第3章：材料科学・機械学習関連誌の選び方

決定木を用いて研究内容から最適な論文誌を推薦します。

import pandas as pd
from sklearn.tree import DecisionTreeClassifier, export_text
from sklearn.preprocessing import LabelEncoder

# 研究タイプと推奨論文誌のデータ
data = {
    'research_type': ['GNN新規手法', 'GNN材料特化', '転移学習', 
                      'エネルギー材料', '金属材料', '分子材料',
                      'データベース', 'ソフトウェア', 'レビュー'],
    'novelty': ['高', '中', '中', '中', '中', '中', '低', '低', '低'],
    'experimental': ['無', '無', '無', '有', '有', '有', '無', '無', '無'],
    'recommended_journal': [
        'Nature Machine Intelligence',
        'npj Computational Materials',
        'ACS Central Science',
        'Energy Storage Materials',
        'Acta Materialia',
        'J. Chem. Info. & Model.',
        'Scientific Data',
        'J. Cheminformatics',
        'Materials Today'
    ]
}

df = pd.DataFrame(data)

# ラベルエンコーディング
le_type = LabelEncoder()
le_nov = LabelEncoder()
le_exp = LabelEncoder()

X = pd.DataFrame({
    'type': le_type.fit_transform(df['research_type']),
    'novelty': le_nov.fit_transform(df['novelty']),
    'experimental': le_exp.fit_transform(df['experimental'])
})
y = df['recommended_journal']

# 決定木モデル
clf = DecisionTreeClassifier(max_depth=3, random_state=42)
clf.fit(X, y)

# 決定木の可視化（テキスト形式）
tree_rules = export_text(clf, feature_names=['research_type', 'novelty', 'experimental'])
print("=== 論文誌選択決定木 ===")
print(tree_rules)

# 新しい研究の推薦例
def recommend_journal(research_type, novelty, has_experimental):
    """
    研究タイプから論文誌を推薦
    
    Parameters:
    -----------
    research_type : str
        研究タイプ（例: 'GNN新規手法', 'エネルギー材料'）
    novelty : str
        新規性（'高', '中', '低'）
    has_experimental : str
        実験検証の有無（'有', '無'）
    """
    # エンコーディング
    type_enc = le_type.transform([research_type])[0]
    nov_enc = le_nov.transform([novelty])[0]
    exp_enc = le_exp.transform([has_experimental])[0]
    
    # 予測
    X_new = [[type_enc, nov_enc, exp_enc]]
    prediction = clf.predict(X_new)[0]
    
    return prediction

# テストケース
test_cases = [
    ('GNN新規手法', '高', '無'),
    ('エネルギー材料', '中', '有'),
    ('データベース', '低', '無')
]

print("\n=== 推薦例 ===")
for research_type, novelty, experimental in test_cases:
    journal = recommend_journal(research_type, novelty, experimental)
    print(f"{research_type} (新規性: {novelty}, 実験: {experimental}) → {journal}")

複数の候補誌に対してスコアリングし、最適な投稿順序を決定します。

import numpy as np
import pandas as pd

# 候補論文誌のデータ
journals = {
    'journal': ['npj Computational Materials', 'Computational Materials Science', 
                'Digital Discovery', 'Machine Learning: Sci. & Tech.'],
    'impact_factor': [9.0, 3.5, 5.0, 6.8],
    'review_time_months': [2.5, 3.0, 1.5, 2.5],
    'acceptance_rate': [0.25, 0.45, 0.35, 0.40],
    'relevance_score': [0.95, 0.85, 0.80, 0.90]  # 0-1の範囲
}

df = pd.DataFrame(journals)

def calculate_priority_score(row, weights):
    """
    優先度スコアを計算
    
    Parameters:
    -----------
    row : Series
        論文誌のデータ行
    weights : dict
        各要素の重み
    """
    # 正規化
    if_norm = row['impact_factor'] / df['impact_factor'].max()
    time_norm = 1 - (row['review_time_months'] / df['review_time_months'].max())
    acc_norm = row['acceptance_rate']
    rel_norm = row['relevance_score']
    
    # 重み付きスコア
    score = (weights['if'] * if_norm +
             weights['time'] * time_norm +
             weights['acceptance'] * acc_norm +
             weights['relevance'] * rel_norm)
    
    return score

# 3つの戦略パターン
strategies = {
    '保守的戦略': {'if': 0.2, 'time': 0.1, 'acceptance': 0.5, 'relevance': 0.2},
    'バランス戦略': {'if': 0.3, 'time': 0.2, 'acceptance': 0.3, 'relevance': 0.2},
    '高IF戦略': {'if': 0.6, 'time': 0.1, 'acceptance': 0.1, 'relevance': 0.2}
}

print("=== 投稿優先順位（戦略別）===\n")

for strategy_name, weights in strategies.items():
    print(f"【{strategy_name}】")
    df['priority_score'] = df.apply(lambda row: calculate_priority_score(row, weights), axis=1)
    df_sorted = df.sort_values('priority_score', ascending=False)
    
    for idx, (i, row) in enumerate(df_sorted.iterrows(), 1):
        print(f"  {idx}位: {row['journal']}")
        print(f"       スコア: {row['priority_score']:.3f} (IF: {row['impact_factor']}, "
              f"採択率: {row['acceptance_rate']:.0%})")
    print()

# 期待採択時間の計算
df['expected_time_to_accept'] = df['review_time_months'] / df['acceptance_rate']
print("=== 期待採択時間（平均）===")
for _, row in df.iterrows():
    print(f"{row['journal']}: {row['expected_time_to_accept']:.1f}ヶ月")