基金项目研究的主题挖掘与动态演化分析——以美国<bold>NSF</bold>数据中<bold>AI</bold>领域为例

doi:10.3772/j.issn.1000-0135.2022.09.007

情报学报

2022, Vol. 41

Issue (9): 967-979 DOI: 10.3772/j.issn.1000-0135.2022.09.007

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基金项目研究的主题挖掘与动态演化分析——以美国NSF数据中AI领域为例

靳嘉林¹, 王曰芬^1,2,3, 巴志超⁴, 岑咏华^2,3

1.南京理工大学经济管理学院,南京 210094
2.天津师范大学管理学院,天津 300387
3.天津师范大学大数据科学研究院,天津 300387
4.南京大学数据智能与交叉创新实验室,南京 210023

Topic Mining and Dynamic Evolution Analysis of Funding Projects: Case Studies of AI Field in NSF Data

Jin Jialin¹, Wang Yuefen^1,2,3, Ba Zhichao⁴, Cen Yonghua^2,3

1.School of Economics & Management, Nanjing University of Science & Technology, Nanjing 210094
2.Management School of Tianjin Normal University, Tianjin 300387
3.Institute for Big Data Science, Tianjin Normal University, Tianjin 300387
4.Laboratory of Data Intelligence and Interdisciplinary Innovation, Nanjing University, Nanjing 210023

摘要
图/表
参考文献
相关文章 (12)

全文: PDF (4871 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要本文旨在构架基金项目研究主题挖掘与动态演化分析的情报研究流程，通过对表征基金项目标题、摘要与学部的数据进行关联建模和挖掘，从项目内容层面上探究基金资助领域研究涉及的主题特点、范围侧重、发展方向及演化脉络。首先利用RAKE（rapid automatic keyword extraction）关键词抽取算法从基金数据中的标题和摘要中抽取关键词，通过术语切分等方式获得核心关键词；然后，采用Google的word2vec深度学习工具对核心关键词进行词向量建模，并使用k-means算法对生成的词向量进行聚类，挖掘相应的研究主题；进而对主题分布进行统计分析，且通过WMD（word mover's distance）算法计算主题之间的相似度，以分析研究主题演化趋势，并识别出演化主路径。实证研究发现，以美国NSF（National Science Foundation）数据中AI（artificial intelligence）领域为例，所提方法流程能够识别出AI领域的多个主题，且能识别出不同学部的主题侧重；在发展过程中，研究主题演化呈现出大量分裂与融合的复杂态势，演化路径明晰，侧重点突出，通过演化强度能够明晰研究主题演化的主路径。研究结果表明，本文方法流程能够有效揭示基金资助对相关技术的整合与推动态势，可为学术研究与政府规划提供有力的支撑。

	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
	靳嘉林
	王曰芬
	巴志超
	岑咏华

关键词 ：主题挖掘, 动态演化, 词向量建模, 美国国家科学基金, 人工智能

收稿日期: 2021-07-22

基金资助:国家社会科学基金重大项目“面向知识创新服务的数据科学理论与方法研究”（16ZDA224）。

作者简介: 靳嘉林，男，1992年生，博士研究生，研究方向为数据分析与知识挖掘；王曰芬，女，1963年生，教授，博士生导师，研究方向为知识服务与数据挖掘，E-mail：yfwang@njust.edu.cn；巴志超，男，1990年生，讲师，研究方向为知识图谱与知识发现；岑咏华，男，1979年生，教授，研究方向为知识网络与情报分；

引用本文:

靳嘉林, 王曰芬, 巴志超, 岑咏华. 基金项目研究的主题挖掘与动态演化分析——以美国NSF数据中AI领域为例[J]. 情报学报, 2022, 41(9): 967-979.
Jin Jialin, Wang Yuefen, Ba Zhichao, Cen Yonghua. Topic Mining and Dynamic Evolution Analysis of Funding Projects: Case Studies of AI Field in NSF Data. 情报学报, 2022, 41(9): 967-979.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.09.007 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I9/967

1 王文娟, 马建霞. 基于LDA的科研项目主题挖掘与演化分析——以NSF海洋酸化研究为例[J]. 情报杂志, 2017, 36(7): 34-39.
2 徐路路, 王效岳, 白如江, 等. 基于DTM模型和文本特征分析的基金项目新兴趋势探测研究——以NSF石墨烯领域为例[J]. 数据分析与知识发现, 2018, 2(3): 87-97.
3 Coccia M, Bozeman B. Allometric models to measure and analyze the evolution of international research collaboration[J]. Scientometrics, 2016, 108(3): 1065-1084.
4 Barrios C, Flores E, ángeles Martínez M, et al. Is there convergence in international research collaboration? An exploration at the country level in the basic and applied science fields[J]. Scientometrics, 2019, 120: 631-659.
5 Kawamura T, Watanabe K, Matsumoto N, et al. Funding map using paragraph embedding based on semantic diversity[J]. Scientometrics, 2018, 116: 941-958.
6 赵常煜, 吴亚平, 王继民. “一带一路”倡议下的Twitter文本主题挖掘和情感分析[J]. 图书情报工作, 2019, 63(19): 119-127.
7 王艳东, 付小康, 李萌萌. 一种基于共词网络的社交媒体数据主题挖掘方法[J]. 武汉大学学报·信息科学版, 2018, 43(12): 2287-2294.
8 杨玉娟, 冯霞, 王永利. QH-K: 面向新闻文本主题抽取的改进H-K聚类算法[J]. 南京邮电大学学报(自然科学版), 2020, 40(1): 82-88.
9 Nichols L G. A topic model approach to measuring interdisciplinarity at the National Science Foundation[J]. Scientometrics, 2014, 100(3): 741-754.
10 隗玲, 许海云, 胡正银, 等. 学科主题演化路径的多模式识别与预测——一个情报学学科主题演化案例[J]. 图书情报工作, 2016, 60(13): 71-81.
11 陈悦, LamirelJean-Charles, 刘则渊. 中国科学学40年研究主题变迁——基于特征最大化F指标的文本内容分析[J]. 科学学与科学技术管理, 2018, 39(12): 28-45.
12 李海林, 邬先利. 基于时间序列聚类的主题发现与演化分析研究[J]. 情报学报, 2019, 38(10): 1041-1050.
13 Rose S, Engel D, Cramer N, et al. Automatic keyword extraction from individual documents[M]// Text Mining: Applications and Theory. New York: John Wiley & Sons, 2010: 1-20.
14 Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2013, 2: 3111-3119.
15 Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[OL]. (2013-09-07) [2022-07-21]. https://arxiv.org/pdf/1301.3781.pdf.
16 王曰芬, 张露, 张洁逸. 产业领域核心专利识别与演化分析——以人工智能领域为例[J]. 情报科学, 2020, 38(12): 19-26.
17 Kusner M J, Sun Y, Kolkin N I, et al. From word embeddings to document distances[C]// Proceedings of the 32nd International Conference on Machine Learning. JMLR.org, 2015: 957-966.