基于时间拓展网络的知识发现与发展路径识别——以信息管理领域为例

doi:10.3772/j.issn.1000-0135.2021.09.009

情报学报

2021, Vol. 40

Issue (9): 993-1003 DOI: 10.3772/j.issn.1000-0135.2021.09.009

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于时间拓展网络的知识发现与发展路径识别——以信息管理领域为例

王宗水^1,2, 刘海燕³, 刘苇⁴, 赵红⁴, 张健¹

1.北京信息科技大学经济管理学院，北京 100192
2.中国科学院大学数学科学学院，北京 100190
3.中国科学院数学与系统科学研究院，北京 100190
4.中国科学院大学经济与管理学院，北京 100190

Knowledge Discovery and Development Path Identification Based on Time-Expanded Network: Information Management Area as an Example

Wang Zongshui^1,2, Liu Haiyan³, Liu Wei⁴, Zhao Hong⁴, Zhang Jian¹

1.School of Economics and Management, Beijing Information Science and Technology University, Beijing 100192
2.School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100190
3.Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190
4.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 (6)

全文: PDF (2671 KB) HTML (135 KB)
输出: BibTeX | EndNote (RIS)

摘要文本挖掘与网络分析是知识发现的重要方式，结合已有研究，本文提出了一种基于时间拓展网络的知识发现方法。首先，通过阶段划分、关键词时间拓展网络构建、节点距离赋值、节点-弧关联矩阵，提取并进行最短路径的求解。然后，通过接近中心性的计算来确定各关键词的相对重要性，并与时间拓展网络中最短路径的组成节点予以匹配，从而确定知识发展过程中的重要路径。本文以1979—2018年24个信息管理领域重要期刊的43624篇文献为样本，将其按10年等间距划分为4个阶段，通过CiteSpace软件软件对文献的关键词进行提取与统计，采用基于时间拓展网络方法确定其知识演化最短路径。研究结果显示，信息管理研究的知识发展主要围绕管理、信息系统、创新、设计和实施5条主要路径延伸，彼此之间又通过技术、模型与方法、扩散、知识等内容相关联，从而形成了信息管理研究的知识网络。

	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
	王宗水
	刘海燕
	刘苇
	赵红
	张健

关键词 ：时间拓展网络, 知识发现, 发展路径, 信息管理

收稿日期: 2019-06-21

基金资助:国家重点研发计划项目“视听媒体收视调查与文化品牌评估理论与技术”（2017YFB1400500）；北京市教育委员会社科计划一般项目“数字时代北京城市品牌战略影响要素识别及传播机理研究”（SM201911232005）；中国博士后科学基金面上项目“社会化媒体营销作用机理及有效性测度研究”（2018M641454）。

作者简介: 王宗水，男，1987年生，博士，教授，硕士生导师，研究方向为社会化媒体营销、社会网络分析与知识管理；刘海燕，女，1979年生，博士后，研究方向为社会网络分析与科学计量学；刘苇，女，1992年生，博士研究生，研究方向为社会网络营销；赵红，女，1963年生，博士，教授，博士生导师，研究方向为品牌营销、战略管理，E-mail：zhaohong@ucas.ac.cn；张健，男，1974年生，博士，教授，博士生导师，研究方向为循环经济、知识管；

引用本文:

王宗水, 刘海燕, 刘苇, 赵红, 张健. 基于时间拓展网络的知识发现与发展路径识别——以信息管理领域为例[J]. 情报学报, 2021, 40(9): 993-1003.
Wang Zongshui, Liu Haiyan, Liu Wei, Zhao Hong, Zhang Jian. Knowledge Discovery and Development Path Identification Based on Time-Expanded Network: Information Management Area as an Example. 情报学报, 2021, 40(9): 993-1003.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.09.009 或 https://qbxb.istic.ac.cn/CN/Y2021/V40/I9/993

1 Han J W, Kamber M. Data mining: concepts and techniques[M]. 2th Edition. San Francisco: Morgan Kaufmann Publishers, 2005.
2 黄清和, 尹琪. 知识发现与决策支持[J]. 南开管理评论, 2002, 5(3): 76-78.
3 Du J A, Li P X, Guo Q Y, et al. Measuring the knowledge translation and convergence in pharmaceutical innovation by funding-science-technology-innovation linkages analysis[J]. Journal of Informetrics, 2019, 13(1): 132-148.
4 Matas N, Martin?i?-Ip?i? S, Me?trovi? A. Extracting domain knowledge by complex networks analysis of Wikipedia entries[C]// Proceedings of the 38th International Convention on Information and Communication Technology, Electronics and Microelectronics. IEEE, 2015: 1622-1627.
5 唐洪婷, 李志宏. 基于超网络演化模型的社区知识发现与分析[J]. 系统工程理论与实践, 2018, 38(3): 765-776.
6 Manco G, Rullo P, Gallucci L, et al. Rialto: a knowledge discovery suite for data analysis[J]. Expert Systems with Applications, 2016, 59: 145-164.
7 Liu X A, Jiang T T, Ma F C. Collective dynamics in knowledge networks: emerging trends analysis[J]. Journal of Informetrics, 2013, 7(2): 425-438.
8 Chen C M. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 359-377.
9 李军, 黄安强, 张玲玲, 等. 基于意外度的关联规则深层知识发现及应用研究[J]. 管理评论, 2012, 24(3): 108-114.
10 唐洪婷, 李志宏. 基于hMETIS与FP-Growth的协同创新社区领域知识发现方法[J]. 系统工程理论与实践, 2018, 38(8): 2068-2078.
11 Gopinath Bharathi A K B, Singh A, Tucker C S, et al. Knowledge discovery of game design features by mining user-generated feedback[J]. Computers in Human Behavior, 2016, 60: 361-371.
12 Sato Y, Izui K, Yamada T, et al. Data mining based on clustering and association rule analysis for knowledge discovery in multiobjective topology optimization[J]. Expert Systems with Applications, 2019, 119: 247-261.
13 Xiao Y, Lu L Y Y, Liu J S, et al. Knowledge diffusion path analysis of data quality literature: a main path analysis[J]. Journal of Informetrics, 2014, 8(3): 594-605.
14 Ronda-Pupo G A, Guerras-Martin L á. Dynamics of the evolution of the strategy concept 1962-2008: a co-word analysis[J]. Strategic Management Journal, 2012, 33(2): 162-188.
15 阮光册, 夏磊. 基于词共现关系的检索结果知识关联研究[J]. 情报学报, 2017, 36(12): 1247-1254.
16 崔建勋, 安实, 崔娜. 基于时间扩展网络的区域疏散公交路径规划[J]. 华南理工大学学报(自然科学版), 2010, 38(3): 64-69.
17 Ho K, de Weck O L, Hoffman J A, et al. Dynamic modeling and optimization for space logistics using time-expanded networks[J]. Acta Astronautica, 2014, 105(2): 428-443.
18 黄泽汉, 谭跃进, 邓宏钟. 大规模定量传输的时间扩展网络K最短路径算法[J]. 计算机工程与应用, 2008, 44(25): 20-23.
19 Yook D, Heaslip K. Determining appropriate fare levels for distance-based fare structure: considering users’ behaviors in a time-expanded network[J]. Transportation Research Record, 2014, 2415(1): 127-135.
20 Ding C G, Hung W C, Lee M C, et al. Exploring paper characteristics that facilitate the knowledge flow from science to technology[J]. Journal of Informetrics, 2017, 11(1): 244-256.
21 Song M, Heo G E, Ding Y. SemPathFinder: Semantic path analysis for discovering publicly unknown knowledge[J]. Journal of Informetrics, 2015, 9(4): 686-703.
22 王宗水, 赵红, 刘宇, 等. 社会网络研究范式的演化、发展与应用——基于1998~2014年中国社会科学引文数据分析[J]. 情报学报, 2015, 34(12): 1235-1245.
23 Safhi H M, Frikh B, Ouhbi B. Assessing reliability of big data knowledge discovery process[J]. Procedia Computer Science, 2019, 148: 30-36.
24 秦春秀, 杨智娟, 赵捧未, 等. 面向科技文献知识表示的知识元本体模型[J]. 图书情报工作, 2018, 62(3): 94-103.
25 Small H, Tseng H, Patek M. Discovering discoveries: Identifying biomedical discoveries using citation contexts[J]. Journal of Informetrics, 2017, 11(1): 46-62.
26 Arji G, Safdari R, Rezaeizadeh H, et al. A systematic literature review and classification of knowledge discovery in traditional medicine[J]. Computer Methods and Programs in Biomedicine, 2019, 168: 39-57.
27 Abrizah A, Erfanmanesh M, Rohani V A, et al. Sixty-four years of informetrics research: productivity, impact and collaboration[J]. Scientometrics, 2014, 101(1): 569-585.
28 Ronda-Pupo G A, Guerras-Martín L á. Collaboration network of knowledge creation and dissemination on management research: ranking the leading institutions[J]. Scientometrics, 2016, 107(3): 917-939.
29 官建成, 郑琦. 中国科技发展的国际地位评估研究[M]. 北京: 中国科学技术出版社, 2015.
30 Wang Z S, Zhao H, Wang Y. Social networks in marketing research 2001-2014: a co-word analysis[J]. Scientometrics, 2015, 105(1): 65-82.
31 刘海燕, 王宗水, 汪寿阳. 我国系统科学与工程研究的演化与发展[J]. 系统工程学报, 2017, 32(3): 289-304, 345.
32 Chen C M. The CiteSpace manual[EB/OL]. (2014-04-12). https://m.sciencenet.cn/home.php?mod=attachment&filename=CiteSpace Manual.pdf&id=52563.
33 Lee J. Strategic risk analysis for information technology outsourcing in hospitals[J]. Information & Management, 2017, 54(8): 1049-1058.
34 Cooper R B, Zmud R W. Information technology implementation research: a technological diffusion approach[J]. Management Science, 1990, 36(2): 123-139.
35 Fernandes C, Ferreira J J, Raposo M L, et al. The dynamic capabilities perspective of strategic management: a co-citation analysis[J]. Scientometrics, 2017, 112(1): 529-555.
36 Shiau W L, Dwivedi Y K, Yang H S. Co-citation and cluster analyses of extant literature on social networks[J]. International Journal of Information Management, 2017, 37(5): 390-399.