基于聚类和关联规则的Altmetric TOP榜文献特征分析

邱均平　丰鹂萱　舒非

DOI：10.3969/j.issn.1008-0821.2021.09.002

[中图分类号]G250.252 [文献标识码]A [文章编号]1008-0821（2021）09-0012-10

近年来，随着互联网技术的发展和知识共享趋势的推动，学术评价不再只是依赖传统学术指标，Altmetrics开始产生，并引起广泛关注和利用。2005年，Bollen J等学者就提出将社交媒体数据作为补充性计量指标，用于期刊影响力评价。Altmetrics最早是由计量学领域学者Priem J提出，之后同Taraborelli D等学者发表宣言，正式提出Ahmet-rics。

自2010年Altmetrics在境外提出后，我国学者刘春丽迅速反应，于2012年将其译为“选择性计量学”，并说明其与网络计量学和传统科学评价的差异，以及选择性计量学在时效、覆盖面和科学交流中的独特意义;随后，邱均平等学者将其译为替代计量学，阐述其提出过程和研究进展;由庆斌等学者将其译为补充计量学，对补充计量学和补充性指标作了详细介绍。这是目前我国学者3种主要翻译形式，许多学者对其有不同理解，具有代表性的理解就多达十几种，但使用较多的是替代计量学。

目前，关于Altmetrics的研究主要分为理论、工具、方法及应用，理论主要是其概念和问题分析，较多涉及Ahmetrics指标与传统指标之间的关系。例如：Alhoori H等学者发现Altmetrics与出版物的数量、h指数、被引量之间存在相关关系;Eysenbach G等学者指出Altmetrics指标与传统的引文指标呈现弱相关，论文的社会影响力与学术影响力之间关联度并不大;王妍等学者采用Spearman方法尝试探究学者被引频次与Ahmetrics中社会影响力指标之间的相关性，以及各项社会影响力指标之间的相关性。随后，越来越多的Alt-metrics工具开始出现，吴胜男等学者以目前比较常见的Altmetrics应用工具Altmletric.com、Plum Analytics、ImpactStory、PLOS ONE Altmetrics、Readermeter、ScienceCard、PaperCritic以及CitedIn为研究对象，针对每一种工具的功能特征、优势和不足进行详细的分析和论述。其中，Altmetric.com是一款分析评估单篇论文Altmetrics指标的工具，由Digital Science公司开发，该工具综合计算某一篇学术论文在Twitter、Google+、CiteULike、Mendeley、博客以及主流新闻媒体等信息源的引用数据，Altmetrics指标具有多种，一般被学者分为几类进行研究。例如：Waltman L等学者对Altmetrics的11个指标通过因子分析分为3类。目前，Ahmetrics研究主要方法为社会网络分析、数据挖掘与分析等，更多应用于论文、期刊、机构、学者等各种影响力评价领域，并通过不断构建评价指标应用到多个领域，王凯利等学者融合了Alt-metrics和引文分析法构建期刊影响力评价体系，并对国际图情期刊的影响力进行分析：Boetto E等学者发现传统引用计数，社交媒体上的引用以及新闻和博客上的提及之间存在适度的相关性，并且定义一种方法，即综合影响力得分（CIS），该方法可以协调不同的指标以提供多维影响力指标。另外，关于Ahmetrics指标的研究，更多则是关于各指标之间相关性，许丹等学者对比分析SCIE被引频次、ESI高被引、FS、Ahmetrics各项指标之间的关系;陈胜龙等学者验证其与学者H5指数间存在显著相关性。

大数据的迅速发展，带动了数据挖掘领域的研究，数据挖掘领域一般具有C4.5、K-Means、SVM、Apriori等多种具有影响力的算法，可涵盖分类、聚类、统计学习、关联分析和链接挖掘，其中关联规则最早是由Agrawal R等学者提出，是数据挖掘领域的一种方法，可以挖掘数据的隐含特征，关联规则经常应用于购物篮分析，从而为商品促销提供参考，基本方法常为Apriori算法，并被许多学者应用于各种领域。例如：游立清等学者利用此算法提出卷烟物理指标关联性的分析方法。目前，关于关联规则的研究主要是关联规则算法创新、关联规则应用等方面，许多学者提出改进算法进行有关应用。例如：常见的多最小支持度的关联规则挖掘、分类关联规则挖掘等方法，田建勇、徐樾等学者将改进算法应用于计算机和动力工程等不同领域。关联规则应用范围较广，学者纷纷创新，广泛应用于多种领域，常见的是应用于中医药，探析用药规律等问题，申玲玲等学者针对急性痛风性关节炎用药规律研究。另外多是利用关联规则进行影响因素的相关研究，曹磊等学者利用关联规则对路面损坏状况影响因素进行探讨。

综合来看，Altmetrics相关研究目前主要集中在与各指标进行相关性分析的研究，以及通过指标构建应用于不同领域进行评价，关于高社会影响力论文的论文特征和传播特征相对较少，聚类分析和关联规则作为常用方法，但较少结合应用于论文特征方面。因此，本文将Ahmetric TOP榜文献作为高社会影响力文献，利用频数统计与分析探讨高社会影响力文献特征，同时利用聚类与关联规则进行分析，探讨不同学科、国家（地区）、文献获取方式、AAS值、被引次数等方面的传播渠道特征。

1研究方法与数据来源

1.1研究方法

本文采用定性与定量分析的方法，首先从Ah.metric，com得到Ahmetric TOP榜文献，基于所得數据进行频数统计与分析，然后通过K-Means聚类将不同指标划分级别，最后利用基于Apriori算法的关联规则探讨不同被引次数区间、AAS值区间、学科、国家（地区）和获取方式的传播特征。其中关联规则是常用的数据挖掘领域方法，能够有效挖掘数据隐含特征，Apriori算法是一个经典的挖掘规则算法。一般以商品交易为例，假设被研究对象称为项（Item），所有项的集合为，={i₁，i₂，…，i_m}，每条交易ti项对应的项的集合为I的子集，I的任何一个子集被称为项集（Itemset），即X={i_j1，i_j2，…，i_jm}，事务数据库为D={t₁，t₂，…，t_m}，每条交易数据t_i构成事务D，每个项集包含的项的个数称为项集的长度，一个长度为k的项集被称为k项集，一个项集X在数据库D中出现的次数称为频数，记为count（X）。关联规则需要从数据中找出满足最小支持度和置信度的关联规则，其中定义如下：

1）支持度（support）。一个项集X的支持度指的是在数据集中包含该项集的记录所占比例。如式（1）所示。若给定一个最小支持度support（min），所得support（X）≥support（min），则X称为频繁项集。

support（X）=count（X）/|D} （1）

2）置信度（confidence）。也可称为可信度，它是针对一条比如X→Y的关联规则来定义的，指的是包含X的交易中包含Y的比例。即：

cofidence（X=>Y）=|XY|=support（XY）/sup-port（X） （2）

3）增益（lift）。也可称为提升度，是一个评判关联规则的重要标准，大于1表示具有强关联性，小于1视为无效规则，等于1则代表相互独立。即：

lift（X=>Y）=|XY|/|X||Y|=support（XY）/support（X）support（y） （3）

1.2数据来源

本文所用源数据来自于Altmetric.com官方网站，选择2015—2020年高社会影响力文献，即榜单前100篇文献，针对Altmetrics指标数据进行下载，除了2018年榜单数据下载200篇，其余年份各下载100篇文献，并对缺少的数据进行查找补充，然后匹配期刊影响因子，去除期刊名称来源于电子网站、会议等未匹配到影响因子的文献，如来源于arXiv、CHI20：Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems等文献，共得到文献676篇，同时在谷歌学术中查询被引次数，同时查询和匹配第一作者的所属国家（地区），以及第一作者与第二作者的附属高校。

2 Altmetric TOP榜文献整体特征分析

本文从学科、期刊、获取方式、第一作者隶属国家（地区），以及第一、二作者所属高校几个方面对Altmetric TOP榜文献进行特征分析。

2.1学科分布

对2015—2020年文献的学科进行整合，选取占比前10名学科，如表1所示。

可以看出，醫疗健康排名靠前，占比较大，突出了医疗健康学科的社会影响力，同时由于新冠疫情的暴发，医疗健康领域就更加受学者和大众的关注。随后生物科学、人类社会研究、地球环境科学、物理科学、历史与考古学、地球科学、信息和计算机科学等学科也具有较大影响力和传播力度，但法律、哲学与宗教、工程、材料等许多学科占比较小，需要提高大众关注度，努力提高社会影响力，利用大众易于接受和理解的方式进行传播。

通过计算不同学科的单篇被引次数、单篇Alt-metric Attention Score（AAS）和开放或自由获取的占比，可以看出，信息和计算机科学单篇被引次数较大，单篇AAS较大，开放或者自由获取的比重有待提升。由此可知，信息计算机科学领域具有较大的社会影响力，其研究文献也具有较高的学术价值。心理学与认知科学、历史与考古学及地球科学等学科单篇被引次数较少，单篇AAS仅有部分差距，也说明了提高社会影响力的同时，应该致力于提升文献质量。

不同学科开放获取占比有所差异，自然科学和技术、医药卫生等领域，OA论文的比例最高。在本文所研究Altmetric TOP榜文献中，即属于高社会影响力文献，其中医药健康、地球科学等领域开放或自由获取占比较大，物理科学、历史与考古学等学科开放或自由获取占比较小。总体来看，医药健康领域文献在高社会影响力文献占比最大，同时开放或自由获取占比较大，社会影响力较大。

2.2期刊分布

对高社会影响力论文进行汇总排序，部分期刊子刊并未归类于正刊，即分为不同期刊进行整合，同时通过JCR查取2019年各期刊影响因子，所得结果如表2所示。

由表2可知，《Nature》《Science》《The Lan-cet》《Proceedings of the National Academy of Sci-ences of the United States of America》（PANS）、《New England Journal of Medicine》《Journal Of The American Medical Association》（JAMA）、《British Medical Journal》（BMJ）等排序靠前，其中在不计算子刊情况下，仍占比较大，同时期刊影响因子、单篇被引次数及单篇AAS较大，具有强大的学术价值和社会影响。许多科学研究领域中，很多最重要、最前沿的研究结果往往都是以短讯的形式发表在此期刊上，读者主要是从事研究工作的科学家，但杂志前部的文章概括使得一般公众也能理解杂志内最重要的文章。《Nature》开放获取比例较小，90.43%属于付费获取;《Proceedings of the National Academy of Sciences of the United States of America》（PANS）属于高社会影响力文献所占数量较大的期刊，2019年Top榜单占据5篇，但2019年期刊影响因子较小，同样《The Public Library of Science ONE》（PLoS ONE）、《Scientific Repots》《Current Biology》等期刊影响因子较小，也说明了部分期刊社会影响力文献数量与影响因子未必成正比关系，社会影响力较大的文献数量占比较大，期刊影响因子不一定较大。综合来看，《New England Journal of Medicine》《The Lancet》期刊各项指标数据较大，《The Public Library of Science ONE》（PLoS ONE）期刊各项指标数据较小。另外，绝大多数期刊开放（Open Access）或者自由获取（Free to Read）占比较大，大众获取更为容易，同时也更容易得到传播。

2.3文献获取方式情况

在所研究全部文献中，付费获取的方式占较大比重，为45.12%，开放获取的比重仅次于付费获取，占比38.61%，自由获取占比最小。开放获取（OA）是指学术论文发表后立刻在互联网上公开发布，供读者免费获取，可以让学术成果提高传播力和影响力，为学者和大众提供更便捷的知识获取方式，也增强了知识共享与交流，所以，越来越多的国家（地区）积极促进知识开放。通过图1可以发现，Closed（付费获取）比例逐年降低，说明自由和开放获取方式逐步增加，2020年开放获取比例得到较大提升，自由获取有所减少，分别对3种方式作线性预测可以看出，付费获取占比呈现下降趋势，而开放和自由获取都呈现增长趋势，进一步说明了知识获取更加服务大众，顺应了知识共享的趋势。

2.4国家（地区）分布

整合第一作者所属国家（地区），并计算出单篇被引次数、单篇Altmetric Attention Score（AAS），以及各个国家（地区）开放或自由获取占比，所得结果部分如表3所示。可以看出，美国所占比例最大，接近一半，同时综合指标都比较突出，说明美国具有较强的学术实力和影响力：英国开放或者自由获取的比例较大，并且单篇被引次数较大，同样具有较强影响力。综合来看，第一作者所属国籍统计中，美国和英国占比較大，其中美国最多，其他国家（地区）占比较少，需要进一步提高社会影响力和传播能力，把握学术界的热点前沿。

2.5学校分布

整合第一作者和第二作者的所属机构，筛选前两位作者隶属于大学的文献，所得结果部分如表4所示。文献第一作者和第二作者对文献具有较大的贡献，据此统计，可以进一步得出不同高校的学术实力。可以看出，哈佛大学所占比重最大，斯坦福大学、剑桥大学、牛津大学等占比较大，这些大学都属于实力较强和知名度较高的院校。

3 Altmetric TOP榜文献传播特征分析

利用SPSS软件对数据进行K均值聚类.根据数据大小，划分为A、B、C、D、E 5类，以被引次数K均值聚类为例，如表5所示，将文献按照指标数值大小划分为5类，被引次数（E）属于被引次数较低的区间，但占比较多，均值为154。其中，E级别占比普遍较大，反映了大多指标数值集中于某一区间。根据每篇文献特征构建矩阵，然后利用SPSS MODELER进行关联规则分析，探讨各项特征之间的联系。Apriori算法是常用于挖掘出数据关联规则的算法，能够发现事物数据库中频繁出现的数据集。设置最小置信度为0.8，最小支持度为0.1，最大前项数设为1，选择增益大于1，最后结果以置信度排序。

3.1不同被引次数值区间下文献传播特征分析

以前项为被引次数进行研究，共得到关联规则9项，如表6所示。可以发现，后项为被引次数E级，即被引次数较小，与各项指标等级呈现强关联，较多指标表现为E级，即数目平均较小的一类，说明了被引次数较少的文献，微博、谷歌、博客、问答、维基、政策、影片、Reddit提及数普遍较小，也侧面反映出被引次数较小，Altmetrics许多指标值普遍较小。所研究文献中，被引次数和多指标值都属于较小区间，而被引次数在A至D类的文献，属于被引次数较高文献.与同行评审和推特提及数E等级呈现关联性。同时可以发现，被引次数越大，微博、谷歌、问答、维基百科、政策、影视及Reddit提及数可能越大。

3.2不同AAS区间下文献传播特征分析

以AAS值为对象进行研究，共得到关联规则9项，如表7所示，其中前项分为D和E级别，AAS值聚类均值集（A，B，C，D，E）=（33853，25814，8179，3637，1803），其中E类占比较大。从所得关联规则可以看出，AAS值聚类级别为D类和E类的文献特征仍有较大差异，AAS值E类文献，普遍是推特、影视、维基百科、Reddit提及数较小，而D类文献，普遍是微博、同行评审、问答、政策和谷歌提及数较小，可以看出，不同AAS值区间的文献，具有较大的特征差异。同时也可以看出，AAS值越大，文献推特、影视、维基百科、Reddit提及数可能越大。

3.3不同国家（地区）的文献传播特征分析

在所研究的Altmetric TOP榜文献中，美国和英国占比较大，以前项为美国和英国，构成关联规则10项，如表8所示，可以看出，第一作者国籍为美国和英国的文献传播呈现不同特征，第一作者隶属于美国的文献，微博、维基、影片、政策和问答提及数值普遍属于E类，即属于较低区间，而第一作者隶属于英国的文献，表现为同行评审、推特、谷歌、Reddit和政策提及数普遍属于E区间，除了政策提及数普遍较少的特征外，其他特征具有较大差异。第一作者隶属于两个国家（地区）的文献属于E区的指标有很大差异，可以根据自身特征提高各项指标数值，从而提高社会影响力。

3.4不同期刊的文献传播特征分析

《Nature》和《Science》作为国际知名期刊，有着巨大的社会影响力和学术价值，同时在Alt-metric TOP榜文献中，来源期刊为《Nature》和《science》及其子刊的论文占比较大，以两者为前项，构成关联规则为9项，如表9所示，可以看出两大期刊论文的特征差异，来源于《Nature》期刊及子刊的文献，与《Science》及其子刊相同的是同行评审和影视提及数都属于E类，即数值区间属于最低聚类区间，但存在部分差异，《Nature》期刊论文表现为谷歌和被引次数都属于E类区间，说明Altmetric TOP榜文献中，《Nature》期刊及子刊的论文，谷歌和影视提及数普遍不高，有待加强，而《Science》及其子刊的论文，微博、维基百科和政策提及数大都呈现出较低的特征。

3.5不同学科的文献传播特征分析

医药健康科学和生物科学在所研究文献中占比较大，同样以两者为自变量构建关联规则，所得结果如表10所示。生物科学和医药健康科学都与推特和Reddit提及数E类具有关联性，有所不同的是生物科学微博提及数和AAS值属于E类，均值为1803，说明了生物科学领域论文的社会影响力需要进一步提升，针对学科提出正确的方式进行传播。医药健康领域文献占比较大，微博、推特、维基百科、谷歌、影视、Reddit以及政策提及数集中属于E类区间，不同学科的文献传播渠道有很大差异。

3.6不同获取方式的文献传播特征分析

所研究Altmetric TOP榜文献中，3种获取方式的论文传播特征有较大差异，如表11所示，开放获取（OA）的文献维基百科、影视和政策提及数为E类，属于较小区间，付费获取文献则是Twitter Mentions和Reddit Mentions处于较小聚类区间，自由获取的文献微博、谷歌、问答及政策提及数都较小，不同获取方式的文献传播特征差异明显，付费获取的文献应该更注重推特和网站传播。

4总结

通过对数据的统计与分析，可以发现AhmetricTOP榜文献具有以下特征。

4.1文献整体特征

1）学科分布情况。医药健康领域占比较大，为41.42%，生物科学、人类社会、地球环境科学、物理科学、信息与计算机科学等排名靠前，但总体占比不大，法律、哲学与宗教、工程、材料等学科占比过小，这些学科有待提高社会关注度与影响力。信息与计算机科学领域单篇AAS值和被引次数等总体较大，在学术界和社会都有着较大影响力，但开放或自由获取比例仍有待提高。另外，不同学科开放获取占比有所差距，医药健康、地球科学等领域开放或自由获取占比较大，物理科学、历史与考古学等学科开放或自由获取占比较小。

2）期刊分布情況。期刊子刊并未划分为主刊，期刊主要来源于《Nature》《Science》《The Lancet》《Proceedings of the National Academy of Sciences of the United States of America》（PANS）、《New Eng-land Journal of Medicine》《Journal of The American Medical Association》（JAMA）、《British Medical Jour-nal》（BMJ）等期刊，其中，《Nature》除去子刊以外，仍占比较大，体现期刊巨大的影响力，但在所研究文献中，开放或自由获取占比较小。综合来看，《New England Journal of Medicine》《The Lan-cet》期刊单篇AAS值、单篇被引次数，开放获取比例等各项指标占比较大，《The Public Library of Science ONE》（PLoS ONE）期刊各项指标数据较小。一般开放或者自由获取比例较大，AAS值会较大。

3）获取方式情况。在所研究文献中，付费获取比例仍然较大，占45.12%，开放获取比例仅次于付费获取，占比38.61%，自由获取占比最小。通过线性预测可以发现，开放和自由获取比例都呈现增长趋势，付费获取呈现下降趋势，顺应了知识共享和免费的趋势。

4）第一作者国家（地区）分布情况。美国占比最大，接近于一半的比例，同时单篇AAS值和单篇被引次数、开放或者自由获取比例都较大，第一作者隶属于英国的占比仅次于美国占比，其他国家（地区）占比较小，需要进一步提升影响力和传播力，把握学术前沿。

5）学校分布情况。以第一作者和第二作者所属高校进行统计，可以发现，哈佛大学所占比例最大，斯坦福大学、剑桥大学、牛津大学等高校占比位列其后，Altmetric TOP榜文献第一、二作者较多来自于知名高校。

4.2文献传播特征

本文通过构建关联规则发现，不同被引次数区间、AAS值区间、国家（地区）、期刊、学科和获取方式下，文献传播渠道特征差异明显，由此可以根据不同情况，采取一定的措施进一步提高文献影响力。

1）被引次数较小情况下，Altmetrics多项指标处于较小区间，与微博、谷歌、博客、问答、维基百科、政策、影片、Reddit提及数E类呈现强关联，而被引次数位于A-D区间时，仅与推特提及数处于E类具有强关联规则。可以看出，被引次数越小，Altmetrics多项指标可能较小，因此，提高文献质量仍是提高影响力的重中之重。

2）AAS值较小时，文献推特、影视、维基百科、Reddit提及数值较小，而D类文献，微博、同行评审、问答、政策和谷歌提及数较小，可以看出不同AAS值的文献传播渠道有很大差异。

3）除政策提及数都较小以外，第一作者隶属于美国的文献微博、维基百科、影片和问答提及数值普遍属于E区，第一作者隶属于英国的文献则是同行评审、推特、谷歌和Reddit提及数普遍属于E区，可以看出不同国家（地区），文献传播渠道特征有较大差异。

4）来源于《Nature》及其子刊和《Science》及其子刊的文献占比较大，除两者文献的影视和同行评审提及数都不高以外，来源于《Nature》期刊的文献，谷歌和影视提及数普遍较小，而来源于《Science》期刊的文献，微博、维基百科和政策提及数都较小。

5）医药健康和生物科学领域文献占比较大，构成关联规则。生物科学领域的文献微博、推特和Reddit提及数普遍较小，并且AAS值普遍较小，需要进一步提高社会影响力，注重微博、推特和Reddit等渠道的传播。医药健康领域文献占比较大，但微博、推特、维基百科、谷歌、影视、Red-dit以及政策提及数所在聚类区间值较小。

6）开放获取（OA）的文献传播更多的是维基百科、影视和政策提及数为E类，付费获取的文献则是推特和Reddit提及数处于较小聚类区间，自由获取的文献微博、谷歌、问答及政策提及数都处于较小区间，3种文献获取方式下，文献传播渠道有较大差异。

5结束语

本文通过频数统计分析得到文献的学科、期刊、获取方式、第一作者隶属国家（地区），以及第一、二作者隶属学校的分布情况，并利用K-Means聚类以及基于Apriori算法的关联规则对Alt-metric TOP榜文献进行分析，得到不同被引次数区间、AAS值区间、期刊、国家（地区）、学科和获取方式情况下，文献传播渠道有较大差异。利用聚类和关联规则分析文献特征，具有一定的研究意义，并可以进一步拓展到挖掘评价指标，应用到更多学术影响力的评价中去。