DeepScience：学术趋势预测与分析

导言

在此Github仓库中，我们选择COVID-19和深度学习领域来预测科学的发展趋势。
我们使用AceMap中的论文和字段信息，值得注意的是，我们还收集了来自整个学术界的论文，包括19个学科（数学、历史、心理学、经济学、社会学、艺术、地理学、商业、物理学、政治学、哲学、生物学、计算机科学、材料科学、环境科学、医学、化学、工程和地质学）和292个子领域（子学科）。

为了预测学术趋势，我们构建了一个基于论文引文的领域图。具体来说，我们抓取的论文都有领域标签。每篇论文可能属于几个领域。我们使用引用关系来链接这些字段。例如，论文P1属于领域F1和F2，论文P2属于领域F2和F3，同样，P1引用P2。然后，我们添加边（F1，F2），（F1，F3），（F2，F2）和（F2，F3），每个边的权重是领域中引用的总数。节点的id可以在Acemap上找到，例如业务的id是2024422753，然后，您可以通过访问https://www.acemap.info/field/2024422753来查看该领域。

统计数据

我们产生的动态字段图逐日从2020年1月1日到2021年3月31日（456天）COVID-19。深度学习的时间范围是2017年10月1日至2021年3月31日。最后，构造了动态领域图，并将其称为COVID-19（深度学习）学术图。
您可以从Google Drive下载这两个数据集。

分析简介

Motif趋势

两个领域的跨主题模式在上升，深度学习的交叉话题数量远远大于COVID-19。在疫情后期，交叉趋势放缓并达到趋同。从2018年底到2019年，深度学习领域出现了爆炸性增长。虽然近几月深度学习论文发表速度有所放缓，但与COVID-19相比，仍有很大的发展前景。

网络特征

我们还计算了场图的几个网络特征。更多细节可以在我们的论文中找到。

热门话题

我们使用GCN-GAN和EvolveGCN预测未来交叉学科的发展趋势。

在COVID-19方面，我们发现：

• 计算机辅助医疗深化内科诊断改革
• 外科手术更注重风险评估
• 在线医疗诊断进一步确保了用户隐私
• 内分泌手术的交叉点继续增加
• 医疗废物管理将更多地考虑环境保护
• 机器学习辅助的疫情人口学分析

传递熵

传递熵是一种非参数统计量，用于测量两个随机过程之间的定向（时间不对称）信息传递量。我们使用转移熵从PageRank的角度挖掘不同领域之间的潜在影响。更多细节可以在我们的论文中找到。

如果您使用此存储库，请引用。