基于知识结构突变的学科新兴主题识别研究

doi:10.3772/j.issn.1000-0135.2023.09.002

情报学报

2023, Vol. 42

Issue (9): 1018-1028 DOI: 10.3772/j.issn.1000-0135.2023.09.002

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于知识结构突变的学科新兴主题识别研究

段庆锋, 陈红, 闫绪娴, 刘东霞

山西财经大学管理科学与工程学院，太原 030006

Identifying Emerging Scientific Topics by Abrupt Change of Knowledge Structure

Duan Qingfeng, Chen Hong, Yan Xuxian, Liu Dongxia

School of Management Science & Engineering, Shanxi University of Finance & Economics, Taiyuan 030006

摘要
图/表
参考文献
相关文章 (9)

全文: PDF (1886 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要知识结构动态是识别学科新兴主题的重要途径。知识要素的新颖分布是学科新兴主题的体现，而知识结构突变则成为新兴主题涌现的重要特征。基于此，采用WL（Weisfeiler-Lehman）子树核测度知识网络结构演化特征，构建反映主题涌现强度的结构突变率指标；采用PageRank算法，构建主题影响力增长率指标。上述指标组合形成二维识别空间，形成基于知识网络拓扑动态的综合识别方案。该识别方案的有效性得到基于情报学领域的实证支撑，对于短期涌现的高价值主题表现出较好的敏感度与区分能力。拓扑动态指标有助于加强主题知识演化的结构视角定量分析能力，为洞见学科知识演化提供了独特视角。

	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
	段庆锋
	陈红
	闫绪娴
	刘东霞

关键词 ：学科新兴主题, 结构突变, 知识网络, WL子树核

收稿日期: 2022-08-29

基金资助:教育部人文社会科学项目“基于学术社交媒体的学科新兴趋势识别研究”（20YJA870005），“学术资源配置公平、效率与影响因素研究：学者、大学与区域的多层嵌入”（19YJAZH052）。

作者简介: 段庆锋，男，1977年生，博士，副教授，硕士生导师，主要研究领域为科技情报，E-mail：dqf01@sina.com；陈红，女，1972年生，博士，教授，博士生导师，主要研究领域为科技创新；闫绪娴，女，1978年生，博士，教授，博士生导师，主要研究领域为智能决策；刘东霞，女，1975年生，博士，副教授，硕士生导师，主要研究领域为科技创新；

引用本文:

段庆锋, 陈红, 闫绪娴, 刘东霞. 基于知识结构突变的学科新兴主题识别研究[J]. 情报学报, 2023, 42(9): 1018-1028.
Duan Qingfeng, Chen Hong, Yan Xuxian, Liu Dongxia. Identifying Emerging Scientific Topics by Abrupt Change of Knowledge Structure. 情报学报, 2023, 42(9): 1018-1028.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2023.09.002 或 https://qbxb.istic.ac.cn/CN/Y2023/V42/I9/1018

1 Rotolo D, Hicks D, Martin B R. What is an emerging technology?[J]. Research Policy, 2015, 44(10): 1827-1843.
2 Xu H Y, Winnink J, Yue Z H, et al. Multidimensional scientometric indicators for the detection of emerging research topics[J]. Technological Forecasting and Social Change, 2021, 163: 120490.
3 Xu S, Hao L Y, An X, et al. Emerging research topics detection with multiple machine learning models[J]. Journal of Informetrics, 2019, 13(4): 100983.
4 Small H, Boyack K W, Klavans R. Identifying emerging topics in science and technology[J]. Research Policy, 2014, 43(8): 1450-1467.
5 刘小玲, 谭宗颖. 新兴技术主题识别方法研究进展[J]. 图书情报工作, 2020, 64(11): 145-152.
6 Yang Z L, Zhang W J, Yuan F, et al. Measuring topic network centrality for identifying technology and technological development in online communities[J]. Technological Forecasting and Social Change, 2021, 167: 120673.
7 赵蓉英, 田沛霖, 常茹茹. 数据科学研究的主题关联结构与发展演化态势——共词网络视角[J]. 图书馆学研究, 2021(11): 2-12.
8 吴江, 王凯利, 董克, 等. 信息计量领域网络分析方法应用研究综述[J]. 情报学报, 2021, 40(10): 1118-1128.
9 赵妍, 赵书良, 马秋微. 基于图核的异质信息网络链路预测方法[J]. 计算机应用研究, 2021, 38(10): 3125-3130.
10 Xu S, Hao L Y, An X, et al. Review on emerging research topics with key-route main path analysis[J]. Scientometrics, 2020, 122(1): 607-624.
11 Ye C L. Mapping the evolution of research topics using ATM and SNA[J]. Journal of Data and Information Science, 2014, 7(4): 46-62.
12 卢超, 侯海燕, DingYing, 等. 国外新兴研究话题发现研究综述[J]. 情报学报, 2019, 38(1): 97-110.
13 Deng S L, Xia S D, Hu J M, et al. Exploring the topic structure and evolution of associations in information behavior research through co-word analysis[J]. Journal of Librarianship and Information Science, 2021, 53(2): 280-297.
14 段庆锋, 潘小换. 利用社交媒体识别学科新兴主题研究[J]. 情报学报, 2017, 36(12): 1216-1223.
15 Huang L, Chen X, Ni X X, et al. Tracking the dynamics of co-word networks for emerging topic identification[J]. Technological Forecasting and Social Change, 2021, 170: 120944.
16 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.
17 黄月, 张昕. 基于主题词和LDA模型的知识结构识别研究[J]. 现代情报, 2022, 42(3): 48-56.
18 Xu S, Hao L Y, Yang G C, et al. A topic models based framework for detecting and forecasting emerging technologies[J]. Technological Forecasting and Social Change, 2021, 162: 120366.
19 周建, 刘炎宝, 刘佳佳. 情感分析研究的知识结构及热点前沿探析[J]. 情报学报, 2020, 39(1): 111-124.
20 Lu K, Yang G C, Wang X. Topics emerged in the biomedical field and their characteristics[J]. Technological Forecasting and Social Change, 2022, 174: 121218.
21 刘自强, 岳丽欣, 许海云, 等. 时序共词网络构建及其动态可视化研究[J]. 情报学报, 2020, 39(2): 186-198.
22 Wang Q. A bibliometric model for identifying emerging research topics[J]. Journal of the Association for Information Science and Technology, 2018, 69(2): 290-304.
23 赵国荣, 王文剑, 杨光. 一种基于组块分析的共现词提取方法[J]. 情报科学, 2017, 35(12): 129-135.
24 Xiao K J, Qian Z P, Qin B. A graphical decomposition and similarity measurement approach for topic detection from online news[J]. Information Sciences, 2021, 570: 262-277.
25 Mu L, Jin P Q, Zhao J, et al. Detecting evolutionary stages of events on social media: a graph-kernel-based approach[J]. Future Generation Computer Systems, 2021, 123: 219-232.
26 Katsurai M, Ono S. TrendNets: mapping emerging research trends from dynamic co-word networks via sparse representation[J]. Scientometrics, 2019, 121(3): 1583-1598.
27 Nikolentzos G, Siglidis G, Vazirgiannis M. Graph kernels: a survey[J]. Journal of Artificial Intelligence Research, 2021, 72: 943-1027.
28 王兆慧, 沈华伟, 曹婍, 等. 图分类研究综述[J]. 软件学报, 2022, 33(1): 171-192.
29 吴博, 梁循, 张树森, 等. 图神经网络前沿进展与应用[J]. 计算机学报, 2022, 45(1): 35-68.
30 Zhang J C, Fei J Y, Song X P, et al. An improved Louvain algorithm for community detection[J]. Mathematical Problems in Engineering, 2021, 2021: 1485592.
31 Zhang Y J, Ma J L, Wang Z J, et al. Collective topical PageRank: a model to evaluate the topic-dependent academic impact of scientific papers[J]. Scientometrics, 2018, 114(3): 1345-1372.