基于深度图神经网络方法的领域知识结构探测

doi:10.3772/j.issn.1000-0135.2021.11.007

情报学报

2021, Vol. 40

Issue (11): 1209-1220 DOI: 10.3772/j.issn.1000-0135.2021.11.007

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于深度图神经网络方法的领域知识结构探测

刘非凡^1,2, 张爽^1,2, 罗双玲³, 夏昊翔^1,2

1.大连理工大学系统工程研究所，大连 116024
2.大连理工大学大数据与智能决策研究中心，大连 116024
3.大连海事大学航运经济与管理学院，大连 116026

Detection of Scientific Knowledge Structure Based on Graph Representation Learning

Liu Feifan^1,2, Zhang Shuang^1,2, Luo Shuangling³, Xia Haoxiang^1,2

1.Institute of Systems Engineering, Dalian University of Technology, Dalian 116024
2.Research Center for Big Data and Intelligent Decision-Making, Dalian University of Technology, Dalian 116024
3.School of Maritime Economics and Management, Dalian Maritime University, Dalian 116026

摘要
图/表
参考文献
相关文章 (8)

全文: PDF (6236 KB) HTML (108 KB)
输出: BibTeX | EndNote (RIS)

摘要准确地探测和识别学科领域知识结构对于理解学科发展动态、制定科技政策以及开展科研活动具有重要意义。当前，针对该问题的探索思路主要集中在两个方面：文本内容分析和网络结构分析。在现有的研究中，这两种研究思路往往仅作为相互辅证的依据，缺少同时融合文本信息与结构信息来探测领域知识结构的方法。因此，本文借助深度学习领域涌现出的新兴算法，把深度图神经网络模型与文档表示学习以及流形学习算法加以综合，提出新的学科领域知识结构探测框架。分别选取了代表基础研究学科与新涌现研究领域的两个数据集对所提研究框架进行验证，实验结果表明，深度图神经网络能够有效融合文献的文本内容特征信息以及其引用关系特征信息，提高了领域知识结构探测效率及可识别度。本文的研究拓展了深度图神经网络模型的应用场景，并对情报工程应用领域具有一定的借鉴参考价值。

	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
	刘非凡
	张爽
	罗双玲
	夏昊翔

关键词 ：领域知识结构, 深度图神经网络, 文档表示学习, 引文网络

收稿日期: 2020-10-09

基金资助:国家自然科学基金面上项目“协同创新网络中的集体智能动态机理研究”（71871042）；教育部人文社会科学规划项目“综合数据解析和动力学建模的科研协作系统演化模式与机理研究”（18YJA630118）；辽宁省社会科学规划基金项目“大数据背景下图书馆科技情报知识服务的支撑方法研究”（L16BTQ003）。

作者简介: 刘非凡，男，1991年生，博士研究生，主要研究领域为复杂网络、机器学习、科技情报分析；张爽，女，1994年生，博士研究生，主要研究领域为机器学习、社会网络分析、科技情报分析；罗双玲，女，1978年生，副教授，硕士生导师，主要研究领域为知识管理、群体行为、行为金融；夏昊翔，男，1972年生，教授，博士生导师，主要研究领域为复杂系统、计算社会科学、知识管理、知识组织，E-mail：hxxia@dlut.edu.c；

引用本文:

刘非凡, 张爽, 罗双玲, 夏昊翔. 基于深度图神经网络方法的领域知识结构探测[J]. 情报学报, 2021, 40(11): 1209-1220.
Liu Feifan, Zhang Shuang, Luo Shuangling, Xia Haoxiang. Detection of Scientific Knowledge Structure Based on Graph Representation Learning. 情报学报, 2021, 40(11): 1209-1220.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.11.007 或 https://qbxb.istic.ac.cn/CN/Y2021/V40/I11/1209

1 Fortunato S, Bergstrom C T, B?rner K, et al. Science of science[J]. Science, 2018, 359(6379): eaao0185.
2 Milojevi? S. Quantifying the cognitive extent of science[J]. Journal of Informetrics, 2015, 9(4): 962-973.
3 齐金山, 梁循, 李志宇, 等. 大规模复杂信息网络表示学习: 概念、方法与挑战[J]. 计算机学报, 2018, 41(10): 2394-2420.
4 张琳, 孙蓓蓓, 黄颖. 跨学科合作模式下的交叉科学测度研究——以ESI社会科学领域高被引学者为例[J]. 情报学报, 2018, 37(3): 231-242.
5 Gerlach M, Peixoto T P, Altmann E G. A network approach to topic models[J]. Science Advances, 2018, 4(7): eaaq1360.
6 Blei D M, Ng A Y, Jordan M I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
7 龚轶, 王峥. 交叉学科及其研究资助的五个关键问题[J]. 科学学研究, 2015, 33(9): 1297-1304, 1339.
8 赵蓉英. 知识网络研究(Ⅱ)——知识网络的概念、内涵和特征[J]. 情报学报, 2007, 26(3): 470-476.
9 王晓光. 科学知识网络的形成与演化(Ⅰ): 共词网络方法的提出[J]. 情报学报, 2009, 28(4): 599-605.
10 赵丽梅, 张庆普. 基于科学知识图谱的我国知识管理研究范式分析[J]. 情报学报, 2012, 31(1): 95-103.
11 逯万辉, 谭宗颖. 基于深度学习的期刊分群与科学知识结构测度方法研究[J]. 情报学报, 2020, 39(1): 38-46.
12 施聪莺, 徐朝军, 杨晓江. TFIDF算法研究综述[J]. 计算机应用, 2009, 29(S1): 167-170, 180.
13 程齐凯, 王晓光. 一种基于共词网络社区的科研主题演化分析框架[J]. 图书情报工作, 2013, 57(8): 91-96.
14 王鹏, 高铖, 陈晓美. 基于LDA模型的文本聚类研究[J]. 情报科学, 2015, 33(1): 63-68.
15 王曰芬, 傅柱, 陈必坤. 基于LDA主题模型的科学文献主题识别:全局和学科两个视角的对比分析[J]. 情报理论与实践, 2016, 39(7): 121-126, 101.
16 Maaten L V D, Hinton G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008, 9(86): 2579-2605.
17 张金柱, 于文倩, 刘菁婕, 等. 基于网络表示学习的科研合作预测研究[J]. 情报学报, 2018, 37(2): 132-139.
18 任红娟. 基于文献内容和引用特征融合的科学结构分析方法研究[J]. 情报学报, 2013, 32(10): 1068-1074.
19 柴省三. 内容词-共引聚类分析及其在科学结构研究中的应用[J]. 情报学报, 1997, 16(1): 68-73.
20 侯跃芳, 崔雷, 吴迪. 应用引文共引聚类-内容词分析法对学科发展的研究[J]. 情报学报, 2007, 26(2): 309-314.
21 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: 3111-3119.
22 Le Q, Mikolov T. Distributed representations of sentences and documents[C]// Proceedings of the 31st International Conference on Machine Learning. JMLR.org, 2014: II-1188-II-1196.
23 ?eh??ek R, Sojka P. Software framework for topic modelling with large corpora[C]// Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks. Valletta: University of Malta, 2010: 45-50.
24 Grover A, Leskovec J. node2vec: scalable feature learning for networks[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2016: 855-864.
25 Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[C]// Proceedings of the 5th International Conference on Learning Representations, 2017.
26 Veli?kovi? P, Cucurull G, Casanova A, et al. Graph attention networks[C]// Proceedings of the International Conference on Learning Representations, 2018.
27 Xu K, Hu W, Leskovec J, et al. How powerful are graph neural networks?[C]// Proceedings of the International Conference on Learning Representations, 2019.
28 Ying Z, Bourgeois D, You J, et al. GNNExplainer: generating explanations for graph neural networks[C]// Proceedings of the Neural Information Processing Systems, 2019, 32: 9240-9251.
29 Perozzi B, Al-Rfou R, Skiena S. DeepWalk: online learning of social representations[C]// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2014: 701-710.
30 Yang C, Liu Z Y, Zhao D L, et al. Network representation learning with rich text information[C]// Proceedings of the 24th International Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2015: 2111-2117.
31 Tang J, Qu M, Wang M Z, et al. LINE: large-scale information network embedding[C]// Proceedings of the 24th International Conference on World Wide Web. Republic and Canton of Geneva: International World Wide Web Conferences Steering Committee, 2015: 1067-1077.
32 张幸芝, 雷润玲, 杨超. 文本挖掘——基于ROSTCM和NetDraw的内容分析[J]. 科技文献信息管理, 2017, 31(1): 17-21, 33.
33 周晓分, 黄国彬, 白雅楠. 科学计量可视化软件的对比与数据预处理研究[J]. 图书情报工作, 2013, 57(23): 64-72.
34 Bastian M, Heymann S, Jacomy M. Gephi: an open source software for exploring and manipulating networks[C]// Proceedings of the Third International Conference on Weblogs and Social Media. Palo Alto: AAAI Press, 2009: 361-362.
35 McInnes L, Healy J, Saul N, et al. UMAP: uniform manifold approximation and projection[J]. Journal of Open Source Software, 2018, 3(29): 861.
36 Becht E, McInnes L, Healy J, et al. Dimensionality reduction for visualizing single-cell data using UMAP[J]. Nature Biotechnology, 2019, 37(1): 38-44.
37 罗双玲, 张文琪, 夏昊翔. 基于半积累引文网络社区发现的学科领域主题演化分析——以“合作演化”领域为例[J]. 情报学报, 2017, 36(1): 100-110.
38 Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008.
39 Abbe E. Community detection and stochastic block models: recent developments[J]. Journal of Machine Learning Research, 2018, 18(1): 6446-6531.
40 Lancichinetti A, Fortunato S. Community detection algorithms: a comparative analysis[J]. Physical Review E, 2009, 80: 056117.
41 Yang Z, Algesheimer R, Tessone C J. A comparative analysis of community detection algorithms on artificial networks[J]. Scientific Reports, 2016, 6: 30750.
42 Pan R K, Sinha S, Kaski K, et al. The evolution of interdisciplinarity in physics research[J]. Scientific Reports, 2012, 2: 551.
43 Wang K S, Shen Z H, Huang C Y, et al. A review of microsoft academic services for science of science studies[J]. Frontiers in Big Data, 2019, 2: 45.
44 Paszke A, Gross S, Massa F, et al. PyTorch: an imperative style, high-performance deep learning library[C]// Proceedings of the 33rd Conference on Neural Information Processing Systems, 2019: 8026-8037.
45 Yang Z L, Cohen W W, Salakhutdinov R. Revisiting semi-supervised learning with graph embeddings[C]// Proceedings of the 33rd International Conference on Machine Learning. JMLR.org, 2016: 40-48.
46 Yan S J, Xiong Y J, Lin D H. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]// Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2018: 7444-7452.