近日，一篇题为《基于全文共现网络的算法学术影响力探究》的论文在arXiv上发布，该论文由Yuzhuo Wang等六位作者共同完成，并被《Aslib Journal of Information Management》接收。研究首次大规模构建了自然语言处理（NLP）领域的算法共现网络，并基于网络视角系统分析了算法的学术影响力。
在人工智能时代，算法已成为科学研究的核心。尽管论文中提及算法常被用于衡量其流行度和影响力，但现有研究通常孤立地评估单个算法，忽视了算法之间通过相互连接形成的集体影响力。为弥补这一空白，本研究利用深度学习模型从学术论文全文中提取算法实体，构建了整体、累积和年度三种共现网络，并分析了它们的结构特征。
研究覆盖了超过四十年的学术出版物，时间跨度从早期到近期。通过多种中心性指标（如度中心性、介数中心性等），研究者评估了算法在整个领域内以及随时间变化的群体影响力。结果发现，算法网络展现出典型的复杂网络特征，连接密度在约二十年内显著增加。经典且性能优异的算法，以及处于不同研究时期交叉点的算法，往往具有高流行度、强控制力、高中心性和均衡的影响力。当某个算法的影响力衰退时，它通常首先失去在网络中的核心位置，随后与其他算法的关联性减弱。
这项研究是首次对算法共现网络进行大规模分析，不仅提供了算法影响力的时间和结构视角，还为未来研究算法、学者与任务之间的关联网络奠定了基础。论文的arXiv编号为2606.24099，提交于2026年6月23日，所属学科包括人工智能、计算与语言、数字图书馆和信息检索。研究采用的深度学习方法为算法实体提取提供了新的途径，其构建的网络分析框架有望被广泛应用于其他科学领域的算法影响力评估。
值得注意的是，本研究的创新之处在于利用全文而非摘要进行算法共现分析，这比传统方法更为全面。随着NLP领域的发展，算法网络结构的变化反映了研究热点的迁移。该研究为理解算法在科学共同体中的角色提供了定量工具，对于科研评价和技术预测具有重要意义。