[目的]解决现有睡美人文献识别方法需要依赖长期引文曲线的问题,探索基于早期引文曲线的睡美人系数预测方法.[方法]本文提出基于ts2net模型的预测方法,将文献的引文曲线转化为NVG、HVG和QG三种复杂网络,提取每个网络平均度、平均路径长度、聚集系数、社团数量和模块度等5个特征,并基于机器学习模型构建预测方法.[结果]在Web of Science平台收集计算机领域89681篇文献作为实验数据,结果表明,B系数与Bcp系数均与复杂网络特征具有相关性,结合机器学习模型构建的预测方法中,MLP与GBRT效果最好.MLP在Bcp系数预测上最优,误差为5.90%;GBRT在B系数预测上最优,误差为31.18%.[局限]对于引文频率波动较大、睡眠周期较长的文献,本文方法的预测准确性会下降.此外,预测得到睡美人系数仅是睡美人文献的可能性指标,需结合下游睡美人文献识别模型或任务做进一步判别.[结论]本文验证了将引文曲线转化为复杂网络,进而利用网络特征构建睡美人系数预测具有可行性.
