Science | 来自机器学习系统的排名：计算机科学与神经科学大牛TOP10

【新智元导读】Science11月11日报道，艾伦人工智能研究院Semantic Scholar的人工智能搜索学术引擎近日推出了神经科学学术领域最有影响力的10位学者。伦敦大学学院 (UCL)独占鳌头，排名前三的科学家都来自该校，前10名的研究者全部来自英、美和加拿大三个国家。此前，Semantic Scholar曾对计算机科学领域进行过排名，在前10 的名单中，Jordan 位列第一，吴恩达第二。（文内包含计算机科学领域最有影响力50人名单）。Jordan对此系统的评价是：圈子决定命运。

2016年4月，位于美国西雅图的艾伦人工智能研究院（AI2）名叫Semantic Scholar的程序基于400万份计算机领域的论文，计算出了最有影响力的学者排名。其中机器学习领域的Michael I. Jordan 以1185的得分位居第一，吴恩达（Andrew Y. Ng）得分1125排在第二，第三名是Andrew Zisserman，得分1089。4至10名分别是：Christopher D. Mannning, Jitendra Malik, Geoffrey E. Hinton, Scott Shenker, Bernhard Schölkopf,Jon M. Kleinberg，Judea Pearl。

Semantic Scholar 上，依据影响力得分列出了前50的计算机科学领域学者 。计算指标包括了单次引用、二次引用等。

吴恩达影响力图表

以吴恩达为例，Semantic Scholar计算出了对吴恩达影响最大的五名学者，同时也给出了吴恩达影响最大的五名学者。

可以看到，Geoffery Hinton 对吴恩达影响最大，影响指数128，其次是Yann LeCun、Yoshua Bengio 和 Marc‘Aurelio Ranzato，Yee Whye Tech。而吴恩达影响最大五名学者分别是：Yoshua Bengio，Ashutosh Saxena，Pieter Abbeel，Dong Yu，J. Andrew Bagnell。

吴恩达在最有影响力的计算机科学研究者中排在了第二，紧随 Michael I. Jordan之后。总引用次数达到了89207次，高影响力引用2825次。

2015年，吴恩达论文引用次数达到近10年来的峰值

新增神经科学排名：伦敦大学学院 (UCL)独占鳌头

昨日公布的神经科学影响力排行中，伦敦大学学院 (UCL)独占鳌头，排名前三的科学家都来自该校。

前10名的研究者全部来自英、美和加拿大三个国家。

让机器像人一样看懂论文，评定影响力

根据 Science 的报道， Semantic Scholar 在去年秋季就已经创立，一经推出就成为谷歌学术（Google Scholar）和 PubMed 的有力竞争对手。

这一程序的目的在于，真正最大程度地理解发表的文献。它不仅对学者，还对机构的学术影响力进行排名，在计算机科学领域，最有影响力的机构是麻省理工学院（MIT）。

此后，AI2 又新收录了600万论文，将论文总数增加到1000万，其中25%是来自神经科学领域。

AI2 表示，希望在明年收录所有的生物医疗文献，将论文总数提升至2000万。Semantic Scholar 与常见的学术搜索引擎有何不一样？AI2 的CEO Oren Etzioni 说：“我们使用的是机器学习、自然语言处理和计算机视觉等技术，来挖取论文”。

如果圈外人觉得Semantic Scholar值得信任，那么这些数据就会被用于招聘和终身教职授予。这是因为，影响力一般都很难衡量。传统的方法是计算引用数量，这一直是学术出版业的一个价值标准，众多商家，比如Thomson Reuters和Elsevier会将数据卖给用户。

但是，引用数量的计算标准却是不统一的。比如，对论文全篇都具有启发意义的引用和只在研究方法中提到一次的引用，二者的影响力完全是不一样的。所以，只统计数字的引用计算方法，对科学家的影响力是一种误算。也有很多研究者抱怨说，传统基于引用数量的评价方法助长了一种“要么发表，要么死亡”的心态，促使他们以最快的速度发表论文，忽视了研究本身的重要性，一味追逐引用数量。

一些研究者表示，现在，需要一种更为直接的衡量方法，用于评价论文对未来研究的实际影响力。所以，AI 2 的团队在Semantic Scholar 添加了新的人工智能技术，创建“影响力图表”。

网上发表的大多数论文用的都是PDF格式，这对人来说读起来很方便，但是，要让计算机读懂论文，这种格式却是一种阻碍。想要让计算机像人一样阅读，需要机器学习技术，它能让计算机作出准确的推测。比如，它不仅要发现论文各部分的差异——引言、方法、结果，还必须分辨出论文引用文献的作用。所以，AI2 使用机器学习来训练一个动态的模型，来识别这些所有的特征。随后，计算机在人类专家的帮助下，不断修正模型，从而提高准确度。

目前，系统还只是在衡量论文和被引用论文之间“直接的影响关系”，未来，还会研究多篇文章中的交叉引用指数。

Michael Jordan ：圈子决定命运

今年早些时候，Science邀请 美国怀俄明州立大学的计算机科学家 Jeff Clune 来试用这一系统。Clune做的第一件事，是查看了自己的影响力图表中的表现。“这真的非常有趣”，他说，“我能看到哪一位学者对我的职业生涯产生了最大的影响，受我影响最大的学者是谁”。程序显示的结果大多数都跟Clune期待的一致：他的导师对他影响最大，而他对他的研究生和博士影响最大。不过也有一些惊人的发现，有一些他根本不知道的学者，根据他所发表的论文进行了深入的后续研究。

除了有趣以外， Clune 相信，这一工具能在学术领域的招聘和晋升上产生参考价值。现在，许多学术委员会对候选人的评价不仅包括已发表的学术成果，还要预测他们对未来研究的影响。同时，Semantic Scholar也能根据引用频率，分析出最热的研究领域在什么地方，未来的研究趋势会如何发展。

但是， Clune也有自己的担心，因为从某种程度上来说，Semantic Scholar 是一个“黑箱”。他说：“人们会理解这些数字是从何而来的吗？”

AI2 CEO Etzioni 也承认了用算法来得出的结果具有“黑暗面”，他说：“这是机器学习的一个代价”。

Michael Jordan 评价说：“虽然从历史上看，在科学和数学领域有很多围绕个人的英雄主义佳话，但我个人认为，研究者所在的网络（圈子）对于预测他成功与否最具有参考价值”。他还说：“我个人的圈子里就都是一些有想法的人牛人”。