex networks as hypergraphs // Arxiv: physics/0505137, 2005. DOI: 10.1016/j.physa.2005.12.002.
Berge C. Hypergraphs. Amsterdam; N. Y.; Oxford; Tokyo: North-Holland, 1989.
Torres L., Blevins A. S., Basset D., Eliassi-Rad T. The why, how, and when of representations for complex systems // SIAM Rev. 2021. V. 63, No 3. P. 415-485. DOI: 10.1137/20M1355896.
Ouvrard X., le Goff X-M., Marchand-Maillet S. Networks of collaborations: Hypergraph modeling and visualization // ArXiv: 1809.00164v1. DOI: 10.48550/arXiv.1809.00164.
Han Y., Zhou B., Pei J., Jia Y. Understanding importance of collaborations in coauthorship networks: A supportiveness analysis approach // Proc. 2009 SIAM Intern. Conf. on Data Mining. 2009. P. 1112 1123. DOI: 10.1137/ 1.9781611972795.95.
Bredikhin S.V., Lyapunov V. M., Shcherbakova N. G. Struktura i parametry nevzveshennoj seti soavtorstva na osnove dannykh BD RePEc // Problemy informatiki. 2021. N. 3. S. 56-67. DOI: 10.24411/2073-0667-2021-3-56-57.
Bredikhin S. V., Lyapunov V. M., Shcherbakova N. G. Ranzhirovanie uzlov vzveshennoj seti soavtorstva: analiz dannykh BD RePEc // Problemy informatiki. 2021. N. 4. S. 5-15. DOI: 10.24412/2073-0667-2021-4-67-83.
Voloshin V. I. Introduction to graph and hypergraph theory. N. Y.: Nova Science Publishers, Inc., 2009.
Bretto A. Hypergraph theory: An introduction. Heidelberg: Springer Intern. Publishing, 2013. DOI: 10.1007/978-3-319-00080-0.
Mart-iinez M. G., Stark H. M., Terras A. A. Some Ramanujan hypergraphs associated to GL(n, F q) // Proc. Am. Math. Soc. 2001. V. 129, P. 1623 1629. S. 0002-9939(00)05965-7.
Ouvrard X. Hypergraphs: An introduction and review // Arxiv: 2002.05014v2, 2020. DOI: 10.48550/arXiv.2002.05014.
Zhou D., Huang J., Sch¨okopf B. Learning with hypergraphs: Clustering, classi-cation, and embedding // Proc. 19th Internat. Conf. on Neural Inform. Proc. Syst. 2007. P. 1601 1608. DOI: 10.7551/mitpress/7503.003.0205.
Bahmanian M. A., Sajna M. Connection and separation in hypergraphs // Theory and Appl. of Graphs. 2015. V. 2, iss. 2. DOI:10.20429/tag.2015.020205.
Borgatti S. P., Everett M. G. Network analysis of 2-mode data // Social networks. 1997. V. 19. P. 243-269. DOI: 10.1016/S0378-8733(96)00301-2.
Cooper J., Dutle A. Spectra of uniform hypergraphs // Lin. Algebra and Its Appl. 2012. V. 436. P. 3268-3292. DOI: 10.48550/arXiv.1106.4856.
Banerjee A., Char A., Mondal B. Spectra of general hypergraphs // Lin. Algebra and Its Appl. 2017. V. 518. P. 14-30. DOI: 10.1016/j.laa.2016.12.022.
Kumar T., Vaidyanathan S., Ananthapadmanabhan H. Hypergraph clustering: A modularity maximization approach // ArXiv: 1812.10869[cs.G]. DOI: 10.48550/arXiv.1812.10869.
Kami-nski B., Poulin V., Pralat P., Szufel P., Theberge F. Clustering via hypergraph modularity // PLoS ONE. 2019. V. 14(11), e0224307. DOI: 10.1371/journal.pone.0224307.
Zhou V., Nakhleh L. Properties of metabolic graphs: biological organization or representation artifacts? // BMC Bioinformatics. 2011. V. 12, 132. DOI: 10.1186/1471-2105-12-132.

Еще

Статья научная