基于异质信息网络的领域知识演化路径研究

doi:10.3772/j.issn.1000-0135.2025.11.004

情报学报

2025, Vol. 44

Issue (11): 1397-1410 DOI: 10.3772/j.issn.1000-0135.2025.11.004

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于异质信息网络的领域知识演化路径研究

杨欣谊^1,4,5, 杨建林^2,4,5, 王伟^3,4,5

1.陕西师范大学新闻与传播学院，西安 710119
2.南京大学信息管理学院，南京 210023
3.南京邮电大学管理学院，南京 210003
4.南京大学国家安全发展研究院，南京 210023
5.数据工程与知识服务省高校重点实验室（南京大学），南京 210023

Evolution of Domain Knowledge Based on Heterogeneous Information Networks

Yang Xinyi^1,4,5, Yang Jianlin^2,4,5, Wang Wei^3,4,5

1.School of Journalism and Communication, Shaanxi Normal University, Xi’an 710119
2.School of Information Management, Nanjing University, Nanjing 210023
3.School of Management, Nanjing University of Posts and Telecommunications, Nanjing 210003
4.National Security Development Research Institute of Nanjing University, Nanjing 210023
5.Key Laboratory of Data Engineering and Knowledge Services in Provincial Universities (Nanjing University), Nanjing 210023

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (5466 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要异质信息网络能够表示多种类型的科学知识实体间的复合关系，在探索科学知识的分化、重组和融合规律，以及明确领域知识演化路径等方面具有突出优势。首先，本研究通过抽取作者-论文、论文-期刊、论文-论文间的多元关系构建异质信息网络，根据领域知识的演化周期形成各阶段的快照网络。其次，在快照网络上，利用Leiden算法识别社团，以此为各阶段领域知识簇，基于社团演化发现模型识别领域知识演化路径。最后，从文本内容和网络拓扑结构两个方面探析领域知识演化的规律。在数据库、数据挖掘、内容检索领域数据集上的实证分析表明，基于异质信息网络识别的知识簇反映了领域内研究主题的演化过程，节点度中心性、k-core分解、中介中心性等反映了领域知识簇的重要性、知识交流、成熟度等的发展轨迹，领域知识向专业化应用、用户个性化的方向发展。

	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
	杨欣谊
	杨建林
	王伟

关键词 ：异质信息网络, 知识演化, 网络演化, 主题演化, 网络拓扑

收稿日期: 2024-12-15

基金资助:国家社会科学基金青年项目“面向重点科技领域竞合态势感知与预警的理论和方法研究”（23CTQ031）。

作者简介: 杨欣谊，1995年生，博士，讲师，主要研究方向为知识组织、智能化信息处理；杨建林，通信作者，1970年生，博士，教授，博士生导师，主要研究方向为信息分析与科学评价、信息检索，E-mail：yangjl@nju.edu.cn；王伟，1994年生，博士，讲师，主要研究方向为知识组织、智能化信息处理；

引用本文:

杨欣谊, 杨建林, 王伟. 基于异质信息网络的领域知识演化路径研究[J]. 情报学报, 2025, 44(11): 1397-1410.
Yang Xinyi, Yang Jianlin, Wang Wei. Evolution of Domain Knowledge Based on Heterogeneous Information Networks. 情报学报, 2025, 44(11): 1397-1410.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.11.004 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I11/1397

1 Andrei V, Arandjelovi? O. Complex temporal topic evolution modelling using the Kullback-Leibler divergence and the Bhattacharyya distance[J]. EURASIP Journal on Bioinformatics and Systems Biology, 2016, 2016(1): Article No.16.
2 Jung S, Yoon W C. An alternative topic model based on common interest authors for topic evolution analysis[J]. Journal of Informetrics, 2020, 14(3): 101040.
3 Li N, He H X. Topic evolution analysis for omics data integration in cancers[J]. Frontiers in Cell and Developmental Biology, 2021, 9: 631011.
4 宋凯, 陈悦. 技术主题动态演化分析的一种新方法: DPL-BMM模型[J]. 情报学报, 2024, 43(1): 25-33.
5 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.
6 陈翔, 黄璐, 倪兴兴, 等. 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.
7 Xu H Y, Luo R, Winnink J, et al. A methodology for identifying breakthrough topics using structural entropy[J]. Information Processing & Management, 2022, 59(2): 102862.
8 Zhou W, Huang H, Shi R Z, et al. Temporal heterogeneous information network embedding via semantic evolution[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(12): 13031-13042.
9 Sun Y Z, Tang J, Han J W, et al. Community evolution detection in dynamic heterogeneous information networks[C]// Proceedings of the Eighth Workshop on Mining and Learning with Graphs. New York: ACM Press, 2010: 137-146.
10 Sun Y Z, Tang J, Han J W, et al. Co-evolution of multi-typed objects in dynamic star networks[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(12): 2942-2955.
11 李雪思, 张智雄, 王宇飞, 等. 领域知识演化分析方法综述[J]. 数据分析与知识发现, 2024, 8(1): 1-15.
12 Wang Z Y, Chen J, Chen J P, et al. Identifying interdisciplinary topics and their evolution based on BERTopic[J]. Scientometrics, 2024, 129(11): 7359-7384.
13 曹玲静, 张志强. 二十一世纪以来美国科技政策主题分析及发展态势研判[J]. 情报学报, 2024, 43(5): 616-632.
14 冉从敬, 田文芳, 贾志轩. 技术生命周期视域下专利技术主题演化分析方法研究——以视频图像处理技术领域为例[J]. 情报理论与实践, 2024, 47(9): 124-133.
15 王伟, 梁继文, 杨建林. 基于语义加权网络的重点领域科学基金资助态势识别研究[J]. 现代情报, 2025, 45(1): 46-59, 111.
16 Kim E H J, Jeong Y K, Kim Y, et al. Exploring scientific trajectories of a large-scale dataset using topic-integrated path extraction[J]. Journal of Informetrics, 2022, 16(1): 101242.
17 Fu H L, Wang M M, Li P, et al. Tracing knowledge development trajectories of the Internet of Things domain: a main path analysis[J]. IEEE Transactions on Industrial Informatics, 2019, 15(12): 6531-6540.
18 Fu Z M, Cao Y, Zhao Y. Identifying knowledge evolution in computer science from the perspective of academic genealogy[J]. Journal of Informetrics, 2024, 18(2): 101523.
19 王康, 陈悦, 苏成, 等. 多维视角下科学主题演化分析框架[J]. 情报学报, 2021, 40(3): 297-307.
20 Gupta M, Aggarwal C C, Han J W, et al. Evolutionary clustering and analysis of bibliographic networks[C]// Proceedings of 2011 International Conference on Advances in Social Networks Analysis and Mining. Piscataway: IEEE, 2011: 63-70.
21 Wu J B, Yu L F, Zhang Q, et al. Multityped community discovery in time-evolving heterogeneous information networks based on tensor decomposition[J]. Complexity, 2018, 2018(1): 9653404.
22 Jensen S, Liu X Z, Yu Y Y, et al. Generation of topic evolution trees from heterogeneous bibliographic networks[J]. Journal of Informetrics, 2016, 10(2): 606-621.
23 Lee C Y, Kim J, Kwon O, et al. Stochastic technology life cycle analysis using multiple patent indicators[J]. Technological Forecasting and Social Change, 2016, 106: 53-64.
24 张维冲, 王芳, 赵洪. 多源信息融合用于新兴技术发展趋势识别——以区块链为例[J]. 情报学报, 2019, 38(11): 1166-1176.
25 马捷, 李洪晨, 栾泽权. 生命周期视阈下国内应急管理进展研究[J]. 情报理论与实践, 2022, 45(11): 195-204.
26 逯万辉, 谭宗颖. 基于知识基因游离与重组的领域主题演化研究[J]. 情报理论与实践, 2019, 42(2): 101-107.
27 Traag V A, Waltman L, van Eck N J. From Louvain to Leiden: Guaranteeing well-connected communities[J]. Scientific Reports, 2019, 9: Article No.5233.
28 Bródka P, Saganowski S, Kazienko P. GED: the method for group evolution discovery in social networks[J]. Social Network Analysis and Mining, 2013, 3(1): 1-14.
29 Tajeuna E G, Bouguessa M, Wang S R. Tracking the evolution of community structures in time-evolving social networks[C]// Proceedings of 2015 IEEE International Conference on Data Science and Advanced Analytics. Piscataway: IEEE, 2015: 1-10.
30 杨欣谊, 王伟, 朱恒民. 基于时序共词网络的社交平台话题检测与演化研究[J]. 情报学报, 2023, 42(5): 585-597.
31 Carmi S, Havlin S, Kirkpatrick S, et al. A model of Internet topology using k-shell decomposition[J]. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(27): 11150-11154.