AMiner 数据集

 

编号	数据集	节点	边	说明
1	论文引用关系网络	3,079,007篇论文	25,166,994条引用关系	论文引用关系网络
2	学术社交网络	2,092,356篇论文/1,712,433位作者	8,024,869条引用关系/4,258,615条作者合作关系	论文引用网络以及作者合作网络
3	导师学生关系数据	4794位作者	2164条指导被指导关系，3932条作者合作关系	导师学生关系数据
4	研究主题-作者合作关系网络	覆盖8个主题的640,134位作者	1,554,643条作者合作者关系	基于主题的作者合作关系网络
5	研究主题-论文-作者关系数据	覆盖5个主题的33739位作者	139278 条作者合作者关系	用于跨领域学者推荐
6	研究主题-引用数据	2,329,760 篇论文	12,710,347 条引用关系	基于主题的论文引用关系网络
7	社区核	27个会议上发表的8000篇论文		用于社区发现
8	动态作者合作关系网络	1,629,217位作者	2,623,832 条作者合作者关系	一个不断演变的作者合作关系网络，有27个时间戳
9	学者画像	898个文件		学者画像（资料）抽取
10	论文引用关系标注	155条论文引用关系对		研究论文引用关系的语义
11	专家发现	13 个主题下的1,781位专家		专家发现任务的一个基准数据集
12	关联搜索	9个主题下的8,369个作者对		用于专家发现
13	AMiner数据集的主题模型结果	200个主题下的前1,000,000篇论文和前1,000,000位作者		AMiner数据上晕车ACT的结果
14	作者合作者关系网络	1,560,640位作者	4,258,946条合作者关系	合作者关系网络
15	互联网中的用户画像	2,000位作者的email信息和2,400位作者的性别信息		用于用户画像抽取
16	开放学术图谱	约3亿论文（来自AMiner和MAG）	约6千万条边	用于研究多个大规模学术图谱的集成，挖掘
17	科技知识图谱	908个概念，206,240个专家和512,698个出版物		由计算机科学中的概念，专家和论文组成的知识图谱
18	学者职业轨迹	57,037位学者和42,230个机构/单位		用于研究学者的职业轨迹
19	人工智能领域知识图谱	来自103个会议的130,750名学者，343,746篇论文，229,937个专业
20	AMiner知识图谱	100,000个标签，318,406个学者，63,068个机构和23,709个出版地点		AMiner中提取的结构化实体网络
21	同名作者消歧	23,823个姓名和83,980位学者		用于研究学者同名消歧
22	网络集成（对齐）	每个网络约百万级用户，来自在线社交网络和学术社交网络	一个网络可达千万量级的边	用于研究不同网络的数据集成/对齐

 

该数据集仅用于研究用途。 论文引用数据从DBLP，ACM和其他来源中提取。 第十版数据包含3,079,007篇论文和25,166,994条引用关系。 每篇论文有摘要，作者，年份，发表的会议或期刊和标题等属性。

该数据集可用于网络中结点的聚类（可利用结点属性），研究引用关系网络中的论文影响作用，找到最有影响力的论文，主题建模分析等。

该数据集包括论文信息，论文引用关系，作者信息和作者合作关系。 AMiner-Paper.rar包含2,092,356篇论文和8,024,869条论文引用关系，AMiner-Author.zip包含1,712,433位作者，AMiner-Coauthor.zip包含4,258,615条作者合作关系数据。

该数据集包含6个不同的网络：Epinions，Slashdot，MobileU，MobileD，Coauthor和Enron。

Epinions是一个产品评论网络。网站上的每个用户都可以发布任何产品的评论，其他用户会对信任或不信任的评论进行评级。该数据集由131,828个用户和841,372条关系组成，其中约85.0％为信任关系。 80,668位用户至少收到一次信任或不信任关系。

Slashdot是一个朋友关系网络。 Slashdot是一个分享技术相关新闻的网站。该数据集由77,357个用户和516,575条关系组成，其中76.7％是“朋友”关系。

MobileU是一个移动用户网络。它包括大约十个月内107个用户的呼叫记录，蓝牙扫描数据和手机信号塔ID。总的来说，数据包含5,436条关系。

MobileD是一个相对较大的企业移动网络，其中节点是公司中的员工，并且通过几个月内彼此之间发送的呼叫和短消息形成关系。用户之间总共有232个用户（50个经理和182个普通员工）和3,567个关系（包括呼叫和短信）。

Coauthor是一个作者合作者关系网络。该数据集来自AMiner，由815,946位作者和2,792,833条合作关系组成。

Enron是一个电子邮件通信网络。它由151名Enron员工之间的136,329封电子邮件组成。在这些员工之间标注了两种类型的关系，即经理 - 下属关系和同事关系。共有3,572条关系，其中133条是经理 - 下属关系。

作者合作关系数据集包括从AMiner中选取的作者和共同作者关系。 该数据集包含8个主题：

Topic 16: Data Mining / Association Rules

Topic 107: Web Services

Topic 131: Bayesian Networks / Belief function

Topic 144: Web Mining / Information Fusion

Topic 145: Semantic Web / Description Logics

Topic 162: Machine Learning

Topic 24: Database Systems / XML Data

Topic 75: Information Retrieval.

该数据集收集了跨领域推荐数据。

Data Mining: 我们使用以下数据挖掘会议的论文：KDD，SDM，ICDM，WSDM和PKDD，从而形成一个拥有6,282位作者和22,862条合作者关系的网络。

Medical Informatics: 我们使用以下期刊的论文：Journal of the American Medical Informatics Association, Journal of Biomedical Informatics, and Artificial Intelligence in Medicine, IEEE Trans. Med. Imaging and IEEE Transactions on Information and Technology in Biomedicine，我们从中获得了9,150位作者和31,851条合作关系的网络。

Theory: 我们使用以下会议的论文：即STOC，FOCS和SODA，从中获得5,449位作者和27,712条合作关系。

Visualization: 我们使用以下会议和期刊中的论文，CVPR，ICCV，VAST，TVCG，IEEE Visualization and Information Visualization.。获得的作者合作关系网络由5,268位作者和19,261条合作关系组成。

Database: 我们使用以下会议的论文，即SIGMOD，VLDB和ICDE。从这些会议中，我们提取了7,590位作者和37,592条合作关系。

论文引用关系网络包括从AMiner中选择的论文和引用关系。 引文数据包括2555篇论文和6101条引用关系。 论文主要来自10个研究领域：

Topic 16: Data Mining / Association Rules

Topic 107: Web Services

Topic 131: Bayesian Networks / Belief function

Topic 144: Web Mining / Information Fusion

Topic 145: Semantic Web / Description Logics

Topic 162: Machine Learning

Topic 24: Database Systems / XML Data

Topic 75: Information Retrieval

Topic 182: Pattern recognition / Image analysis

Topic 199: Natural Language System / Statistical Machine Translation.

该数据集包括三个真实的社交网络：

Coauthor（作者合作关系网络，有822,415个节点和2,928,360条无向边）。 每个顶点代表一个作者，每个边代表一条作者合作关系。

Wikipedia（一个从维基百科爬取的共同编辑网络，拥有310,990个节点，10,780,996条无向边）。 每个顶点代表一个维基百科编辑者，每个边代表一个共同编辑关系。

Twitter（该网络从twitter.com抓取，有465,023个节点和833,590条有向边）。 每个顶点代表一个Twitter用户帐户，每个边代表一个关注关系。 Twitter网络是一个著名的蝴蝶结结构[20]，其中30％的顶点是强连接。 我们在Twitter网络上进行了蝴蝶结分析，发现只有8％（38,913）的顶点是强连接的。

我们从AMiner构建了演变的作者合作关系网络。 我们收集了1986年至2012年期间发表的1,768,776篇论文，涉及1,629,217位作者。 我们将每年视为时间戳，总共有27张时间戳。 在每个时间戳上，如果他们在最近3年（包括当前年份）共同撰写了至少一篇论文，我们在两位作者之间添加一条边。 我们通过将每条无向边视为两条对称的有向边，将无向作者合作关系网络转换为有向网络。

我们在研究者社交网络系统AMiner中开发了学者画像提取工具。 该工具将用于从网页中提取研究者个人资料，并将提取的信息输出到研究者数据库中。

该数据集和相关文档用于学者画像抽取。

这项工作旨在研究如何量化链接语义。 具体来说，链接语义分析的理想输出是为用户提供以下信息：（1）每个页面讨论的多个主题; （2）两个网页之间链接的语义; （3）每条链接的影响强度。 通过这样的分析，用户可以轻松地跟踪想法或技术的起源，分析主题的演变和影响，通过某些类别的链接过滤页面，以及利用链接影响程度放大和缩小链接跟踪图。

该数据集包括从AMiner中选取的论文。 original_data.rar包含原始论文，一些包含全文，另一些只包含摘要，而annotate_data.txt是标注工具的输出。

我们从尽可能多的来源收集研究主题及其相关研究者。 我们随机选择了13个主题并创建了13个研究者名单。 该数据集被用作专家发现的“黄金指标”。 它们还用于创建关联搜索的测试集。 下表显示了我们收集的13个主题和研究者的统计数据。 在13个主题中，OA和SW来自相关会议或研讨会的PC成员。 DM来自kmining.com整理的数据挖掘研究者列表。 IE来自Muslea收集的信息提取研究者名单。 BS和SVM的名单分别来自他们的官方网站。 PL，IA，ML和NLP的研究者页面由Russell和Norvig整理，该页面链接到网络上的849个与人工智能有关的网页。

为了评估我们提出的关联搜索方法的有效性，我们创建了8个测试集。 每个人对包含一个出发结点/学者（包括他的姓名和ID）和一个目标结点/学者（包括他的姓名和ID）。 测试集如下创建：我们从研究者网络中随机选择了1000对人，并创建了第一个测试集。

我们使用上面的人员列表来创建其他8个测试集。 我们分别从SW，DM和IE中随机选择研究者对，创建了四个测试集。 通过这三个测试集，我们旨在测试来自同一研究领域的人之间的关联搜索。 我们通过选择来自不同研究领域的研究者来创建其他五个测试集。

Aminer Author Name and ID： 它包含AMiner中作者姓名和ID之间的映射。 数据格式为2列列表。 第一列是AMiner ID，第二列是作者姓名。

Aminer Topic Top 5000 Publications and Authors： 它包含AMiner中每个主题的顶尖的5000篇论文。 数据为3个xml文件。 每个都分别包含主题，论文和作者。

ACTMaps Author Topic：它包括基于作者的主题分布。 数据被组织成733,602行，每行表示一个作者。 对于每一行，它由包含空格分隔的列组成。每列是主题ID和权重，以“：”分隔。

Aminer FOAF Data Set：它由AMiner中作者的FOAF格式的数据组成。 数据以标准FOAF格式组织。

该数据集包含5个文件：

AMiner-Author.zip：此文件保存作者信息。

AMinerCoauthor.graph.zip：此文件保存了第一个文件中作者的合作关系网络。

AMinerCoauthor.dict.zip：此文件保存从第一个文件中的索引到第二个文件中的ID的映射。

AMinerCoauthor.panther.zip: 该文件通过Panther算法保存了上面作者合作网络中每个作者的前50名相似作者以及相似度。 行号表示作者的ID，该行表示与该作者相似的前50个作者。

AMinerCoauthor.panther++.ZIP：该文件通过Panther ++算法保存了上面作者合作网络中每个作者的前50名相似作者以及他和这50名作者的欧几里得距离。 行号表示作者的ID，该行表示与该作者相似的前50个作者。

该数据集收集了学者的电子邮件和性别标注数据。

电子邮件
对于电子邮件提取，我们标记了大约2000人的数据，用于训练和测试。 姓名列表是从AMiner中随机选取的。 对于此列表中的每个人，我们利用Google搜索并提取可能的候选电子邮件地址。 我们使用AMiner系统中的联系信息作为大多数学者的结果，并且有一些人类专家来标记和仔细检查数据。

性别
对于性别推断，我们从AMiner系统提供大约2400人的带标签的xlsx文件，其中包括姓名，单位，职位和主页等字段。

该数据集是通过连接两个大型学术知识图谱生成的：Microsoft Academic Graph（MAG）和AMiner。

该数据集仅用于研究用途。 此版本包括来自MAG的166,192,182篇论文和来自AMiner的154,771,162篇论文。 我们在两个图谱之间生成了64,639,608个链接（匹配）关系。 我们将来会发布更多链接结果，如作者匹配结果。 它可以作为研究论文引用关系网络，论文内容挖掘等，也可以用于研究多个学术知识图谱的整合。

如果您有任何问题或想要为开放学术图谱（OAG）出力，请随时在 OAG群组 进行讨论。

SciKG是一个专为科学知识概念而设计的丰富知识图谱（目前包括计算机科学（CS）学科），由概念，专家和论文组成。 概念及其关系从ACM计算分类系统中提取，并补充来自例如维基百科的每个概念的定义。 我们进一步使用AMiner将每个概念排名靠前的专家和最相关的论文与概念联系起来。 每位专家都有职位，单位，研究兴趣以及与AMiner链接（如有还需要更多的信息），每篇论文都包含元信息，如标题，作者，摘要，出版地点和年份。

我们为感兴趣的研究人员发布了AMiner学者职业轨迹数据集。 该数据集包括从AMiner提取的57037人和42230个附属机构。 我们已经尝试了一些努力来区分有相同姓名的学者，并消除了同一地址的多个写法（可能仍有噪音）。 我们还从互联网上收集722个简历，这可以被视为现实世界的标注结果。

KG4AI 是基于AMiner 海量学术数据，和 cnSchema.org 构建的一个全球AI领域学术知识图谱。

KG4AI-Global  的构建流程严谨而简洁：1. 根据2015年 CCF 推荐的AI领域国际学术会议和期刊（共103个），获取近几年在这些会议和期刊上发表的论文；2. 抽取上述论文的所有作者，去重作为全球AI领域学者集，并获取学者的完整信息；3. 依据学者研究兴趣将其关联到自然科学基金（NSFC）制定的AI学科分类中（1个一级学科，7个二级学科，62个三级学科）；4. 获取学者引用量最高的5篇论文数据并关联其他作者；5. 最后基于扩展自cnSchema.org 的本体定义，生成包含Scholar, ScholarlyArticle, Specialty等多种概念和实体的语义链接数据。完整的KG4AI构建流程如下图所示：

AMiner知识图谱是从AMiner中提取的结构化实体网络。 它由超过500,00个实体和其中约290,000,000个链接组成。 该数据集可以用作研究知识图谱构建的基准，也可以用作搜索/推荐的外部资源。

在许多应用中，同名消歧一直被视为一个具有挑战性的问题，例如科学文献管理，人物搜索和社交网络分析。 当我们在这些系统中搜索人名时，可以返回包含该人姓名的许多文档（例如，论文，网页）。 哪些文档包含的是我们关心的人？ 尽管已经进行了大量研究，但该问题仍未能解决。

本页面收集了AMiner的同名消歧数据。

我们从不同的社交网站收集了数据。数据集由两种社交网络集合组成，其中集合内的网络彼此有重叠（即在不同网络中的用户可能对应于同一个真实世界的人）。

SNS网络集合

SNS数据收集包括五个流行的在线社交网站：Twitter，LiveJournal，Flickr，Last.fm和MySpace。

SNS网络集合的群组用户映射结果最初由Perito等人通过Google个人资料服务收集。请联系原始所有者来获取数据。在这里，我们提供用于评估的数据子集。

Twitter - Livejournal
Twitter - Flickr
Twitter - Lastfm
Twitter - MySpace
Livejournal - Flickr
Livejournal - Lastfm
Livejournal - MySpace
Filckr - Lastfm
Flickr - MySpace
Lastfm - MySpace

学术社交网络集合

Academia数据收集包括三个学术或专业社交网络：ArnetMiner（AM），Linkedin和Videolectures。

学术社交网络数据集的标注结果是通过AMiner上的众包服务获得的。在每个研究人员的AMiner个人资料中，用户可以填写链接到外部帐户的URL。该服务已连续运行一年以上，已收集超过10,000条链接记录。在这里，我们提供AMiner和LinkedIn用于评估的数据子集。