基于矩阵相似度的主题演化路径判别研究

doi:10.3772/j.issn.1000-0135.2023.11.001

情报学报

2023, Vol. 42

Issue (11): 1265-1275 DOI: 10.3772/j.issn.1000-0135.2023.11.001

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于矩阵相似度的主题演化路径判别研究

黄菡¹, 王晓光^1,2, 何静¹, 王宏宇³

1.武汉大学信息管理学院,武汉 430072
2.武汉大学大数据研究院,武汉 430072
3.武汉理工大学管理学院,武汉 430070

Identifying Research Topic Evolutionary Paths Based on Matrix Similarity

Huang Han¹, Wang Xiaoguang^1,2, He Jing¹, Wang Hongyu³

1.School of Information Management, Wuhan University, Wuhan 430072
2.Big Data Institute, Wuhan University, Wuhan 430072
3.School of Management, Wuhan University of Technology, Wuhan 430070

摘要
图/表
参考文献
相关文章 (8)

全文: PDF (4944 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要研究主题演化对于厘清科学发展脉络和预测前沿趋势意义重大。对前后时段主题间的相似度进行计算以识别演化路径是研究主题演化的核心步骤。本文创新性地提出了基于矩阵相似度的主题演化路径判别方法。该方法以共词网络中研究主题的网络结构为基础，在主题相似度计算时，考虑了研究主题在词及词间关系两个方面的相似性。在此基础上，本文构建了一套基于矩阵相似度的研究主题演化分析框架。通过引入分段线性表示法对数据进行时段划分以构建时序共词网络，在利用社区发现算法识别各时段共词网络中的主题社区后，通过计算主题新颖度、流行度、核心度、成熟度等多维度特征指标来表征研究主题类型，进一步通过矩阵相似度关联前后时段的研究主题以识别研究主题演化路径，最终通过桑基图和多维战略坐标图等形式对主题演化过程进行可视化。本文以图书情报领域为例开展实证分析，研究结果表明，本文方法能有效支撑学科领域内的研究主题演化分析，为辅助科研决策提供方法论支持。

	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
	黄菡
	王晓光
	何静
	王宏宇

关键词 ：研究主题演化, 矩阵相似度, 共词网络, 分段线性表示, 多维指标

收稿日期: 2022-12-05

基金资助:国家自然科学基金面上项目“基于大规模开放科学知识图谱的学科新兴趋势探测研究”（71874129）。

作者简介: 黄菡，女，1995年生，博士研究生，主要研究领域为知识网络挖掘、科研主题演化、科学计量；王晓光，通信作者，男，1978年生，博士，教授，博士生导师，主要研究领域为知识组织与知识网络挖掘、大数据与数字资产管理、数字人文，E-mail：wxguang@whu.edu.cn；何静，女，1999年生，硕士研究生，主要研究领域为科研主题演化、科学计量；王宏宇，男，1994年生，博士，副研究员，主要研究领域为知识网络挖掘、大数据分析；

引用本文:

黄菡, 王晓光, 何静, 王宏宇. 基于矩阵相似度的主题演化路径判别研究[J]. 情报学报, 2023, 42(11): 1265-1275.
Huang Han, Wang Xiaoguang, He Jing, Wang Hongyu. Identifying Research Topic Evolutionary Paths Based on Matrix Similarity. 情报学报, 2023, 42(11): 1265-1275.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2023.11.001 或 https://qbxb.istic.ac.cn/CN/Y2023/V42/I11/1265

1 Liu H L, Chen Z W, Tang J, et al. Mapping the technology evolution path: a novel model for dynamic topic detection and tracking[J]. Scientometrics, 2020, 125(3): 2043-2090.
2 Chen B T, Tsutsui S, Ding Y, et al. Understanding the topic evolution in a scientific domain: an exploratory study for the field of information retrieval[J]. Journal of Informetrics, 2017, 11(4): 1175-1189.
3 Huang L, Chen X, Zhang Y, et al. Identification of topic evolution: network analytics with piecewise linear representation and word embedding[J]. Scientometrics, 2022, 127(9): 5353-5383.
4 Zhang X Y, Xie Q, Song C, et al. Mining the evolutionary process of knowledge through multiple relationships between keywords[J]. Scientometrics, 2022, 127(4): 2023-2053.
5 Katsurai M, Ono S. TrendNets: mapping emerging research trends from dynamic co-word networks via sparse representation[J]. Scientometrics, 2019, 121(3): 1583-1598.
6 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.
7 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.
8 王晓光, 程齐凯. 基于NEViewer的学科主题演化可视化分析[J]. 情报学报, 2013, 32(9): 900-911.
9 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.
10 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.
11 van Eck N J, Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping[J]. Scientometrics, 2010, 84(2): 523-538.
12 Aria M, Cuccurullo C. Bibliometrix: an R-tool for comprehensive science mapping analysis[J]. Journal of Informetrics, 2017, 11(4): 959-975.
13 Cobo M J, López-Herrera A G, Herrera-Viedma E, et al. SciMAT: a new science mapping analysis software tool[J]. Journal of the American Society for Information Science and Technology, 2012, 63(8): 1609-1630.
14 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.
15 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.
16 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.
17 Deligiannis P, Vergoulis T, Chatzopoulos S, et al. Visualising scientific topic evolution[C]// Proceedings of the Web Conference 2021. New York: ACM Press, 2021: 468-472.
18 Jiang L, Zhang T, Huang T H. Empirical research of hot topic recognition and its evolution path method for scientific and technological literature[J]. Journal of Advanced Computational Intelligence and Intelligent Informatics, 2022, 26(3): 299-308.
19 Behrouzi S, Sarmoor Z S, Hajsadeghi K, et al. Predicting scientific research trends based on link prediction in keyword networks[J]. Journal of Informetrics, 2020, 14(4): 101079.
20 Choudhury N, Uddin S. Time-aware link prediction to explore network effects on temporal knowledge evolution[J]. Scientometrics, 2016, 108(2): 745-776.
21 Chang P C, Liao T W, Lin J J, et al. A dynamic threshold decision system for stock trading signal detection[J]. Applied Soft Computing, 2011, 11(5): 3998-4010.
22 Kimura A, Kashino K, Kurozumi T, et al. A quick search method for audio signals based on a piecewise linear representation of feature trajectories[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2008, 16(2): 396-407.
23 陈虹枢. 基于主题模型的专利文本挖掘方法及应用研究[D]. 北京: 北京理工大学, 2015: 31-32.
24 Chehab J P, Raydan M. Geometrical properties of the Frobenius condition number for positive definite matrices[J]. Linear Algebra and Its Applications, 2008, 429(8/9): 2089-2097.
25 Mijangos V, Sierra G, Herrera A. A word embeddings model for sentence similarity[J]. Research in Computing Science, 2016, 117(1): 63-74.
26 Mijangos V, Sierra G, Montes A. Sentence level matrix representation for document spectral clustering[J]. Pattern Recognition Letters, 2017, 85: 29-34.
27 Wang E Y, Guo W, Dai L R, et al. Factor analysis based spatial correlation modeling for speaker verification[C]// Proceedings of the 2010 7th International Symposium on Chinese Spoken Language Processing. Piscataway: IEEE, 2011: 166-170.
28 Rafii Z, Pardo B. Music/voice separation using the similarity matrix[C]// Proceedings of the 13th International Society for Music Information Retrieval Conference, 2012: 583-588.
29 Demirci R. Similarity relation matrix-based color edge detection[J]. AEU-International Journal of Electronics and Communications, 2007, 61(7): 469-477.
30 王康, 高继平, 潘云涛, 等. 多位态研究主题识别及其演化路径方法研究[J]. 图书情报工作, 2021, 65(11): 113-122.
31 祝娜, 王芳. 基于主题关联的知识演化路径识别研究——以3D打印领域为例[J]. 图书情报工作, 2016, 60(5): 101-109.
32 Law J, Bauin S, Courtial J P, et al. Policy and the mapping of scientific change: a co-word analysis of research into environmental acidification[J]. Scientometrics, 1988, 14(3-4): 251-264.
33 Han X Y. Evolution of research topics in LIS between 1996 and 2019: an analysis based on latent Dirichlet allocation topic model[J]. Scientometrics, 2020, 125(3): 2561-2595.