データ・コード

公開しているデータとコードを抜粋しています． 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．

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 (2025).


• cs-cocitations データ
  高被引用の情報学分野論文をノードとし，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です． OpenAlex Snapshot（2024-09-27）から構築しており， 3,118件の論文ノードと53,886件のハイパーエッジを含みます． 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．
  
  論文: Kazuki Nakajima, Yuya Sasaki, Takeaki Uno, and Masaki Aida. Learning Multi-Order Block Structure in Higher-Order Networks. arXiv preprint (2025).

コード

• 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).


• 研究者人口ピラミッド可視化ツール
  出版データを用いて，国別の研究者人口構造とジェンダーバランスの変化を可視化・診断するための Python コードです． 著者ごとの出版年系列から研究者人口ピラミッドを構築し，学術エコシステムの人口動態や将来の変化を分析できます．
  
  論文: Kazuki Nakajima and Takayuki Mizuno. Researcher Population Pyramids: Tracking Demographic and Gender Trajectories Across Countries. PNAS Nexus (2025).


• 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).


• 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 d_v = 0, 1, 2, 2.5 および d_e = 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．
  

---

Go back home

---