单篇文献以及文献群组的评价在机构排名、学者评价、文献检索等方面非常重要。在对单篇文献影响力评估上,目前的评价一般建立在被引数量或者对引文网络的分析上,忽视了引文质量和引文主题信息,导致对文献评价不全面;当评估文献群组的影响力时,目前的评价一般建立在发表的论文数量或者平均被引量上,忽视了不同群组的内容信息,评价指标较单一。本文在分析现有的单篇文献影响力评估与文献群组影响力评估的不足的基础之上,基于对单篇文献以及文献群组的内容挖掘,提出了新的单篇文献评估指标以及文献群组评估指标,并分析了单篇文献与文献群组的影响力。本文主要工作:1.单篇文献内容挖掘与影响力分析。首先,对于单篇文献,本文进行了引文挖掘和主题挖掘。引文挖掘方面,本文基于引文信息挖掘衡量引文质量,引文信息包括引文描述长度、参考文献提及次数以及参考文献在文中出现的位置,即出现次数越多、引文描述越长、位置越重要的参考文献对施引文献的影响力越大。此外,基于对引文数量的分析,受深度学习中预训练和微调的启发,本文首次提出预排序和微调,改善现有评价指标计算方式。主题挖掘方面,本文使用LDA模型对文献进行主题挖掘,并使用基于主题词向量的主题向量计算文献的领域相关性。其次,基于引文挖掘和预训练-微调策略,本文提出了一种新的基于引用的论文评价指标（CPI）。基于主题挖掘,本文定义了论文在深度与广度上的影响力,从施引文献和被引文献的领域相关性角度出发,分别提出聚焦指数（FCPI）和发散指数（DCPI）,本文提出的方法不需要人工划分研究领域。基于上述指标,本文分析了CCF AI类单篇文献的影响力。2.文献群组内容挖掘与影响力分析。对于文献群组影响力,除了利用单篇论文的影响力统计量直接作为群组影响力,本文挖掘群组之间引用关系并受对外贸易依存度的启发,提出了学术依存度,用以描述任意两个学术群组之间的引用影响力。本文基于上述指标分析CCF AI类文献群组影响力。除了AI类文献,本文对数学文献中数学描述进行文本分类,分类结果应用于不同分支的跨分支分析,包括比例分析和依存关系分析,用来研究不同数学分支群组文献的影响力。本文是首次对数学描述文本进行挖掘。首先,从数学教材中直接抽取数学描述语句,以训练有效的分支分类模型。基于分类模型,可以获得文献中用到的数学分支。其次,本文从数学期刊中收集整理了一个相对较大的语料库作为分析数据。利用训练好的分类模型对分析数据文本分类,分类结果随后用于量化不同分支之间的关系并进行比例分析。最后,分析了不同分支之间的逻辑依赖关系,得到了各分支之间的依赖链。