Much of scientific progress stems from previously published findings, but searching through the vast sea of scientific publications is difficult. We often rely on metrics of scholarly authority, such as the h-index, to find the prominent authors, and use these authors as starting points and waypoints. However, these authority indices do not differentiate authority based on research topics, so additional effort is needed to find the prominent authors in the relevant research topics. This thesis presents Latent Topical-Authority Indexing (LTAI), a Bayesian topic model that discovers the topical authority of scholars by jointly modeling the topics, authority, and citation network. In this thesis, four academic corpora are fitted to LTAI: CORA, Arxiv Physics, PNAS, and Citeseer. This thesis shows that explicitly modeling topical authority leads to improved accuracy over other recent models when predicting citations and authors of publications.
많은 과학적 진보가 이전의 과학 출판물에 영향력 받지만, 많은 과학적 출판물 속에서 알맞은 내용을 탐색하는 것은 어려운 작업이다.유명한 저자를 찾고, 그 저자를 통해서 원하는 탐색을 시작하기위해 h-index와 같은 영향력 지표를 사용하지만, 이러한 지표들은 저자들의 주제별 관심사 차이를 고려하지 않기 때문에 원하는 주제에 맞은 저자를 탐색하기 위해서 우리는 추가적인 노력을 기울여야 한다. 본 연구는 베이지안 토픽모델링에 기반하여 영향력과 주제, 그리고 인용 네트워크를 동시에 모델링 하는 잠재적 주제별 영향력 색인 알고리즘을 제시한다. 본 연구는 4개의 학술 데이터, Cora, arXv Physics, PNAS, 그리고 Citeseer를 LTAI 에 적용하여, 저자의 영향력을 모델링 함으로써 기존 모델보다 각 논문의 인용과 저자 예측율을 높일 수 있다는 것을 보인다.
