基于图神经网络的多源数据融合与新兴前沿技术主题探测方法研究

doi:10.3772/j.issn.1000-0135.2026.05.001

情报学报

2026, Vol. 45

Issue (5): 617-628 DOI: 10.3772/j.issn.1000-0135.2026.05.001

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于图神经网络的多源数据融合与新兴前沿技术主题探测方法研究

田雪灿¹, 王丽^2,3

1.武汉大学信息管理学院，武汉 430072
2.中国科学院文献情报中心，北京 100190
3.中国科学院大学经济与管理学院信息资源管理系，北京 100190

Multisource Data Fusion and Emerging Frontier Technology Topic Detection Based on Graph Neural Networks

Tian Xuecan¹, Wang Li^2,3

1.School of Information Management, Wuhan University, Wuhan 430072
2.National Science Library, Chinese Academy of Sciences, Beijing 100190
3.Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190

摘要
图/表
参考文献
相关文章 (13)

全文: PDF (3716 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在当前科技快速演进和创新格局深刻变化的背景下，如何通过细粒度、可溯源的语义单元级数据融合，实现新兴前沿技术高效探测，具有重要的应用价值。本文提出一种基于图神经网络的多源数据融合及新兴前沿技术探测框架，从语义特征和结构特征两个层面，细化数据融合和技术探测粒度。一方面，围绕新兴前沿技术的核心特征，构建新颖度、增长性和关注度三类指标集，并将指标值作为节点属性嵌入技术共现网络，从而丰富单源网络的语义特征；另一方面，结合图注意力网络捕捉结构特征的优势，完成特征级的多源数据融合，提升数据融合的细粒度和可解释性。以量子传感领域作为实证对象，实验结果表明，该方法能够通过节点对齐操作实现多源数据的高效融合，模型预测正确的实体对平均出现在结果列表的第1~3位。多源数据的精细融合不仅提升了新兴前沿技术探测的粒度，还有效降低了误判风险，验证了本文所提框架在提升新兴前沿技术探测准确性和可解释性方面的应用潜力。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	田雪灿
	王丽

关键词 ：新兴前沿技术, 图神经网络, 多源数据融合, 细粒度技术探测, 量子传感

收稿日期: 2025-07-23

作者简介: 田雪灿，2000年生，博士研究生，主要研究方向为科学计量、文本挖掘、创新评价；王丽，通信作者，1982年生，博士，研究员，主要研究方向为情报学理论方法与实践，E-mail：wangli@mail.las.ac.cn；

引用本文:

田雪灿, 王丽. 基于图神经网络的多源数据融合与新兴前沿技术主题探测方法研究[J]. 情报学报, 2026, 45(5): 617-628.
Tian Xuecan, Wang Li. Multisource Data Fusion and Emerging Frontier Technology Topic Detection Based on Graph Neural Networks. 情报学报, 2026, 45(5): 617-628.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.05.001 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I5/617

1 孔德婧, 董放, 陈子婧, 等. 离群专利视角下的新兴技术预测——基于BERT模型和深度神经网络[J]. 图书情报工作, 2021, 65(17): 131-141.
2 廖鹏飞, 李明鑫, 万锋. 基于长尾关键词的领域新兴前沿探寻模型构建研究[J]. 情报杂志, 2020, 39(3): 51-55.
3 中国科学院科技战略咨询研究院, 中国科学院文献情报中心, 科睿唯安. 2023研究前沿[R/OL]. (2023-11-28) [2025-05-13]. http://www.casisd.cn/zkcg/zxcg/202311/P020240105542012235470.pdf.
4 余玉刚, 郑圣明, 李建平, 等. 管理科学与工程学科“十四五”重点前沿领域的顶层布局与具体内容: 面向基础科学理论与国家重大需求[J]. 中国管理科学, 2022, 30(5): 1-8.
5 颉靖, 张睿健. 美军网信前沿重点领域科技创新与军事应用研究[J]. 中国电子科学研究院学报, 2021, 16(10): 1006-1011.
6 王达. 日本第11次技术预见方法及经验解析[J]. 今日科苑, 2020(1): 10-15.
7 秦琴琴, 乜勇. 基于词频分析和可视化共词网络图的国内创客研究热点分析[J]. 现代教育技术, 2016, 26(1): 113-119.
8 杨选辉, 杜心雨, 蔡志强. 基于突变检测与共词分析的深阅读新兴趋势分析[J]. 图书馆建设, 2018(5): 48-53.
9 马红鸽, 莫正晖. 人工智能对劳动力供给的影响问题研究——基于CiteSpace科学知识图谱(2010—2020)[J]. 重庆理工大学学报(社会科学), 2022, 36(4): 118-132.
10 Li M N, Chu Y Q. Explore the research front of a specific research theme based on a novel technique of enhanced co-word analysis[J]. Journal of Information Science, 2017, 43(6): 725-741.
11 徐畅, 管开轩, 宋昱晓, 等. 文献计量视角下全球人工智能领域研究态势与热点分析[J]. 科技促进发展, 2021, 17(11): 1968-1977.
12 Shibata N, Kajikawa Y, Takeda Y, et al. Detecting emerging research fronts based on topological measures in citation networks of scientific publications[J]. Technovation, 2008, 28(11): 758-775.
13 Lu L Y Y, Liu J S. A novel approach to identify research fronts of tourism literature[C]// Proceedings of the 2015 Portland International Conference on Management of Engineering and Technology. Piscataway: IEEE, 2015: 2211-2217.
14 Morris S A, Yen G, Wu Z, et al. Time line visualization of research fronts[J]. Journal of the American Society for Information Science and Technology, 2003, 54(5): 413-422.
15 Liu J S, Lu L Y Y, Lu W M. Research fronts in data envelopment analysis[J]. Omega, 2016, 58: 33-45.
16 Zhang L, Gl?nzel W, Ye F Y. The dynamic evolution of core documents: an experimental study based on h-related literature (2005-2013)[J]. Scientometrics, 2016, 106(1): 369-381.
17 周云泽, 闵超. 基于LDA模型与共享语义空间的新兴技术识别——以自动驾驶汽车为例[J]. 数据分析与知识发现, 2022, 6(2-3): 55-66.
18 刘自强, 岳丽欣, 方曙. 基于主题扩散演化滞后的研究前沿趋势预测方法研究[J]. 情报理论与实践, 2023, 46(6): 145-154.
19 陈斌, 马静. 基于HLDA-IDF模型的网络文本主题挖掘研究[J]. 情报理论与实践, 2017, 40(10): 117-122, 144.
20 林晗, 汤珊红, 高强, 等. 基于改进HLDA的前沿主题挖掘方法研究[J]. 情报理论与实践, 2022, 45(11): 188-194.
21 余传明, 原赛, 朱星宇, 等. 基于深度学习的热点事件主题表示研究[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
22 吕鲲, 项旻昊, 靖继鹏. 基于LDA2Vec和DTM模型的颠覆性技术主题识别研究——以能源科技领域为例[J]. 图书情报工作, 2023, 67(12): 89-102.
23 Jiang J R, Ying F L, Dhuny R. Unveiling technological evolution with a patent-based dynamic topic modeling framework: a case study of advanced 6G technologies[J]. Applied Sciences, 2025, 15(7): 3783.
24 曹树金, 曹茹烨. 基于研究主题和引文分析的信息资源管理学科发展探究[J]. 信息资源管理学报, 2023, 13(2): 12-29.
25 Zheng X L, Wu Q, Luo X Y, et al. Analyzing the evolutionary trajectory of technological themes based on the BERTopic model: a case study in the field of artificial intelligence[J]. PLoS One, 2025, 20(6): e0324933.
26 Xu H Y, Winnink J, Yue Z H, et al. Multidimensional scientometric indicators for the detection of emerging research topics[J]. Technological Forecasting and Social Change, 2021, 163: 120490.
27 Zhang B, Yu X, Zhang R Z. Emerging technology identification based on a dynamic framework: a lifecycle evolution perspective[J]. Technology Analysis & Strategic Management, 2024, 36(2): 378-392.
28 李涛民. 基于LDA模型的科学基金主题分析[D]. 西安: 西安电子科技大学, 2018.
29 谢秀芳, 张晓林. 针对科技路线图的文本挖掘研究: 集成分析及可视化[J]. 数据分析与知识发现, 2017, 1(1): 16-25.
30 张维冲, 王芳, 赵洪. 多源信息融合用于新兴技术发展趋势识别——以区块链为例[J]. 情报学报, 2019, 38(11): 1166-1176.
31 张浩. 数据融合视角下技术预测方法研究[D]. 长春: 吉林大学, 2019.
32 刘博文, 白如江, 周彦廷, 等. 基金项目数据和论文数据融合视角下科学研究前沿主题识别——以碳纳米管领域为例[J]. 数据分析与知识发现, 2019, 3(8): 114-122.
33 Shen Y C, Wang M Y, Yang Y C. Discovering the potential opportunities of scientific advancement and technological innovation: a case study of smart health monitoring technology[J]. Technological Forecasting and Social Change, 2020, 160: 120225.
34 何俊, 张彩庆, 李小珍, 等. 面向深度学习的多模态融合技术研究综述[J]. 计算机工程, 2020, 46(5): 1-11.
35 黄衍标, 罗广岳, 何铭金. BP神经网络在巡逻机器人多传感器数据融合中的应用[J]. 传感技术学报, 2016, 29(12): 1936-1940.
36 Luo Y, Xiao F S, Zhao H. Hierarchical contextualized representation for named entity recognition[C]// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2020: 8441-8448.
37 刘耀, 张越, 叶璐. 融合篇章结构的文本知识网络构建[J]. 图书情报工作, 2021, 65(21): 118-130.
38 杨春霞, 李锐, 秦家鹏. 一种粒度融合的新闻文本主题分类模型[J]. 小型微型计算机系统, 2020, 41(11): 2256-2259.
39 Situ Z, Wang Q, Teng S, et al. Improving urban flood prediction using LSTM-DeepLabv3+ and Bayesian optimization with spatiotemporal feature fusion[J]. Journal of Hydrology, 2024, 630: 130743.
40 连芷萱, 王芳, 康佳, 等. 基于图神经网络和粒子群算法的技术预测模型[J]. 情报学报, 2023, 42(4): 420-435.
41 Yuan G, Fan X M, Xiao Y, et al. FME-GCN: a multi-source heterogeneous data fusion approach for high-accuracy traffic flow prediction[J]. IEEE Access, 2025, 13: 181100-181115.
42 杨冠灿, 行佳鑫, 鲁国轩, 等. 基于图神经网络的细粒度技术会聚预测方法研究[J]. 信息资源管理学报, 2023, 13(2): 95-107.
43 李慧, 胡吉霞. 一种基于图卷积自编码模型的多维度学科知识网络融合方法[J]. 图书情报工作, 2020, 64(18): 114-125.
44 Wang X, Wang Y T, Yang J, et al. The survey on multi-source data fusion in cyber-physical-social systems: foundational infrastructure for industrial metaverses and industries 5.0[J]. Information Fusion, 2024, 107: 102321.
45 Katsurai M, Ono S. TrendNets: mapping emerging research trends from dynamic co-word networks via sparse representation[J]. Scientometrics, 2019, 121(3): 1583-1598.
46 李彤, 肖锋, 张文娟, 等. 基于深度学习的压缩感知图像重构算法综述[J]. 微电子学与计算机, 2022, 39(12): 1-12.
47 黄璐, 朱一鹤, 张嶷. 基于加权网络链路预测的新兴技术主题识别研究[J]. 情报学报, 2019, 38(4): 335-341.
48 Cao Y X, Liu Z Y, Li C J, et al. Multi-channel graph neural network for entity alignment[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2019: 1452-1461.
49 邓启平, 陈卫静, 张玲玲, 等. 基于多维特征测度的人工智能领域研究前沿分析[J]. 情报杂志, 2020, 39(3): 56-62.
50 Sun Z Q, Hu W, Zhang Q H, et al. Bootstrapping entity alignment with knowledge graph embedding[C]// Proceedings of the 27th International Joint Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2018: 4396-4402.