nobel-prize-predict

通过机器学习预测是否可能获得诺贝尔奖，本项目仅用于学术研究和科普用途，预测结果不代表实际获奖可能性。

预测思路

本项目以学术引用量为核心特征，结合多背景信息，通过机器学习方法预测学者获得诺贝尔奖的可能性。

特征工程

基础数值特征

• 基础计量指标：总引用量、h-index、i10-Index
• 时序引用分析：分年度的总引用统计，避免获奖后引用激增导致的预测偏差
• 代表作影响力：代表性论文的总引用与年度引用变化

类别特征

• 地域信息：出生国家与当前所在国家
• 学术归属：研究机构
• 人口统计：性别

其他衍生特征

• 语义类别标签：通过作者维基百科页面，利用LLM提取并总结标签特征
• 机构标准化：将分支机构或子机构处理为统一的上层机构，减少类别过度分散
• 时间对齐处理：将作者分年引用量对齐到获奖年份的前n年
• 累积指标构建：计算不同时间段的累积引用统计
• 增长动态特征：引用量的增长率及变化趋势分析

模型架构

我们的基础模型采用XGBoost作为核心算法，将作者的类别特征与时序特征结合，建立预测基线。考虑到学术奖项评选依赖学者影响力的演变历程，我们引入GRU网络优化时序特征表达，专门处理论文引用的动态变化模式，捕捉引用增长率、爆发与衰减特征。通过记忆门和更新门机制，有效识别长短期学术影响的里程碑和转折点。

主要数据源

• Google Scholar
• OpenAlex
• Wikipedia

模型融合

同时训练分类器和回归器，并将其结果进行集成融合，提高预测稳定性。

如何运行

环境准备

本项目可在 CPU 上运行，无需 GPU；若有 CUDA/GPU 可获得更快速度。

方式 1：使用 uv（推荐）

uv venv --python 3.11
source .venv/bin/activate  # Windows: .\.venv\Scripts\activate
uv pip install -r requirements.txt

方式 2：使用 pip

python -m venv .venv
source .venv/bin/activate  # Windows: .\.venv\Scripts\activate
pip install -r requirements.txt

数据配置

• 默认使用 data/nobel_dataset_sampled_100.csv
• 可通过环境变量自定义数据路径：

  # macOS/Linux
  export DATA_CSV=/path/to/your.csv
  
  # Windows PowerShell
  $env:DATA_CSV="C:\path\to\your.csv"

模型训练与评估

1. XGBoost 基线模型

python model.py

控制台将输出交叉验证性能指标。

2. GRU 时序模型

python model_gru.py

ROC 曲线将保存至 outputs/roc_curves_gru.png。

3. 生成预测候选特征

python tools/features_predict.py

此脚本会：

• 加载候选学者数据（label=0）
• 加载 2022-2023 年获奖者数据用于测试验证
• 输出合并后的特征数据，用于后续预测打分

4. 探索性数据分析（可选）

python tools/eda.py

在 eda_compare/ 目录下生成分布对比图，便于探索特征差异。

GPU 加速（可选）

• 代码会自动检测 CUDA(only tests on LINUX CUDA 12.4)，无 GPU 时自动使用 CPU
• 如需使用 GPU：
  • 安装对应 CUDA 版本的 PyTorch
  • 在 XGBoost 中可选设置 tree_method='gpu_hist'

注意事项

• ⚠️ 请从仓库根目录运行以上命令（代码导入时会进行特征构建）
• 依赖列表见 requirements.txt
• 如仅需运行 XGBoost 基线模型，可不安装 PyTorch