Co-factor analysis of citation networks
引用网络的双向共因子分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接建模引用网络的有向邻接矩阵和潜在连接结构，支持网络方向，但未涉及处理干扰效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
引用网络的双向共因子分析
- 研究问题
- 引用网络受论文发表时间约束、部分邻接矩阵结构性缺失时，能否识别分别描述发出引用和接收引用的潜在空间？
- 方法与思路
- 作者建立下三角缺失的非对称邻接矩阵共因子模型，将估计转化为矩阵补全，并设计适应大规模内存限制的实现。
- 材料陈述的贡献
- 摘要称模型在时间约束下仍可识别，模拟展示潜在结构恢复能力，并用大规模统计论文网络提取具有可解释性的主题因子。
- 阅读关注点
- 应核对共因子识别的限制、时间造成的结构性缺失如何处理，以及矩阵补全的误差条件；检查主题解释和基准比较方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出完整识别条件，其主题模型覆盖程度和解释质量尚不能独立判断。
原文摘要
One compelling use of citation networks is to characterize papers by their relationships to the surrounding literature. We propose a method to characterize papers by embedding them into two distinct "co-factor" spaces: one describing how papers send citations, and the other describing how papers receive citations. This approach presents several challenges. First, older documents cannot cite newer documents, and thus it is not clear that co-factors are even identifiable. We resolve this challenge by developing a co-factor model for asymmetric adjacency matrices with missing lower triangles and showing that identification is possible. We then frame estimation as a matrix completion problem and develop a specialized implementation of matrix completion because prior implementations are memory bound in our setting. Simulations show that our estimator has promising finite sample properties, and that naive approaches fail to recover latent co-factor structure. We leverage our estimator to investigate 255,780 papers published in statistics journals from 1898 to 2024, resulting in the most comprehensive topic model of the statistics literature to date. We find interpretable co-factors corresponding to many statistical subfields, including time series, variable selection, spatial methods, graphical models, GLM(M)s, causal inference, multiple testing, quantile regression, semiparametrics, dimension reduction, and several more.