تحلیل شبکه هم‌نویسندگی بزرگ مقیاس با یادگیری ماشین

تحلیل شبکه‌های هم‌نویسندگی یک زمینه میان‌رشته‌ای است که اغلب از ابزارهای مختلف تحلیلی در مراحل گوناگون استفاده می‌کند. با این حال، با افزایش پیچیدگی و گستردگی شبکه‌ها، روش‌های سنتی محدودیت‌های قابل توجهی را تجربه می‌کنند. علاوه بر این، ادغام داده‌های متنی و منابع غیرمعمول فرصتی برای استخراج بینش‌های عمیق‌تر و پیچیده‌تر از این شبکه‌ها فراهم می‌کند. این فرایند نیازمند بهره‌گیری از تکنیک‌های پیشرفته مانند استخراج متن و پردازش زبان طبیعی است. این مقاله علاوه بر رسیدگی به این چالش‌ها، مرور سیستماتیکی از مطالعات موجود درباره تحلیل شبکه‌های هم‌نویسندگی از دیدگاه‌های مختلف ارائه می‌دهد.این پژوهش به بررسی ویژگی‌های ساختاری و تکامل پویای شبکه‌های هم‌نویسندگی با استخراج داده‌های مربوط به کاربردهای مختلف آن از پایگاه‌های معتبر مانند pubmed، scopus و semantic scholar می‌پردازد. مجموعه داده‌ای بیش از 2،000 مقاله مرتبط گردآوری شد و با استفاده از روش‌های یادگیری شبکه و الگوریتم‌های یادگیری ماشین مورد تحلیل قرار گرفت. این تحلیل شامل شاخص‌های عمومی شبکه هم‌تالیفی از قبیل تراکم و ضریب خوشه‌بندی، یافتن فعال‌ترین زمینه‌های کاربردی، نویسندگان و مجلات، خوشه‌بندی، بررسی پویایی زمانی تغییرات شبکه و ... بود. نتایج نشان‌دهنده گسترش چشمگیر جوامع هم‌نویسندگی است، به ویژه در حوزه‌های میان‌رشته‌ای مانند مهندسی، پزشکی و علوم کامپیوتر. این پژوهش اطلاعات ارزشمندی را برای پژوهشگرانی فراهم می‌کند که به شناسایی حوزه‌های کمتر بررسی‌شده و رفع شکاف‌های دانش در تحلیل شبکه‌های هم‌تالیفی کمک می‌کند.

large scale co-authorship network analysis using machine learning

co-authorship network analysis is a multidisciplinary endeavor, often utilizing various analytical tools across multiple phases. however, as network complexity and scale increase, conventional methodologies encounter significant limitations. moreover, the integration of textual and non-standard data sources provides an opportunity to extract deeper, more nuanced insights from these networks. this process necessitates the application of advanced techniques such as text mining and natural language processing. this paper aims to address these methodological challenges by systematically reviewing existing literature on co-authorship network analysis from diverse perspectives.the study investigates the structural properties and dynamic evolution of co-authorship networks, drawing on data sourced from renowned databases, including pubmed, scopus, and semantic scholar. a dataset encompassing over 2,000 relevant publications was compiled and analyzed using machine learning algorithms. this analysis encompassed general metrics of the co-authorship network, such as density and clustering coefficient, identification of the most active application fields, authors, and journals, clustering, temporal dynamics of network changes, and more. results indicate substantial expansion in co-authorship communities, particularly within interdisciplinary fields like engineering, medicine, and computer science. this research provides valuable insights for academics and policymakers by identifying areas requiring further exploration and addressing existing gaps in the study of co-authorship networks.