基于动态语义网络分析的主题演化路径识别研究

doi:10.3772/j.issn.1000-0135.2021.05.007

情报学报

2021, Vol. 40

Issue (5): 500-512 DOI: 10.3772/j.issn.1000-0135.2021.05.007

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于动态语义网络分析的主题演化路径识别研究

陈翔, 黄璐, 倪兴兴, 刘家润, 曹晓丽, 王长天

北京理工大学管理与经济学院，北京 100081

Identifying Topic Evolutionary Pathways through Dynamic Semantic Network Analytics

Chen Xiang, Huang Lu, Ni Xingxing, Liu Jiarun, Cao Xiaoli, Wang Changtian

School of Management and Economics, Beijing Institute of Technology, Beijing 100081

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (6115 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要当前，学科演变更替加速，交叉融合态势加剧，如何快速准确地识别领域的研究主题、理清领域的发展脉络、追踪主题的演化路径及动向，进而把握领域的研究前沿，成为科研工作者亟待解决的关键问题。本文提出了一套基于动态网络的主题演化路径识别方法，首先通过引入分段线性表示法和Word2Vec模型构建动态关键词语义网络，之后利用社区发现算法识别动态网络中的社区，并通过度量相邻时间段间的主题相似性来表现主题间的演化关系，最终识别主题的演化路径。本文以信息科学领域为例开展实证分析，在方法验证部分，本文对比了分段线性表示法与平均时间划分法的分析结果，同时，还将本方法与K-means和LDA两大方法在主题识别中的效果进行了比较。本研究能为科研工作者以及战略决策者开展前瞻性科研活动提供重要的决策支持。

	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
	陈翔
	黄璐
	倪兴兴
	刘家润
	曹晓丽
	王长天

关键词 ：主题演化路径, 动态网络分析, 分段线性表示法, Word2Vec

收稿日期: 2020-08-13

基金资助:国家自然科学基金面上项目“基于复杂网络的全球创新研发主体组合识别与评估方法研究”（71774013）。

作者简介: 陈翔，男，1976年生，博士，教授，硕士生导师，主要研究领域为数据挖掘、智能推荐；黄璐，女，1984年生，博士，副教授，硕士生导师，主要研究领域为文献计量分析、科技创新管理，E-mail:huanglu628@163.com；倪兴兴，女，1997年生，硕士，主要研究领域为文献计量分析；刘家润，男，1999年生，本科，主要研究领域为复杂网络和文献计量分析；曹晓丽，女，1999年生，硕士，主要研究领域为文献计量分析；王长天，男，1998年生，硕士，主要研究领域为复杂网络和文献计量分；

引用本文:

陈翔, 黄璐, 倪兴兴, 刘家润, 曹晓丽, 王长天. 基于动态语义网络分析的主题演化路径识别研究[J]. 情报学报, 2021, 40(5): 500-512.
Chen Xiang, Huang Lu, Ni Xingxing, Liu Jiarun, Cao Xiaoli, Wang Changtian. Identifying Topic Evolutionary Pathways through Dynamic Semantic Network Analytics. 情报学报, 2021, 40(5): 500-512.

链接本文:

http://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.05.007 或 http://qbxb.istic.ac.cn/CN/Y2021/V40/I5/500

1 叶春蕾, 冷伏海. 基于共词分析的学科主题演化方法改进研究[J]. 情报理论与实践, 2012, 35(3): 79-82.
2 焦红, 李秀霞. 基于研究主题的学科领域知识演化路径识别——以图书情报领域粗糙集为例[J]. 情报理论与实践, 2019, 42(3): 101-106.
3 曲佳彬, 欧石燕. 基于主题过滤与主题关联的学科主题演化分析[J]. 数据分析与知识发现, 2018, 2(1): 64-75.
4 Wang X G, Cheng Q K, Lu W. Analyzing evolution of research topics with NEViewer: a new method based on dynamic co-word networks[J]. Scientometrics, 2014, 101(2): 1253-1271.
5 宫小翠, 安新颖. 基于LDA模型的医学领域主题分裂融合探测[J]. 图书情报工作, 2017, 61(18): 76-83.
6 巴志超, 杨子江, 朱世伟, 等. 基于关键词语义网络的领域主题演化分析方法研究[J]. 情报理论与实践, 2016, 39(3): 67-72.
7 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.
8 Katsurai M, Ono S. TrendNets: mapping emerging research trends from dynamic co-word networks via sparse representation[J]. Scientometrics, 2019, 121(3): 1583-1598.
9 侯剑华, 吕东博, 王鹏. 从硕士学位论文看我国科学技术哲学研究的转向——基于对硕士学位论文的计量分析[J]. 黑龙江高教研究, 2014, 32(2): 7-10.
10 Ding W Y, Chen C M. Dynamic topic detection and tracking: a comparison of HDP, C-word, and cocitation methods[J]. Journal of the Association for Information Science and Technology, 2014, 65(10): 2084-2097.
11 Song M, Heo G E, Kim S Y. Analyzing topic evolution in bioinformatics: investigation of dynamics of the field with conference data in DBLP[J]. Scientometrics, 2014, 101(1): 397-428.
12 王曰芬, 傅柱, 陈必坤. 基于LDA主题模型的科学文献主题识别:全局和学科两个视角的对比分析[J]. 情报理论与实践, 2016, 39(7): 121-126, 101.
13 张嶷, 汪雪锋, 朱东华, 等. 主题词簇方法研究[J]. 科学学研究, 2013, 31(11): 1615-1622.
14 Porter A, Zhang Y, Sakurai S. Text clumping for technical intelligence[M]// Theory and Applications for Advanced Text Mining. Croatia: InTech Publishing, 2012.
15 Wallace M L, Gingras Y, Duhon R. A new approach for detecting scientific specialties from raw cocitation networks[J]. Journal of the American Society for Information Science and Technology, 2009, 60(2): 240-246.
16 Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008.
17 曾庆田, 胡晓慧, 李超. 融合主题词嵌入和网络结构分析的主题关键词提取方法[J]. 数据分析与知识发现, 2019, 3(7): 52-60.
18 Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[OL]. (2013-09-07). https://arxiv.org/pdf/1301.3781.pdf.
19 陈虹枢. 基于主题模型的专利文本挖掘方法及应用研究[D]. 北京: 北京理工大学, 2015.
20 王飞, 谭新. 一种基于Word2Vec的训练效果优化策略研究[J]. 计算机应用与软件, 2018, 35(1): 97-102, 174.
21 Newman M E J. Communities, modules and large-scale structure in networks[J]. Nature Physics, 2012, 8(1): 25-31.
22 Guimerà R, Sales-Pardo M, Amaral L A N. Classes of complex networks defined by role-to-role connectivity profiles[J]. Nature Physics, 2007, 3(1): 63-69.
23 Palla G, Barabási A L, Vicsek T. Quantifying social group evolution[J]. Nature, 2007, 446(7136): 664-667.
24 林江豪, 周咏梅, 阳爱民, 等. 结合词向量和聚类算法的新闻评论话题演进分析[J]. 计算机工程与科学, 2016, 38(11): 2368-2374.
25 Hou J H, Yang X C, Chen C M. Emerging trends and new developments in information science: a document co-citation analysis (2009-2016)[J]. Scientometrics, 2018, 115(2): 869-892.
26 Wang Y, Liu Z, Sun M. Incorporating linguistic knowledge for learning distributed word representations[J]. PLoS One, 2015, 10(4): e0118437.
27 Schwartz R, Reichart R, Rappoport A. Symmetric pattern based word embeddings for improved word similarity prediction[C]// Proceedings of the Nineteenth Conference on Computational Natural Language Learning. Stroudsburg: Association for Computational Linguistics, 2015: 258-267.
28 Vaio G D, Weisdorf J L. Ranking economic history journals: a citation-based impact-adjusted analysis[J]. Cliometrica, 2009, 4(1): 1-17.
29 Kralj J, Valmarska A, Robnik-?ikonja M, et al. Mining text enriched heterogeneous citation networks[C]// Proceedings of the Pacific-Asia Conference on Knowledge Discovery and Data Mining. Cham: Springer International Publishing, 2015: 672-683.
30 Sud P, Thelwall M. Evaluating altmetrics[J]. Scientometrics, 2014, 98(2): 1131-1143.