データ・コード
研究で構築したデータセット・コード・Web アプリを公開しています．
論文の結果を再現できるように，多くの論文でコードとデータを公開しています．
論文・発表のページにも該当する論文のところに載せています．
その他のコードは GitHub をご覧ください．
Web アプリ
データ
-
CitationCS データセット
情報学分野の国際会議論文とジャーナル論文を対象とした引用データセットです．
OpenAlex，DBLP，CORE，SCImago の情報を統合して構築しており，3,720,575件の論文メタデータと22,908,275件の内部引用を含みます．
データは JSON Lines 形式で提供されています．
論文1: Kazuki Nakajima, Yuya Sasaki, Sohei Tokuno, and George Fletcher. Quantifying gendered citation imbalance in computer science conferences. Proc. AIES (2024).
論文2: Kazuki Nakajima, Yuya Sasaki, Sohei Tokuno, and George Fletcher. Systemic Gendered Citation Imbalance in Computer Science: Evidence from Conferences and Journals. Scientometrics (2026).
-
共引用ハイパーグラフデータ
各研究分野の高被引用論文をノードとし，共引用関係をハイパーエッジとして表現した共引用ハイパーグラフのデータセット群です．
いずれのデータセットも OpenAlex Snapshot（2024-09-27）から構築しており，
各ノードには，OpenAlex work ID，論文タイトル，出版日，トピック，サブフィールド，フィールド，ドメイン，被引用数などの属性が付与されています．
これらのデータセットは XGI-DATA の一部としても利用できます．
研究分野ごとに以下のデータセットを公開しています．
- cs-cocitations（情報学）：3,118 ノード，53,886 ハイパーエッジ．
- biochem-cocitations（生化学・遺伝学・分子生物学）：8,998 ノード，50,289 ハイパーエッジ．
- math-cocitations（数学）：2,972 ノード，17,099 ハイパーエッジ．
- neuro-cocitations（神経科学）：4,267 ノード，16,771 ハイパーエッジ．
- physics-cocitations（物理学・天文学）：5,347 ノード，42,535 ハイパーエッジ．
論文: Kazuki Nakajima, Yuya Sasaki, Takeaki Uno, and Masaki Aida. Learning Multi-Order Block Structure in Higher-Order Networks. arXiv preprint (2025).
-
共引用ネットワークのモジュラリティ解析データ
研究領域の形成に伴う知識基盤のモジュラリティの低下を調べた論文の結果を再現するためのデータセットです．
解析に用いた派生データと解析結果を含み，コードと組み合わせて論文の図表と統計量を再生成できます．
論文: Kazuki Nakajima, Yuya Sasaki, and Masaki Aida. Declining Modularity of Intellectual Bases During the Emergence of Research Areas. arXiv preprint (2026).
コード
社会ネットワークのサンプリングと推定
高次ネットワークの参照モデルと確率的ブロックモデル
-
hyper-dK-series
ハイパーグラフの参照モデル・ヌルモデルを生成するための Python/C++ コードです．
パラメータ dv = 0, 1, 2, 2.5 および de = 0, 1 に応じて，
ノード次数，次数相関，冗長係数，ハイパーエッジサイズなどの統計量を保存したランダム化ハイパーグラフを生成できます．
Python 実装では Numba による高速化を行っており，高次リッチクラブ検出用のコードも含まれています．
論文: Kazuki Nakajima, Kazuyuki Shudo, Naoki Masuda. Randomizing hypergraphs preserving degree correlation and local clustering. IEEE Transactions on Network Science and Engineering (2022).
-
dK-series
重み無しネットワークの参照モデルを生成するための Python パッケージです．
パラメータ d = 0, 1, 1.5, 2, 2.5 に応じて，エッジ数，次数分布，次数相関，クラスタ係数までの統計量を保存したランダム・グラフを生成できます．
2026年3月に Python パッケージ dk_series として PyPI で公開し，d = 1 および d = 2 では単純グラフのサンプリングにも対応しています．
-
HyperNEO
属性付きハイパーグラフのコミュニティ構造を推定・可視化するための Python コードです． ハイパーグラフ向けの混合メンバーシップ確率的ブロックモデルと次元削減法を組み合わせることで， ノードの重複コミュニティ構造を推定し，属性情報とあわせて可視化できます．
論文: Kazuki Nakajima, Takeaki Uno. Inference and Visualization of Community Structure in Attributed Hypergraphs Using Mixed-Membership Stochastic Block Models. Social Network Analysis and Mining (2025).
-
HyperMOSBM
高次ネットワークにおける相互作用の次数（ハイパーエッジサイズ）ごとの構造を学習するための確率的ブロックモデルの Python コードです．
相互作用の次数の集合の最適な分割を推定し，ハイパーグラフのメゾスコピック構造を捉えます．
論文: Kazuki Nakajima, Yuya Sasaki, Takeaki Uno, and Masaki Aida. Learning Multi-Order Block Structure in Higher-Order Networks. arXiv preprint (2025).
メタサイエンス