典型文献
基于决策树和逻辑回归模型的人工智能领域潜在"精品"论文识别研究
文献摘要：
[目的/意义]海量科技文献中存在大量潜在"精品"文献,如何识别并利用此类文献是目前较具现实意义的研究问题.[方法/过程]本文以Web of Science数据库中人工智能领域1990-2010年期间的文献原文及引文数据为样本,构建该领域文献原文-引文特征向量空间,融合决策树和逻辑回归模型对文献特征向量空间进行模型训练和潜在"精品"论文识别的测试应用.[结果/结论]实验结果表明,"发表五年后被引量"特征变量的加入能够显著提升决策树和逻辑回归模型的识别分类效果,使得两类模型的识别准确率分别达到84％和89％以上,提升幅度达到20多个百分点.逻辑回归模型的识别效果始终优于决策树模型,通过调整两种模型的超参数,能够使得模型获得更理想的识别效果.此外,早期人工智能领域科学研究仍处于小团队协作阶段,领域文献的基金支持和开放获取程度较低.[创新/局限]尽管论文创新性引入机器学习方法实现潜在"精品"文献识别模型的建模与应用,然而仍需将模型拓展到更多学科领域.
文献关键词：
决策树;逻辑回归模型;人工智能;潜在"精品"论文;高质量论文
中图分类号：
作者姓名：
崔静静;胡泽文;任萍
作者机构：
南京信息工程大学管理工程学院,江苏南京210044
文献出处：
引用格式：
[1]崔静静;胡泽文;任萍-.基于决策树和逻辑回归模型的人工智能领域潜在"精品"论文识别研究)[J].情报科学,2022(05):90-96
A类：
B类：
逻辑回归模型,人工智能领域,科技文献,研究问题,原文,引文,特征向量空间,融合决策,文献特征,模型训练,被引量,特征变量,识别分类,分类效果,两类模型,识别准确率,升幅,百分点,决策树模型,超参数,团队协作,协作阶段,开放获取,论文创新性,机器学习方法,识别模型,需将,模型拓展,学科领域,高质量论文
AB值：
0.364003
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
