融合语义增强和网络耦合的领域知识结构演化特征及强度研究

doi:10.3772/j.issn.1000-0135.2026.07.002

情报学报

2026, Vol. 45

Issue (7): 940-956 DOI: 10.3772/j.issn.1000-0135.2026.07.002

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

融合语义增强和网络耦合的领域知识结构演化特征及强度研究

王曰芬^1,2, 王琦^1,3, 田益宁^1,2

1.天津师范大学大数据科学研究院，天津 300387
2.天津师范大学管理学院，天津 300387
3.淮阴师范学院文学院，淮安 223300

Evolutionary Characteristics and Intensity of Domain Knowledge Structure Integrating Semantic Enhancement and Network Coupling

Wang Yuefen^1,2, Wang Qi^1,3, Tian Yining^1,2

1.Institute for Big Data Science, Tianjin Normal University, Tianjin 300387
2.Management School, Tianjin Normal University, Tianjin 300387
3.School of Liberal Arts, Huaiyin Normal University, Huai’an 223300

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (10943 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要为支撑科学技术发展过程特点与规律的探索，研究领域知识结构演化特征及强度，本文采用以词汇为对象的知识分析方法，在关键词大规模、自动化提取的基础上，利用关键词所属上下文语境信息识别其扮演的角色功能，将之对齐至标准化知识单元，从而以富含语义信息的知识单元概念关联与依托网络耦合思想构建领域知识结构网络，设计演化特征与强度指标，并从时序和增量维度分别剖析领域知识结构短期和长期演化趋势。以人工智能领域的功能算法研究为例，发现所选目标领域知识结构呈现小世界性、无标度性特征；相邻观察窗口知识结构之间的差异一般较小，随着时序增加和文献量累积，差异程度整体呈现增加趋势，但也存在增速下降的情况。本文所提技术方案能以较低成本和较高效率将文献信息单元转换为知识单元，可用于揭示文献中“隐性”知识内容及结构的演化过程。

	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
	王曰芬
	王琦
	田益宁

关键词 ：知识结构, 语义增强, 网络耦合, 演化研究, 人工智能

收稿日期: 2025-10-04

基金资助:天津市社会科学基金重点项目“面向创新链产业链深度融合的京津冀专利技术转移影响机制及提升路径研究”（TJTQ24-001）。

作者简介: 王曰芬，1963年生，博士，教授，博士生导师，研究方向为情报研究与知识服务；王琦，通信作者，1992年生，博士，助理研究员，研究方向为数据挖掘与知识发现，E-mail：wangvitor@163.com；田益宁，2002年生，硕士研究生，研究方向为数据分析与知识服务；

引用本文:

王曰芬, 王琦, 田益宁. 融合语义增强和网络耦合的领域知识结构演化特征及强度研究[J]. 情报学报, 2026, 45(7): 940-956.
Wang Yuefen, Wang Qi, Tian Yining. Evolutionary Characteristics and Intensity of Domain Knowledge Structure Integrating Semantic Enhancement and Network Coupling. 情报学报, 2026, 45(7): 940-956.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.07.002 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I7/940

1 Fortunato S, Bergstrom C T, B?rner K, et al. Science of science[J]. Science, 2018, 359(6379): eaao0185.
2 郑晓月, 牟冬梅, 琚沅红, 等. 学科知识结构揭示流程与方法探究[J]. 图书情报工作, 2017, 61(12): 14-20.
3 杨欣谊, 苏新宁. 领域知识结构认知——基于大数据环境的适用性分析[J]. 图书情报工作, 2024, 68(23): 4-16.
4 牟冬梅, 郑晓月, 琚沅红, 等. 学科知识结构揭示模型构建[J]. 图书情报工作, 2017, 61(12): 6-13.
5 李慧, 田亚丹. 一种层次化的科学知识结构发现方法[J]. 图书情报工作, 2018, 62(13): 92-102.
6 齐亚双, 祝娜, 翟羽佳. 基于DTM的国内外情报学研究主题热度演化对比研究[J]. 图书情报工作, 2016, 60(16): 99-109.
7 Liu Y M, Chen M. The knowledge structure and development trend in artificial intelligence based on latent feature topic model[J]. IEEE Transactions on Engineering Management, 2024, 71: 12593-12604.
8 Lucio-Arias D, Leydesdorff L. Main-path analysis and path-dependent transitions in HistCite?-based historiograms[J]. Journal of the American Society for Information Science and Technology, 2008, 59(12): 1948-1962.
9 Ravikumar S, Agrahari A, Singh S N. Mapping the intellectual structure of Scientometrics: a co-word analysis of the journal Scientometrics (2005-2010)[J]. Scientometrics, 2015, 102(1): 929-955.
10 王伟, 梁继文, 杨建林. 基于引文网络的领域主题层次结构识别方法研究[J]. 图书情报工作, 2022, 66(17): 81-92.
11 王倩, 钱力, 刘细文. 知识演化分析的技术方法研究综述[J]. 图书情报工作, 2023, 67(7): 121-134.
12 Nohria N. Introduction: is a network perspective a useful way of studying organizations?[M]// Networks and Organizations: Structure, Form, and Action. Boston: Harvard Business School Press, 1992: 1-22.
13 Popper K R. Objective knowledge: an evolutionary approach[M]. New York: Oxford University Press, 1972.
14 赵红洲, 蒋国华. 知识单元与指数规律[J]. 科学学与科学技术管理, 1984(9): 39-41.
15 刘植惠. 知识基因理论的由来、基本内容及发展[J]. 情报理论与实践, 1998, 21(2): 71-76.
16 宋瑞晓, 魏静, 苗建军, 等. 复杂网络环境下的知识元进化博弈及中心性测度研究[J]. 图书情报工作, 2011, 55(8): 102-106.
17 Wang X, Feng X, Guo Y. Analysis of the structure and time-series evolution of knowledge label network from a complex perspective[J]. Aslib Journal of Information Management, 2023, 75(6): 1056-1078.
18 王曰芬, 王金树, 关鹏. 主题-主题关联的学科知识网络构建与演化分析[J]. 情报科学, 2018, 36(9): 9-15, 102.
19 Yang J Q, Cheng X F, Ye G H, et al. Understanding scientific knowledge evolution patterns based on egocentric network perspective[J]. Scientometrics, 2024, 129(11): 6719-6750.
20 Yang J Q, Wu L Y, Lyu L C. Research on scientific knowledge evolution patterns based on ego-centered fine-granularity citation network[J]. Information Processing & Management, 2024, 61(4): 103766.
21 索传军, 戎军涛. 知识元理论研究述评[J]. 图书情报工作, 2021, 65(11): 133-142.
22 赵红洲. 论科学结构[J]. 中州学刊, 1981(3): 59-65, 133.
23 赵红州. 科学能力学引论[M]. 北京: 科学出版社, 1984.
24 王康, 陈悦, 苏成, 等. 多维视角下科学主题演化分析框架[J]. 情报学报, 2021, 40(3): 297-307.
25 李晶, 杨雪, 苏秋丹, 等. 基于知识单元理论的科技成果创新性测度研究述评[J]. 现代情报, 2023, 43(8): 161-177.
26 Kondo T, Nanba H, Takezawa T, et al. Technical trend analysis by analyzing research papers’ titles[C]// Proceedings of the 4th Language and Technology Conference. Heidelberg: Springer, 2011: 512-521.
27 王佳敏. 学术文本功能认知视角下的知识单元引用网络研究[D]. 武汉: 武汉大学, 2021.
28 Ding Y, Song M, Han J, et al. Entitymetrics: measuring the impact of entities[J]. PLoS One, 2013, 8(8): e71416.
29 Song M, Han N G, Kim Y H, et al. Discovering implicit entity relation with the gene-citation-gene network[J]. PLoS One, 2013, 8(12): e84639.
30 Heffernan K, Teufel S. Identifying problems and solutions in scientific text[J]. Scientometrics, 2018, 116(2): 1367-1382.
31 程齐凯. 学术文本的词汇功能识别[D]. 武汉: 武汉大学, 2015.
32 BrookesB C. 情报学的基础(一)[J]. 王崇德, 邓亚桥, 刘继刚,译. 情报科学, 1983, 4(4): 84-94.
33 Belkin N J, Robertson S E. Information science and the phenomenon of information[J]. Journal of the American Society for Information Science, 1976, 27(4): 197-204.
34 Cheng Q K, Wang J M, Lu W, et al. Keyword-citation-keyword network: a new perspective of discipline knowledge structure analysis[J]. Scientometrics, 2020, 124(3): 1923-1943.
35 Ba Z C, Liang Z T. A novel approach to measuring science-technology linkage: from the perspective of knowledge network coupling[J]. Journal of Informetrics, 2021, 15(3): 101167.
36 王宗水, 刘苇, 赵红, 等. 动态多层网络视域下的知识解构与迁移路径识别[J]. 图书情报工作, 2023, 67(23): 111-123.
37 巴志超, 孟凯, 张玉洁, 等. 新兴产业科学—技术—政策知识网络耦合与共生演化分析[J]. 情报理论与实践, 2025, 48(7): 115-123.
38 王嘉杰, 侯万方, 马亚雪, 等. 融合文本和引用特征的科学技术互动社区识别研究[J]. 信息资源管理学报, 2024, 14(6): 116-130.
39 陆伟, 李鹏程, 张国标, 等. 学术文本词汇功能识别——基于BERT向量化表示的关键词自动分类研究[J]. 情报学报, 2020, 39(12): 1320-1329.
40 Meng K, Ba Z C, Ma Y X, et al. A network coupling approach to detecting hierarchical linkages between science and technology[J]. Journal of the Association for Information Science and Technology, 2024, 75(2): 167-187.
41 Balili C, Lee U, Segev A, et al. TermBall: tracking and predicting evolution types of research topics by using knowledge structures in scholarly big data[J]. IEEE Access, 2020, 8: 108514-108529.
42 谭蒙盼. 多层网络视角下新兴技术知识耦合机理研究[D]. 长沙: 中南大学, 2023.
43 李文红, 唐春. 人工智能专利的多层次框架式检索研究[J]. 情报杂志, 2023, 42(9): 172-178.
44 国家知识产权局办公室关于印发《关键数字技术专利分类体系(2023)》的通知[EB/OL]. (2023-09-25) [2025-06-18]. https://www.cnipa.gov.cn/art/2023/9/25/art_75_187769.html.
45 王勋鸿. 几种高频词阈值计算方法的实证研究——以国内高校信息素养教育研究数据为例[J]. 晋图学刊, 2023(3): 30-38.
46 Kim J, Yoon H, Kim M S. Tweaking deep neural networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(9): 5715-5728.
47 Ghasemi F, Mehridehnavi A, Fassihi A, et al. Deep neural network in QSAR studies using deep belief network[J]. Applied Soft Computing, 2018, 62: 251-258.
48 陈果, 彭家彬, 肖璐. 基于“问题—方法”知识抽取的科研领域知识演化研究: 以人工智能为例[J]. 情报理论与实践, 2022, 45(6): 32-38.