多维指标融合的主题突变检测研究

doi:10.3772/j.issn.1000-0135.2022.06.004

情报学报

2022, Vol. 41

Issue (6): 584-593 DOI: 10.3772/j.issn.1000-0135.2022.06.004

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

多维指标融合的主题突变检测研究

彭国超, 孔泳欣, 王玉文

中山大学信息管理学院，广州 510006

Burst Term Detection Study Based on Multi-Indicators

Peng Guochao, Kong Yongxin, Wang Yuwen

School of Information Management, Sun Yat-sen University, Guangzhou 510006

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (1601 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要突变词具有前瞻性和情报意义，研究主题突变可预测学科领域的研究前沿和研究热点。本文构建突变词检测多维指标体系，包括无序性、增长性、突变度三个突变特征指标，以及知识融合度指标和影响力度指标。基于无序性和增长性两个维度，运用K-means聚类出突现型关键词（突现词）、强突型关键词（强突词）、弱突型关键词（弱突词）三类突变词。结合各类突变词的突变度、知识融合度和影响力度，识别不同发展形态的突变词。结果表明，高突变度的突现词在初期能获得更多的关注，形成更大的影响力；知识融合度高的突变词具有较高的交叉融合广度和强度，未来更可能发展成为研究热点；影响力度高的突变词具有广泛的关注和一定的研究基础，未来有更高概率成为研究前沿。

	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
	彭国超
	孔泳欣
	王玉文

关键词 ：主题突变, 突变检测, 多指标融合, 聚类分析

收稿日期: 2021-07-26

基金资助:国家自然科学基金项目“智慧城市App用户使用行为分化机理研究”（71974215）；中山大学高校基本科研业务费青年教师重点培育项目“科学计量学视角下智慧城市研究热点、发展趋势及跨学科交叉融合分析”（20wkzd17）。

作者简介: 彭国超，男，1983年生，博士，教授，博士生导师，主要研究领域为科学计量、智慧城市、智能制造，E-mail：penggch@mail.sysu.edu.cn；孔泳欣，女，1995年生，博士研究生，主要研究领域为科学计量；王玉文，男，1995年生，硕士研究生，主要研究领域为科学计；

引用本文:

彭国超, 孔泳欣, 王玉文. 多维指标融合的主题突变检测研究[J]. 情报学报, 2022, 41(6): 584-593.
Peng Guochao, Kong Yongxin, Wang Yuwen. Burst Term Detection Study Based on Multi-Indicators. 情报学报, 2022, 41(6): 584-593.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.06.004 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I6/584

1 刘敏娟, 张学福, 颜蕴. 基于核心词、突变词与新生词的学科主题演化方法研究[J]. 情报杂志, 2016, 35(12): 175-180.
2 奉国和, 武佳佳, 莫幸清. 多测度的突发词探测及验证研究[J]. 图书情报工作, 2020, 64(11): 67-76.
3 隗玲, 许海云, 郭婷, 等. 基于弱共现和突发监测的情报学学科研究主题及交叉性分析[J]. 图书情报工作, 2015, 59(21): 105-114.
4 郑乐丹. 基于突发检测的我国数字图书馆研究前沿及其演进分析[J]. 图书馆论坛, 2013, 33(1): 47-51.
5 Kleinberg J. Bursty and hierarchical structure in streams[J]. Data Mining and Knowledge Discovery, 2003, 7(4): 373-397.
6 张金柱, 刘菁婕, 吕品. 基于社团结构动态演化的主题突变实时监测研究[J]. 情报理论与实践, 2019, 42(7): 151-157.
7 郑乐丹. 基于突变检测的学科领域新兴研究趋势探测分析[J]. 情报杂志, 2012, 31(9): 50-53.
8 王梦婷. 基于突变检测的主题突变分析研究[J]. 情报科学, 2016, 34(12): 36-39.
9 Tattershall E, Nenadic G, Stevens R D. Detecting bursty terms in computer science research[J]. Scientometrics, 2020, 122(1): 681-699.
10 Wu Q Q, Zhang H B, Lan J. K-state automaton burst detection model based on KOS: emerging trends in cancer field[J]. Journal of Information Science, 2015, 41(1): 16-26.
11 Lee S, Park Y, Yoon W C. Burst analysis for automatic concept map creation with a single document[J]. Expert Systems with Applications, 2015, 42(22): 8817-8829.
12 李勇, 安新颖, 赵迎光, 等. 结合知识组织体系的突发主题监测研究[J]. 情报理论与实践, 2013, 36(5): 120-123, 128.
13 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.
14 杨选辉, 蔡志强. 基于突变检测与共词分析的关联数据新兴趋势探测[J]. 情报科学, 2018, 36(11): 164-168.
15 尚晓倩. 基于突变检测的国际Altmetrics研究热点和趋势分析[J]. 情报科学, 2017, 35(5): 51-56.
16 Xu M, Li G J, Wang X D. Detecting emerging topics by exploiting probability burst and association rule mining: a case study of Library and Information Science[J]. Malaysian Journal of Library & Information Science, 2020, 25(1): 47-66.
17 逯万辉, 马建霞, 赵迎光. 爆发词识别与主题探测技术研究综述[J]. 情报理论与实践, 2012, 35(6): 125-128.
18 Mane K K, B?rner K. Mapping topics and topic bursts in PNAS[J]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101(Suppl 1): 5287-5290.
19 王征, 易莉, 赵磊. 基于突发词检测的科研热点发掘服务模型研究[J]. 情报杂志, 2015, 34(12): 176-180.
20 李牧南. 基于关联规则挖掘竞争情报研究前沿分析[J]. 情报杂志, 2016, 35(3): 54-60.
21 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.
22 张金柱, 张晓林. 利用引用科学知识突变识别突破性创新[J]. 情报学报, 2014, 33(3): 259-266.
23 王莉亚. 基于关键词突变的主题突变研究[J]. 情报理论与实践, 2013, 36(11): 45-48.
24 钟辉新. 新兴趋势探测研究综述[J]. 现代情报, 2017, 37(12): 162-167.
25 洪娜, 张智雄, 乐小虬. 基于能量演化线索的潜在爆发词探测方法[J]. 现代图书情报技术, 2010(11): 45-52.
26 Qi X, Huang Y, Chen Z Y, et al. Burst-LDA: a new topic model for detecting bursty topics from stream text[J]. Journal of Electronics (China), 2014, 31(6): 565-575.
27 He D, Parker D S. Topic dynamics: an alternative model of bursts in streams of topics[C]// Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2010: 443-452.
28 洪娜, 张智雄, 乐小虬. 基于决策树的潜在爆发词探测方法[J]. 情报学报, 2012, 31(3): 228-241.
29 逯万辉, 马建霞. 基于CRFs的领域爆发词识别的研究与实现[J]. 情报科学, 2014, 32(1): 89-93.
30 Schoenmakers W, Duysters G. The technological origins of radical inventions[J]. Research Policy, 2010, 39(8): 1051-1059.