基于<bold>PWLR</bold>模型的领域新兴趋势识别及其可视化研究

doi:10.3772/j.issn.1000-0135.2020.09.009

情报学报

2020, Vol. 39

Issue (9): 979-988 DOI: 10.3772/j.issn.1000-0135.2020.09.009

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于PWLR模型的领域新兴趋势识别及其可视化研究

刘自强¹, 胡正银^2,3, 许海云^2,3, 方曙^2,3

1.南京师范大学新闻与传播学院，南京 210097
2.中国科学院成都文献情报中心，成都 610041
3.中国科学院大学经济与管理学院图书情报与档案管理系，北京 100190

Identifying and Visualizing Emerging Trends in Domain Based on PWLR Model

Liu Ziqiang¹, Hu Zhengyin^2,3, Xu Haiyun^2,3, Fang Shu^2,3

1.School of Journalism and Communication, Nanjing Normal University, Nanjing 210097
2.Chengdu Library and Information Center, Chinese Academy of Sciences, Chengdu 610041
3.Department of Library Information and Archives Management, 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 (10)

全文: PDF (3541 KB) HTML (129 KB)
输出: BibTeX | EndNote (RIS)

摘要探索构建准确、有效的领域新兴趋势分析框架，对于新兴趋势研判、舆情监测等情报工作具有一定的意义。首先，基于N-Gram模型抽取蕴含时间标签的科技文献文本数据中的多元词汇特征Bi-Gram与Tri-Gram；其次，利用分段线性回归（piecewise linear regression，PWLR）模型对Bi-Gram、Tri-Gram进行分段拟合，探测多元词汇在近期时间线上的新兴特征，准确识别有发展潜力的新兴词汇；最后，基于上一步的新兴词汇判别结果利用层次聚类算法识别领域新兴趋势并进行可视化分析。通过对基因编辑领域进行实证研究，识别出基因编辑领域的主要新兴趋势有CRISPR-Cas9技术、基因治疗、动植物基因编辑，验证了本研究提出方法的可行性和有效性。

	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
	刘自强
	胡正银
	许海云
	方曙

关键词 ： PWLR模型, 新兴趋势, 层次聚类, 可视化

收稿日期: 2019-10-20

基金资助:中国科学院“十三五”科研信息化专项“面向干细胞领域知识发现的科研信息化应用”（XXH13506-203）；国家自然科学基金项目“基于科学—技术主题关联分析的创新演化路径识别方法研究”（71704170）。

作者简介: 刘自强，男，1990年生，博士，讲师，研究方向为情报分析技术与方法，E-mail:1224615932@qq.com。胡正银，男，1979年生，博士，副研究员，研究方向为数据挖掘与知识图谱构建。许海云，女，1982年生，博士，副研究员，研究方向为情报计量学的理论与实践。方曙，男，1957年生，博士，研究员，博士生导师，研究方向为科技情报分析与研究。

引用本文:

刘自强, 胡正银, 许海云, 方曙. 基于PWLR模型的领域新兴趋势识别及其可视化研究[J]. 情报学报, 2020, 39(9): 979-988.
Liu Ziqiang, Hu Zhengyin, Xu Haiyun, Fang Shu. Identifying and Visualizing Emerging Trends in Domain Based on PWLR Model. 情报学报, 2020, 39(9): 979-988.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2020.09.009 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I9/979

1 Richards J, Ma M, Rosenberg A. Using word burst analysis to rescore keyword search candidates on low-resource languages[C]// Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2014: 7824-7828.
2 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.
3 白如江, 冷伏海. k-clique社区知识创新演化方法研究[J]. 图书情报工作, 2013, 57(17): 86-94.
4 Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
5 Blei D M, Lafferty J. Dynamic topic models[C]// Proceedings of the 23rd International Conference on Machine Learning. NewYork: ACM Press, 2006: 113-120.
6 范云满, 马建霞. 基于LDA与新兴主题特征分析的新兴主题探测研究[J]. 情报学报, 2014, 33(7): 698-711.
7 陈伟, 林超然, 李金秋, 等. 基于LDA-HMM的专利技术主题演化趋势分析——以船用柴油机技术为例[J]. 情报学报, 2018, 37(7): 732-741.
8 M?rchen F, Dejori M, Fradkin D, et al. Anticipating annotations and emerging trends in biomedical literature[C]// Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2008: 954-962.
9 Ohniwa R L, Hibino A, Takeyasu K. Trends in research foci in life science fields over the last 30 years monitored by emerging topics[J]. Scientometrics, 2010, 85(1): 111-127.
10 Kreuchauff F, Korzinov V. A patent search strategy based on machine learning for the emerging field of service robotics[J]. Scientometrics, 2017, 111(2): 743-772.
11 Kleinberg J. Bursty and hierarchical structure in streams[C]// Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2002: 91-101.
12 Kleinberg J. Bursty and hierarchical structure in streams[J]. Data Mining and Knowledge Discovery, 2003, 7(4): 373-397.
13 Chen C M. Searching for intellectual turning points: Progressive knowledge domain visualization[J]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101(Suppl 1): 5303-5310.
14 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.
15 吴晓阳. 网络舆论的主题探测、追踪与关键技术[J]. 电子技术与软件工程, 2016(23): 34.
16 陈国兰. 基于爆发词识别的微博突发事件监测方法研究[J]. 情报杂志, 2014, 33(9): 123-128.
17 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.
18 王曰芬, 李冬琼, 余厚强. 生命周期阶段中的科学合作网络演化及高影响力学者成长特征研究[J]. 情报学报, 2018, 37(2): 121-131.
19 关鹏, 王曰芬. 基于LDA主题模型和生命周期理论的科学文献主题挖掘[J]. 情报学报, 2015, 34(3): 286-299.
20 Small H, Boyack K W, Klavans R. Identifying emerging topics in science and technology[J]. Research Policy, 2014, 43(8): 1450-1467.
21 白如江, 冷伏海, 廖君华. 科学研究前沿探测主要方法比较与发展趋势研究[J]. 情报理论与实践, 2017, 40(5): 33-38.
22 尹福生, 夏阿林, 莫扬. 人民币名义汇率与实际汇率的市场分割现象——基于结构突变理论的经验证据[J]. 产经评论, 2016, 7(3): 153-160.
23 赵旭, 胡斌, 夏泥. 基于突变理论的员工主动离职行为定性模拟——以中国经济转型期的“离职潮”为例[J]. 系统管理学报, 2016, 25(4): 691-704.
24 李政, 罗晖, 李正风, 等. 基于突变理论的科技评价方法初探[J]. 科研管理, 2017, 38(S1): 193-200.
25 Fu D Z, Li Y P, Huang G H. A fuzzy-Markov-chain-based analysis method for reservoir operation[J]. Stochastic Environmental Research and Risk Assessment, 2012, 26(3): 375-391.
26 秦旭, 李璟, 袁远, 等. 基于灰色马尔科夫模型的客户环境需求预测方法[J]. 机械设计与研究, 2018, 34(3): 134-139.
27 冯玉伯, 丁承君, 高雪, 等. 基于滑动平均与分段线性回归的时间序列相似性[J]. 计算机科学, 2018, 45(S1): 110-113.
28 田人合, 张志强, 高志. 基于分段线性回归模型的科学家个人科研产出规律研究——以杰青基金地球科学项目为例[J]. 图书情报工作, 2018, 62(1): 106-116.
29 Arslan O, Guralnik D P, Koditschek D E. Coordinated robot navigation via hierarchical clustering[J]. IEEE Transactions on Robotics, 2016, 32(2): 352-371.