Die Studie stellt einen skalierbaren Ansatz zum Aufbau eines umfassenden Zitationsgraphen vor, indem zwei große akademische Zitationsdatensätze zusammengeführt werden. Die Autoren, Inci Yueksel-Erguen und Ida Litzel vom Zuse-Institut Berlin und Hanqiu Peng von der National University of Singapore, beschreiben eine Methode, die den Einsatz schwergewichtiger Datenbanksysteme oder spezialisierter Big-Data-Frameworks vermeidet. Stattdessen stützt sich der Ansatz auf parallele Verarbeitung und Data Slicing, um das Volumen und die Heterogenität der Quelldaten zu bewältigen.
Zu den wichtigsten technischen Schritten gehören Deduplizierung, Datensatzabgleich und Referenzverknüpfung. Die Autoren identifizieren zunächst potenzielle Duplikate durch eine Kombination aus DOI-Abgleich, Extraktion regulärer Ausdrücke und Levenshtein-Distanz bei Titeln und ISSNs von Zeitschriften. Bei einer Ähnlichkeitsschwelle von 95 % ergibt sich eine Trefferquote von 94,19 % für Datensätze, die DOIs enthalten. Für Datensätze, die keine DOIs enthalten, wird eine sekundäre Abgleichsstrategie auf der Grundlage von Titeln und ISSNs angewandt, die zu einer 98,86 %igen Übereinstimmung von manuell zugewiesenen eindeutigen Identifikatoren (MUIDs) führt. Nach dem Abgleich ordnen die Autoren allen Datensätzen MUIDs zu und verwenden eine parallele Verarbeitung, um die Referenzlisten der beiden Datensätze abzugleichen. Dieser Prozess führt zu einem einzigen, konsistenten, zusammengeführten Datensatz, der 119 Millionen unterschiedliche Publikationsknoten und 1,45 Milliarden Zitationskanten enthält.
Der resultierende Graph zeigt eine erhebliche Verbesserung gegenüber den einzelnen Quellgraphen. Im Vergleich zu den ursprünglichen Datensätzen zeigt der zusammengeführte Graph einen Anstieg der Knoten um 26 % und der Kanten um 89 % im Vergleich zum ersten Datensatz und einen Anstieg der Knoten um 26 % und der Kanten um 52 % im Vergleich zum zweiten Datensatz. Die Autoren berichten auch, dass die durchschnittliche Anzahl der Zitate und Verweise pro Artikel nach der Zusammenführung steigt, was darauf hindeutet, dass der Graph die Beziehungen zwischen den Artikeln vollständiger erfasst. Die Visualisierungen in dem Bericht veranschaulichen die Verteilung der übereinstimmenden Artikel, den Anteil der Datensätze mit DOIs und die Auswirkungen des Zusammenführungsprozesses auf die Anzahl der Zitate. Die Autoren weisen darauf hin, dass weitere Verbesserungen durch die Einbeziehung zusätzlicher Zitationsquellen erzielt werden könnten.
Einzelheiten zur Zusammenarbeit und Finanzierung finden Sie in den Danksagungen. Das Projekt wird von der Europäischen Union durch den Europäischen Fonds für regionale Entwicklung (EFRE, Fondsnummer STIIV-001) kofinanziert und teilweise durch den Forschungscampus MODAL unterstützt, der vom Bundesministerium für Bildung und Forschung (BMBF, Fondsnummern 05M14ZAM und 05M20ZBM) gefördert wird. Das Forschungsteam besteht aus Mitgliedern des Zuse-Instituts Berlin und der National University of Singapore, wobei erstere für die Datenvorverarbeitung und die parallele Implementierung zuständig ist und letztere ihre Expertise in der bibliometrischen Analyse und Auswertung von Zitationsnetzwerken einbringt. Der Zeitrahmen des Projekts wird nicht explizit angegeben, aber der Bericht weist darauf hin, dass die Zusammenführung und Analyse innerhalb des Zeitraums des mit den genannten Zuschüssen verbundenen Finanzierungszyklus abgeschlossen wurde.