顧瑞春，王靜宇

(內(nèi)蒙古科技大學(xué)，內(nèi)蒙古 包頭 014010)

1 概 述

學(xué)術(shù)社交網(wǎng)絡(luò)，是一種基于社交網(wǎng)絡(luò)(social network services)的科研信息共享與協(xié)作平臺，用戶可以通過各種網(wǎng)絡(luò)終端參與其中，進行在線交流、信息交互、技術(shù)協(xié)作等線上活動，社交網(wǎng)絡(luò)用戶可通過某種網(wǎng)絡(luò)聯(lián)系進一步將線下關(guān)系遷移到線上，形成在線虛擬社區(qū)。隨著Web2.0技術(shù)和移動互聯(lián)網(wǎng)的迅猛發(fā)展，社交網(wǎng)絡(luò)正極大地改變著人們獲取信息和使用互聯(lián)網(wǎng)的方式，并已經(jīng)逐漸成為連接現(xiàn)實信息社會與虛擬網(wǎng)絡(luò)社會的重要橋梁。

社交網(wǎng)絡(luò)發(fā)展迅猛，國內(nèi)外有不少社交網(wǎng)絡(luò)已經(jīng)具有較大規(guī)模，著名的社交網(wǎng)站Facebook目前用戶數(shù)大約為22億，活躍用戶數(shù)超過13億，并且Facebook旗下的移動端社交平臺WhatsApp的月活躍用戶數(shù)已經(jīng)突破10億大關(guān)，Twitter的用戶量也已經(jīng)突破了6億，國內(nèi)的騰訊網(wǎng)也已經(jīng)有近8億用戶，新浪微博用戶量約為4億，新晉社交網(wǎng)絡(luò)Instagram用戶量也已經(jīng)超過4億。

如此多的用戶在進行信息交流、轉(zhuǎn)發(fā)、評論的同時，也會產(chǎn)生大量的數(shù)據(jù)。調(diào)查顯示，國內(nèi)平均每人每天花在社交網(wǎng)絡(luò)上的時間，大約為60分鐘。由于社交網(wǎng)絡(luò)具有強大的交互性和實時性，大量用戶不斷地創(chuàng)建、轉(zhuǎn)發(fā)、評論相關(guān)信息時，大數(shù)據(jù)(big data)便隨之產(chǎn)生了。全球各大社交網(wǎng)絡(luò)中每天生成新的數(shù)據(jù)量約為2.5 EB。深度挖掘與分析這些大數(shù)據(jù)中潛在的有用信息，成為數(shù)據(jù)挖掘領(lǐng)域新的研究方向，社交網(wǎng)絡(luò)中社會關(guān)系識別、社會影響力挖掘已經(jīng)成為數(shù)據(jù)挖掘研究中新的熱點。

社交網(wǎng)絡(luò)的用戶總會受到其他用戶的影響，同時也會影響到其他用戶。在傳統(tǒng)社交網(wǎng)絡(luò)中，利用高影響力的用戶的強大的號召力來進行相應(yīng)的商業(yè)推廣或品牌推薦，已經(jīng)成為商業(yè)廣告、企劃營銷的重要手段。高影響力用戶的在線言論、行為等網(wǎng)絡(luò)活動，能夠形成社交網(wǎng)絡(luò)中的主流輿論導(dǎo)向，并可引導(dǎo)其粉絲推動一輪新的輿論熱點。社交網(wǎng)絡(luò)中的用戶影響力分析，已經(jīng)成為目前數(shù)據(jù)挖掘與大數(shù)據(jù)研究領(lǐng)域的新方向。

近年來，學(xué)術(shù)社交網(wǎng)絡(luò)的興起，逐漸吸引了眾多科研與學(xué)術(shù)人員的加入，進行科研成果的在線共享、學(xué)術(shù)問題的線上研討以及科研項目的線上協(xié)作等。如Aminer.org，SoScholar.com，Academia.edu，ResearchGate.net，ResearcherID.com等。與其他社交網(wǎng)絡(luò)相同，學(xué)術(shù)社交網(wǎng)絡(luò)同樣能夠產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)具有更加重要的研究價值和實際意義。

學(xué)術(shù)社交網(wǎng)絡(luò)中的用戶影響力分析，是以學(xué)術(shù)社交網(wǎng)絡(luò)中的海量數(shù)據(jù)為依據(jù)，結(jié)合用戶的科研領(lǐng)域的相關(guān)指數(shù)，如科研人員的H指數(shù)，其發(fā)表論文的他引數(shù)量、影響因子總和，以及項目經(jīng)費，獲獎級別，成果轉(zhuǎn)化等數(shù)據(jù)。文中結(jié)合用戶的各類科研貢獻在社交網(wǎng)絡(luò)中的傳播情況，如文章的引用數(shù)、轉(zhuǎn)發(fā)數(shù)、好評數(shù)，以及用戶的粉絲數(shù)量與粉絲級別等多元化數(shù)據(jù)，對科研人員進行綜合的影響力分析，提出一種多元化的學(xué)術(shù)社交網(wǎng)絡(luò)用戶影響力分析模型—SARank，為現(xiàn)有的科研評價體系建立一種新的參考指標(biāo)，還能夠為科研管理人員提供一套可靠的評判依據(jù)。

2 用戶影響力分析方法

著名的Google PageRank算法[1]是一種根據(jù)網(wǎng)頁之間相互的超鏈接數(shù)量來進行網(wǎng)頁排名的技術(shù)，該算法使用一種基于馬爾可夫的隨機游走思想來模擬用戶瀏覽網(wǎng)頁的行為。其核心思想是：某個網(wǎng)頁被越多的優(yōu)質(zhì)網(wǎng)頁所指向，則該網(wǎng)頁的排名就越靠前。其具體計算公式如下：

(1)

其中，R表示要計算的網(wǎng)頁的PageRank值；B表示所有指向即將計算排名頁面的網(wǎng)頁集合，即該頁面的鏈入頁面集合；N表示該頁面的鏈出網(wǎng)頁數(shù)；c為常數(shù)。

PageRank算法最初僅是應(yīng)用在搜索引擎中，用來計算網(wǎng)頁排名，但隨后，部分學(xué)者將PageRank算法引用到社交網(wǎng)絡(luò)中，認(rèn)為PageRank算法是社交網(wǎng)絡(luò)用戶個體影響力分析的基礎(chǔ)算法。2009年，Tunkelang[2]將PageRank算法應(yīng)用到著名社交網(wǎng)絡(luò)Twitter中的用戶影響力計算中，使用粉絲的影響力來衡量個體用戶的影響力，擁有高影響力粉絲的用戶越多，且該粉絲關(guān)注的其他用戶越少，則粉絲對該用戶的影響力貢獻越大。

與搜索引擎不同，社交網(wǎng)絡(luò)中的影響力考慮的是某位用戶個體，而不是一個靜態(tài)頁面。當(dāng)然，PageRank算法并沒有考慮到具體個體用戶特征參數(shù)，Haveliwala等[3]在PageRank的基礎(chǔ)上，結(jié)合社交用戶個體特征因素，提出了Personalized PageRank算法。在該算法中，作者使用了用戶個性化特征向量，如個體對社交網(wǎng)絡(luò)話題的偏好程度、個體發(fā)布信息的新穎程度與敏感程度等[4]。

針對社交網(wǎng)絡(luò)用戶個性化的問題，不少學(xué)者均提出了面向不同屬性的影響力分析方法，如Weng等[5]提出的TwitterRank算法，針對知名社交網(wǎng)站Twitter，根據(jù)賬戶連接結(jié)構(gòu)和用戶話題相似性等參數(shù)來計算個體在不同領(lǐng)域的影響力。

在研究PageRank算法時，研究人員發(fā)現(xiàn)某些網(wǎng)頁僅僅因為存在時間較長，才獲得了較多的指向入鏈接，反而使其PageRank值高于某些較新的頁面的問題，通過分析新浪微博中用戶轉(zhuǎn)發(fā)行為時間間隔分布，通過轉(zhuǎn)發(fā)時間間隔來確認(rèn)粉絲對用戶的關(guān)注度，認(rèn)為關(guān)注度越高的粉絲對用戶的影響力貢獻越大。并認(rèn)為，在同一時刻或同一事件中，粉絲將不同的關(guān)注度分配給不同的被關(guān)注用戶。代表性研究有陳少欽等[6-7]提出的基于新浪微博的用戶影響力分析模型WURank等。

3 學(xué)術(shù)社交網(wǎng)絡(luò)用戶排名算法

在學(xué)術(shù)領(lǐng)域，傳統(tǒng)的科研人員的學(xué)術(shù)排名主要根據(jù)如下兩種方式進行計算：

(1)根據(jù)科研人員成果質(zhì)量來計算。如發(fā)表科研文章的數(shù)量，文章被引數(shù)量，以及由被引數(shù)量而產(chǎn)生的H-指數(shù)和G指數(shù)等。

(2)根據(jù)科研成果所在期刊質(zhì)量來計算。如發(fā)表文章所在期刊的年度影響因子等。

但是上述評價方式均存在問題。文章引用次數(shù)與文章發(fā)表年限有關(guān)，因此很難通過他引次數(shù)將真正有影響力的文章分辨出來，而且僅統(tǒng)計引用數(shù)量，并不統(tǒng)計施引文章在引用時對該文章的評價信息。一篇文章需要經(jīng)過較長時間后才會有相應(yīng)的引用數(shù)量的積累；至于所謂的所在期刊的影響因子，更是至少經(jīng)過1年之后，才能評定出該期刊上一年度的平均影響因子，影響因子統(tǒng)計時間不僅慢，而且無法通過影響因子了解該期刊具體單篇文章在相應(yīng)學(xué)術(shù)領(lǐng)域的影響力。在2016年湯森路透出售了其知識產(chǎn)權(quán)和科學(xué)信息業(yè)務(wù)后，影響因子的權(quán)威性可能會在未來受到?jīng)_擊。

隨著Web2.0技術(shù)及社交網(wǎng)絡(luò)的發(fā)展，Priem等[8]提出一種多元化科研人員評價體系A(chǔ)ltmetrics[9]，意為使用更多的社交網(wǎng)絡(luò)參數(shù)來進行學(xué)術(shù)聲望評判。Altmetircs認(rèn)為，下一步，科研評價指標(biāo)將會是綜合性的多元度量，即將社交網(wǎng)絡(luò)中的多元化元素融合到科研協(xié)作平臺中，通過社交網(wǎng)絡(luò)的相關(guān)參數(shù)，優(yōu)化傳統(tǒng)的評價指標(biāo)來形成新的多元化科研績效計量體系。自從Altmetrics提出后，得到了大量科研人員[10-13]的支持與肯定。國際上對科學(xué)研究人員的影響力評價體系已經(jīng)逐漸從傳統(tǒng)的以引用量、H-指數(shù)等固態(tài)指標(biāo)為基礎(chǔ)的評價系統(tǒng)轉(zhuǎn)向以科研成果的使用(被下載)量、同行評議情況、引用量，以及Altmetrics量為基礎(chǔ)的創(chuàng)新型綜合社會化評價體系。其中Altmetrics量包含社交網(wǎng)絡(luò)中的存儲、連接、標(biāo)簽以及評述指標(biāo)。

基于社交網(wǎng)絡(luò)的用戶影響力分析模型，國內(nèi)外各大學(xué)術(shù)社交網(wǎng)絡(luò)中針對其科研用戶也推出各類影響力排名算法，由清華大學(xué)唐杰等開發(fā)的Aminer[14]研究人員社會網(wǎng)絡(luò)，通過統(tǒng)計科研人員的文章數(shù)量、引用數(shù)量、H指數(shù)、A指數(shù)、G指數(shù)等信息，生成專家統(tǒng)計信息雷達圖，并可分別通過上述指數(shù)進行專家排名。截至目前，Aminer系統(tǒng)已收集了2.3億多論文信息，1.4億份研究者信息，7.5億論文引用關(guān)系，879萬知識實體以及3萬多學(xué)術(shù)會議/期刊。吸引了全球220多個國家的276萬多獨立IP訪問。Aminer系統(tǒng)還集成了自動信息抽取、賬號自動關(guān)聯(lián)、重名排歧、專家發(fā)現(xiàn)以及跨語言聯(lián)系等技術(shù)，該系統(tǒng)是目前較為先進的高水平科研人員搜索和發(fā)現(xiàn)平臺。

目前，國際上較為著名的科研社交網(wǎng)絡(luò)ResearchGate.net，是一個可以在線分享研究成果、學(xué)術(shù)著作以及進行討論的社交平臺。其通過一個名為RG Score的研究者評分方式對科學(xué)家進行排名，RG Score是一種通過研究人員的成果被同行在線認(rèn)可程度來確定科研人員學(xué)術(shù)聲譽的多元化度量方式。具體是通過如下幾種方式來確定研究人員的RG Score值：

(1)學(xué)術(shù)貢獻：研究人員在ResearchGate.net上發(fā)布自己的文章、講稿、實驗結(jié)果和數(shù)據(jù)等。上傳數(shù)量越多，RG Score值越高。

(2)同行互動：高RG Score值的同行對某用戶的評價，會直接影響該用戶的RG Score值。

(3)聲譽傳播：個人學(xué)術(shù)聲譽會在整個社交網(wǎng)絡(luò)中傳播，并隨著對社交網(wǎng)絡(luò)的貢獻增加而不斷提高RG Score值。

RG Score是一種通過在線同行認(rèn)可并快速構(gòu)建學(xué)術(shù)聲譽的科研人員評價體系，現(xiàn)已成為學(xué)術(shù)領(lǐng)域評判科研人員聲望的一個重要指標(biāo)。

4 SARank模型

將社交網(wǎng)絡(luò)的有關(guān)技術(shù)融入到科研共享平臺中，通過社會化網(wǎng)絡(luò)將科研信息進行在線分享，這種開放型科研共享協(xié)作平臺，已經(jīng)成為下一步在線科學(xué)研究的發(fā)展趨勢，目前國內(nèi)外較為成熟的科研社交網(wǎng)絡(luò)平臺已經(jīng)不少。用于用戶影響力分析的計算模型也較多，但還沒有一種有機結(jié)合科研領(lǐng)域和社交網(wǎng)絡(luò)相關(guān)指數(shù)進行科研用戶影響力分析的計算模型。這里介紹的SARank就是一種基于科研社交網(wǎng)絡(luò)的多元化用戶影響力分析模型。

SARank的具體計算模型為：

(1)將科研用戶影響力的影響因素分為學(xué)術(shù)影響參數(shù)A與社交網(wǎng)絡(luò)影響參數(shù)S兩部分。

(2)引入PageRank算法進行社交網(wǎng)絡(luò)用戶影響力分析，用于分析用戶之間相互關(guān)注情況；同時引入用戶間評論情況，用于不同用戶間評論情況分析。

根據(jù)PageRank公式，SARank模型中的S參數(shù)定義如下：

(2)

其中，R為要計算的科研用戶粉絲關(guān)注情況值；B為該用戶的關(guān)注數(shù)和粉絲數(shù)(被關(guān)注數(shù))總和；F為粉絲數(shù)；c為常數(shù)。

該模型認(rèn)為擁有越多高影響力粉絲的用戶，該用戶的學(xué)術(shù)影響力值也就越高。λ(λ=1)為避免F過小時產(chǎn)生的偏差而引入的平滑因子。

(3)

其中，T表示某用戶的用戶評論情況值；G表示好評數(shù)；N表示差評數(shù)；C表示所有評論數(shù)。

該公式指出，其他用戶對某用戶的好評越多，該用戶的影響力越高；差評越多，影響力越小。為避免N比較小時出現(xiàn)對T的干擾和過擬合問題，在分母中引入拉普拉斯平滑因子λ(λ=1)進行平滑處理。

確定社交網(wǎng)絡(luò)影響參數(shù)為用戶關(guān)注情況與評論情況之和：

S(i)=qR(i)+pT(i)

(4)

(3)將學(xué)術(shù)領(lǐng)域用戶學(xué)術(shù)聲譽計算參數(shù)定義為A?？蒲蓄I(lǐng)域?qū)W術(shù)評價影響因子確定為基本影響參數(shù)與合作者影響參數(shù)兩部分?；居绊憛?shù)引入用戶的H-指數(shù)、總影響因子和所發(fā)文章總數(shù)三個參數(shù)?；居绊憛?shù)的具體公式定義為：

(5)

其中，A為用戶學(xué)術(shù)影響參數(shù)值；H為H-指數(shù)；I為影響因子總和；P為作者所發(fā)文章數(shù)量。該公式表示，在用戶發(fā)的論文總數(shù)相同的情況下，作者的H-指數(shù)和引用數(shù)和總影響因子越高，說明該用戶的科研聲望值越高。

SARank將合作者影響力參數(shù)引入到研究人員影響力值中，認(rèn)為文章合作者的影響力會對用戶的影響力有較大的影響。最終確定公式為：

(6)

其中，U表示合作用戶的影響力值；L表示該用戶在文章中的署名位置，第一作者為1，第二作者為2，以此類推。由于科研用戶的文章以及合作者較多，此處僅考慮用來確定該用戶H指數(shù)的文章中相關(guān)用戶的合作者影響情況。H為用戶i的H指數(shù)。

上述公式表示用戶的學(xué)術(shù)影響因子為基本學(xué)術(shù)影響參數(shù)與合作者影響參數(shù)之和。合作者影響參數(shù)確定為該用戶的H篇文章的所有合作者影響力之和，單篇文章的合作者用戶為合作者的影響力值除以在文章中的署名位置。用戶影響力與合作者影響力成正比，與合作者署名位置成反比。

(4)定義科研社交網(wǎng)絡(luò)中多元化用戶影響力模型SA，公式為：

SA(i)=aS(i)+bA(i)

(7)

其中，SA表示科研社交網(wǎng)絡(luò)中用戶影響力值；S表示用戶社交網(wǎng)絡(luò)影響參數(shù)值；A表示學(xué)術(shù)影響參數(shù)值；a與b表示兩類影響因子權(quán)值，a+b=1。

為充分體現(xiàn)社交網(wǎng)絡(luò)因子在整個SARank模型中的重要性，暫時將a與b均設(shè)置為0.5。

5 實驗結(jié)果與分析

5.1 數(shù)據(jù)來源

為測試SARank的實際計算情況，又礙于目前大多學(xué)術(shù)社交網(wǎng)絡(luò)均不公開API，因此，實驗數(shù)據(jù)是通過python的爬蟲框架Scrapy從ResearchGate.net,Aminer.org以及SoScholar.com抓取大量科研人員的相關(guān)數(shù)據(jù)，然后通過ETL工具集petl來進行數(shù)據(jù)處理。為保護數(shù)據(jù)的隱私性，這里隱去科研人員姓名。

進行SARank驗證的主要步驟分別為：

1.獲取用戶數(shù)據(jù)。確定需要獲得的用戶數(shù)據(jù)主要包括：

(1)用戶的關(guān)注與被關(guān)注數(shù)據(jù)，即該用戶關(guān)注的用戶數(shù)和關(guān)注該用戶的用戶數(shù)(粉絲數(shù))，以及每一關(guān)注和被關(guān)注用戶的關(guān)注情況值R；

(2)用戶的評論數(shù)據(jù)，即其他用戶對該用戶的好評數(shù)和差評數(shù)，以及來自互為好友用戶的評論數(shù)據(jù)；

(3)用戶的H指數(shù)；

(4)用戶發(fā)表的文章影響因子總和；

(5)用戶發(fā)表的文章總數(shù)；

(6)用戶H(H指數(shù))篇文章中合作者影響力值。

2.數(shù)據(jù)歸并。將通過3個不同社交網(wǎng)站獲取的相應(yīng)數(shù)據(jù)進行歸并，將同一用戶的信息進行合并，去除重復(fù)信息。歸并時，這里取三個不同網(wǎng)絡(luò)數(shù)值的平均值。

3.通過SARank進行計算，得出用戶SARank值。

5.2 結(jié)果分析

實驗一：將用戶的SARank值和PageRank值以及H指數(shù)進行比較。

PageRank值由式(2)進行計算，即通過用戶的關(guān)注數(shù)和被關(guān)注數(shù)計算用戶的社交網(wǎng)絡(luò)排名值，用來表示用戶的社交排名。

H指數(shù)為用戶歸并后的H指數(shù)平均值，用來表示用戶的學(xué)術(shù)排名。

SARank值由式(7)進行計算，這里由于用戶的SARank值與其粉絲以及合作者的相關(guān)值有關(guān)，因此需要一個逐漸迭代計算的過程，文中暫時僅計算2層迭代。

分別對2 000用戶、5 000用戶和10 000用戶關(guān)于上述3個數(shù)值的平均值進行了比較，具體見表1。

由表1可以看出，與H指數(shù)和PageRank值一致，SARank值隨人數(shù)變化的波動不大，具有較好的穩(wěn)定性。

表1 SARank計算值與H指數(shù)及PageRank值對比

雖然將三個社交網(wǎng)絡(luò)數(shù)據(jù)整合在一起進行計算具有一定的差異性，由于某位科研人員傾向于僅使用某一種社交網(wǎng)絡(luò)的原因，SARank中需要獲取的某些數(shù)值可能無法獲得，從而導(dǎo)致部分計算結(jié)果出現(xiàn)偏差，通過取3個社交網(wǎng)絡(luò)的SARank的平均值，能夠較好地避免由于差異性帶來的數(shù)值偏差。

實驗二：將SARank的計算值與Researchgate.net的RGScore值進行比較。

通過在Researchgate.net獲取的用戶數(shù)據(jù)使用SARank模型進行計算后，與Researchgate.net的RGScore值進行比較。RGScore是Researchgate.net中科研人員的總體貢獻分?jǐn)?shù)，主要通過用戶上傳文章、解決其他用戶提問等相關(guān)參數(shù)進行確定。

該實驗采用獲取數(shù)據(jù)中的5個用戶，使用SARank模型進行計算后，與其相應(yīng)的RGScore進行了對比，具體如圖1所示。

圖1 SARank計算值與RGScore值對比

由圖1可見，SARank與RGScore值的走向基本一致。第四個用戶中的SARank值偏高，是因為該用戶的社交活躍性較高，S因子影響了整個SARank的值?，F(xiàn)實中，如果某位科研用戶的社交活動較廣，也在一定程度上擴大了其學(xué)術(shù)影響力。因此，此類現(xiàn)象符合實際情況。

6 結(jié)束語

結(jié)合用戶在社交網(wǎng)絡(luò)中相關(guān)信息的不同參數(shù)，對科研用戶進行綜合的學(xué)術(shù)影響力分析，提出了一種多元化的學(xué)術(shù)社交網(wǎng)絡(luò)用戶影響力分析模型——SARank，為現(xiàn)有的科研評價體系建立一種新的參考指標(biāo)，并為科研管理人員提供一套可靠的評判依據(jù)，可為

下一步研究提供有力支持。經(jīng)實驗測試，該模型能夠得出較為穩(wěn)定，并具有代表性的結(jié)果。

另外，該方法在實際應(yīng)用中還有部分問題需要完善。例如，如何完善模型參數(shù)以優(yōu)化計算結(jié)果；文中僅抓取了3個學(xué)術(shù)社交網(wǎng)絡(luò)中的數(shù)據(jù)，僅將這3個網(wǎng)絡(luò)中的數(shù)據(jù)進行融合，還不能很好地表達科研人員的相關(guān)信息；能否將同一科研人員各類其他非學(xué)術(shù)社交網(wǎng)絡(luò)中相關(guān)信息有機整合到該模型中一并進行學(xué)術(shù)聲譽度量等。這些問題還有待進一步研究。

[1] PAGE L.The PageRank citation ranking:bringing order to the web[J].Stanford Digital Libraries Working Paper,1998,9(1):1-14.

[2] DANIE T.A Twitter analog to PageRank[EB/OL].(2009-01-13).http://thenoisychannel.com/2009/01/13/a-twitter-analog-to-pagerank.

[3] HAVELIWALA T,KAMVAR S,JEH G.An analytical comparison of approaches to personalizing PageRank[R].Stanford:Stanford InfoLab,2003.

[4] 丁兆云,賈 焰,周 斌,等.社交網(wǎng)絡(luò)影響力研究綜述[J].計算機科學(xué),2014,41(1):48-53.

[5] WENG J,LIM E P,JIANG J,et al.TwitterRank:finding topic-sensitive influential twitterers[C]//Proceedings of the third ACM international conference on Web search and data mining.New York,NY,USA:ACM,2010.

[6] 陳少欽,范 磊,李建華.MURank:社交網(wǎng)絡(luò)用戶實時影響力算法[J].信息安全與通信保密,2013(3):50-52.

[7] 陳少欽.基于PageRank的社交網(wǎng)絡(luò)用戶實時影響力研究[D].上海:上海交通大學(xué),2013.

[8] PRIEM J,TARABORELLI D,GROTH P.Altmetrics:a manifesto[EB/OL].(2011-09-28).http://altmetrics.org/manifesto/.

[9] BHUE S,SINGH K,BISWAL S K.Altmetrics:article level metrics makes easy for user community[J].Social Science Electronic Publishing,2016,6(2):1-7.

[10] TORRESSALINAS D,CABEZASCLAVIJO A,JIMENEZCONTRERAS E.Altmetrics:new indicators for scientific communication in Web 2.0[J].Comunicar,2013,41(41):53-60.

[11] HOLBROOK J B,BARR K R,BROWN K W.Research impact:we need negative metrics too[J].Nature,2013,497(7450):439.

[12] PRIEM J.Scholarship:beyond the paper[J].Nature,2013,495(7442):437-440.

[13] LISTED N.The maze of impact metrics[J].Nature,2013,502(7471):271.

[14] 唐 杰.AMiner[EB/OL].(2006-09-06).http://aminer.org.