Общество и наука: векторы развития

В сборнике представлены статьи участников Всероссийской научно-практической конференции с международным участием, посвященные актуальным вопросам науки и образования. В материалах сборника приведены результаты теоретических и прикладных изысканий представителей научного и образовательного сообщества в данной области. Статьи представлены в авторской редакции.

 Кожанов Виктор Иванович sportkomplex.chgu@yandex.ru executive_editor Яковлева Татьяна Валериановна info@interactive-plus.ru Кожанов Виктор Иванович Радина Оксана Ивановна Краснова Светлана Гурьевна Сорокоумова Галина Вениаминовна https://orcid.org/0000-0002-5246-5200 Общество и наука: векторы развития Society and Science: Future Development 04 06 2026 Чебоксары Центр научного сотрудничества «Интерактив плюс» 1900 © 2026 Максимов А. В., Смолина С. Г. 2026 Максимов А. В., Смолина С. Г. Это произведение доступно по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) 598936 Сравнительный анализ методов предсказания связей в темпоральных семантических сетях для выявления эволюции научных концепций Максимов Артур Вадимович artur.maksimov.2000@list.ru Смолина Светлана Георгиевна АНО ВО «Российский новый университет» Россия

в статье исследуется предсказание связей в темпоральных семантических сетях научных концептов, где узлы – ключевые термины, а связи – их ко-оккурренция в публикациях. Проведено эмпирическое сравнение четырёх методов – Common Neighbors, NMF, Node2Vec и Dyngraph2Vec – на корпусе научных статей за несколько лет. Качество оценивается метриками AUCROC и Average Precision в режиме скользящего контроля по временным срезам. Эксперименты показывают, что темпоральные эмбеддинги статистически значимо превосходят как эвристики, так и статические методы, особенно при выявлении новых связей между ранее далёкими концептами. Результаты дают обоснованную рекомендацию по выбору инструментария для предиктивной наукометрии и формируют базовую линию для дальнейших исследований.

 наукометрия темпоральные семантические сети предсказание связей эволюция научных концепций ко-оккуренция бенчмарк графовые эмбеддинги анализ цитирования динамические графы References Goyal P. dyngraph2vec: Capturing network dynamics using dynamic graph representation learning / P. Goyal, S.R. Chhetri, A. Canedo // Knowledge-Based Systems. – 2020. – Vol. 187. – P. 104816. – DOI 10.1016/j.knosys.2019.06.024. – EDN XCJXHN. Goyal P. Chhetri S. R. Canedo A. dyngraph2vec: Capturing network dynamics using dynamic graph representation learning Knowledge-Based Systems 2020 187 10.1016/j.knosys.2019.06.024 XCJXHN Grover A. node2vec: Scalable feature learning for networks / A. Grover, J. Leskovec // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). – San Francisco, 2016. – P. 855–864. Grover A. Leskovec J. node2vec: Scalable feature learning for networks Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD) 2016 855 864 Jin D. On generalizing static node embedding to dynamic settings / D. Jin, S. Kim, R.A. Rossi, D. Koutra // Proceedings of the 15th ACM International Conference on Web Search and Data Mining (WSDM). – Tempe, 2022. – P. 410–420. Jin D. Kim S. Rossi R. A. Koutra D. On generalizing static node embedding to dynamic settings Proceedings of the 15th ACM International Conference on Web Search and Data Mining (WSDM) 2022 410 420 Kumar A. Link prediction techniques, applications, and performance: A survey / A. Kumar, S.S. Singh, K. Singh, B. Biswas // Physica A: Statistical Mechanics and its Applications. – 2020. – Vol. 553. – P. 124289. – DOI 10.1016/j.physa.2020.124289. – EDN YFNJRN. Kumar A. Singh S. S. Singh K. Biswas B. Link prediction techniques, applications, and performance: A survey Physica A: Statistical Mechanics and its Applications 2020 553 10.1016/j.physa.2020.124289 YFNJRN Lee D.D. Learning the parts of objects by non-negative matrix factorization / D.D. Lee, H.S. Seung // Nature. – 1999. – Vol. 401. – P. 788–791. Lee D. D. Seung H. S. Learning the parts of objects by non-negative matrix factorization Nature 1999 401 788 791 Newman M.E.J. Clustering and preferential attachment in growing networks / M.E.J. Newman // Physical Review E. – 2001. – Vol. 64, No. 2. – P. 025102. Newman M.E.J. Clustering and preferential attachment in growing networks Physical Review E 2001 64 2 Qin M. Temporal link prediction: A unified framework, taxonomy, and review / M. Qin, D.-Y. Yeung // ACM Computing Surveys. – 2023. – Vol. 56, No. 2. – P. 1–40. Qin M. Temporal link prediction: A unified framework, taxonomy, and review ACM Computing Surveys 2023 56 2 1 40