基于词向量网络的科研主题演化分析：语义漂移过程的揭示

doi:10.3772/j.issn.1000-0135.2025.10.006

情报学报

2025, Vol. 44

Issue (10): 1287-1299 DOI: 10.3772/j.issn.1000-0135.2025.10.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于词向量网络的科研主题演化分析：语义漂移过程的揭示

王宏宇^1,3, 石锴文^2,4, 王晓光², 金壮¹, 郑阳^2,4, 黄菡^1,3

1.武汉理工大学管理学院，武汉 430070
2.武汉大学信息管理学院，武汉 430072
3.武汉理工大学数字治理与管理决策创新研究院，武汉 430070
4.云南财经大学云南省服务计算重点实验室，昆明 650221

Word Vector Network-based Analysis of Scientific Research Topic Evolution: Revealing the Semantic Drift Process

Wang Hongyu^1,3, Shi Kaiwen^2,4, Wang Xiaoguang², Jin Zhuang¹, Zheng Yang^2,4, Huang Han^1,3

1.School of Management, Wuhan University of Technology, Wuhan 430070
2.School of Information Management, Wuhan University, Wuhan 430072
3.Institute of Digital Governance and Management Decision Innovation, Wuhan University of Technology, Wuhan 430070
4.Yunnan Key Laboratory of Service Computing, Yunnan University of Finance and Economics, Kunming 650221

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (1683 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要作为表征学科领域知识结构的经典知识网络，共词网络方法受特征关键词共现关系稀疏、关键词同义不同形及语料利用不充分等因素影响，在面对大规模学科领域数据时，难以精准描绘关键词间的语义关联关系。从理论与方法论层面对共词网络进行扩展，以全面揭示学科领域研究主题在宏观、微观等层面上的语义演化过程具有现实意义。本文将学科领域特征关键词视为网络顶点，通过全局词嵌入模型（global vectors for word representation，GloVe）获取特征关键词的向量表示，并将对应词向量间的归一化余弦相似度设定为网络连边权重，构建全连接、无向的词向量网络。进一步地，本文详细分析了学科领域词向量网络的作用与特征，提出基于词向量网络的科研主题语义漂移分析框架，并就其表征的语义关联关系与共词网络中的共现关系进行比较分析。研究发现，本文提出的学科领域词向量网络作为一类特殊的知识网络，是特征关键词的共词网络在语义超空间上的映射，具有明显的社区结构和时序演化分析价值。与共词网络方法相比，学科领域词向量网络在表征学科领域的关键概念上具有一致性，并在反映学科领域知识结构时更具稳定性和全面性，能够精细化揭示科研主题在微观层面上产生的语义漂移等更细粒度的演化过程。

	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
	王宏宇
	石锴文
	王晓光
	金壮
	郑阳
	黄菡

关键词 ：知识网络, 共词网络, 词向量网络, 词嵌入, 语义演化

收稿日期: 2024-11-30

基金资助:国家自然科学基金项目“弱信号视角下基于图学习的新兴技术演化机理与预见方法研究”（72404215）；国家自然科学基金重点项目“组织平台化转型适应理论构建及其管理策略研究”（72132009）；云南省服务计算重点实验室开放课题“基于异质图神经网络多维建模的领域创新脉络识别与预见研究”（YNSC24110）。

作者简介: 王宏宇，1994年生，博士，教授，硕士生导师，主要研究领域为知识管理与人工智能；石锴文，通信作者，2000年生，博士研究生，主要研究领域为科技情报智能分析，E-mail：shikaiwen@whu.edu.cn；王晓光，1978年生，博士，教授，博士生导师，主要研究领域为知识组织；金壮，2003年生，硕士研究生，主要研究领域为主题演化分析；郑阳，2002年生，硕士研究生，主要研究领域为图神经网络与知识网络；黄菡，1995年生，博士，助理研究员，主要研究领域为知识网络挖掘；

引用本文:

王宏宇, 石锴文, 王晓光, 金壮, 郑阳, 黄菡. 基于词向量网络的科研主题演化分析：语义漂移过程的揭示[J]. 情报学报, 2025, 44(10): 1287-1299.
Wang Hongyu, Shi Kaiwen, Wang Xiaoguang, Jin Zhuang, Zheng Yang, Huang Han. Word Vector Network-based Analysis of Scientific Research Topic Evolution: Revealing the Semantic Drift Process. 情报学报, 2025, 44(10): 1287-1299.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.10.006 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I10/1287

1 王晓光. 科学知识网络的形成与演化(Ⅱ): 共词网络可视化与增长动力学[J]. 情报学报, 2010, 29(2): 314-322.
2 姜鑫, 王德庄, 马海群. 关键词词频变化视角下我国“科学数据”领域研究主题演化分析[J]. 现代情报, 2018, 38(1): 141-146, 161.
3 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.
4 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.
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 巴志超, 杨子江, 朱世伟, 等. 基于关键词语义网络的领域主题演化分析方法研究[J]. 情报理论与实践, 2016, 39(3): 67-72.
7 李纲, 巴志超. 共词分析过程中的若干问题研究[J]. 中国图书馆学报, 2017, 43(4): 93-113.
8 赵一鸣, 尹嘉颖. 语义增强型全文本共词网络的构建与分析[J]. 情报学报, 2023, 42(10): 1187-1198.
9 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.
10 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.
11 滕婕, 刘莉, 李硕, 等. 动态语义网的高价值热点主题识别与演化路径分析[J]. 图书情报工作, 2023, 67(7): 92-106.
12 Serrano M á, Bogu?á M, Vespignani A. Extracting the multiscale backbone of complex weighted networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(16): 6483-6488.
13 张斌, 马费成. 科学知识网络中的链路预测研究述评[J]. 中国图书馆学报, 2015, 41(3): 99-113.
14 Shi K W, Liu K, He X Y. Heterogeneous hypergraph learning for literature retrieval based on citation intents[J]. Scientometrics, 2024, 129(7): 4167-4188.
15 岳丽欣, 周晓英, 刘自强. 科学知识网络扩散中的社区扩张与收敛模式特征分析——以医疗健康信息领域为例[J]. 图书情报工作, 2020, 64(14): 63-73.
16 席运江. 组织知识的网络表示模型及分析方法[D]. 大连: 大连理工大学, 2007.
17 王旻霞, 赵丙军. 科学知识网络的结构特征及演化动力[J]. 情报杂志, 2014, 33(5): 88-95.
18 李楠, 汪波. 跨学科语义漂移识别与可视化分析[J]. 数据分析与知识发现, 2023, 7(10): 15-24.
19 Xu J, Bu Y, Ding Y, et al. Understanding the formation of interdisciplinary research from the perspective of keyword evolution: a case study on joint attention[J]. Scientometrics, 2018, 117(2): 973-995.
20 潘俊, 吴宗大. 知识发现视角下词汇历时语义挖掘与可视化研究[J]. 情报学报, 2021, 40(10): 1052-1064.
21 Chen B T, Ding Y, Ma F C. Semantic word shifts in a scientific domain[J]. Scientometrics, 2018, 117(1): 211-226.
22 王忠义, 涂悦, 夏立新. 科技文献资源中学科知识漂移研究[J]. 情报理论与实践, 2021, 44(6): 118-124.
23 Callon M, Law J, Rip A. Mapping the dynamics of science and technology: sociology of science in the real world[M]. London: Palgrave Macmillan, 1986.
24 Mihalcea R, Tarau P. TextRank: bringing order into texts[C]// Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2004: 404-411.
25 Wang X G, Wang H Y, Huang H. Evolutionary exploration and comparative analysis of the research topic networks in information disciplines[J]. Scientometrics, 2021, 126(6): 4991-5017.
26 刘自强, 王效岳, 白如江. 语义分类的学科主题演化分析方法研究——以我国图书情报领域大数据研究为例[J]. 图书情报工作, 2016, 60(15): 76-85, 93.
27 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.
28 黄菡, 王晓光, 何静, 等. 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.
29 王宏宇, 王晓光. 基于大规模开放学术图谱的研究前沿分析框架[J]. 情报理论与实践, 2020, 44(1): 102-109.
30 Yeung A W K, Goto T K, Leung W K. The changing landscape of neuroscience research, 2006-2015: a bibliometric study[J]. Frontiers in Neuroscience, 2017, 11: 120.
31 徐红姣, 曾文, 张运良. 基于Word2Vec的论文和专利主题关联演化分析方法研究[J]. 情报杂志, 2018, 37(12): 36-42.
32 陈柏彤. 科研主题演化过程中的词语迁移研究[D]. 武汉: 武汉大学, 2017.
33 邢福元, 常春. 基于生态学视角的叙词表概念稳定性研究[J]. 情报杂志, 2019, 38(7): 146-150.
34 陈柏彤, 康宇杰. 基于分布式语义分析的学术创新跨领域演化探析[J]. 图书情报工作, 2024, 68(12): 95-108.
35 陈果, 徐赞, 洪思琪, 等. 科技领域词汇语义表示的稳定性研究: 多种词嵌入模型对比[J]. 情报学报, 2024, 43(12): 1440-1452.
36 Wendlandt L, Kummerfeld J K, Mihalcea R. Factors influencing the surprising instability of word embeddings[C]// Proceedings of the 16th Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2018: 2092-2102.
37 Zhang Y, Cai X J, Fry C V, et al. Topic evolution, disruption and resilience in early COVID-19 research[J]. Scientometrics, 2021, 126(5): 4225-4253.
38 Zhang T Y, Sun R, Fensel J, et al. Understanding the domain development through a word status observation model[J]. Journal of Informetrics, 2023, 17(2): 101395.
39 唐晓波, 王琼赋, 牟昊. 基于词共现与词向量的概念层次关系自动抽取模型——以学术论文评价领域为例[J]. 情报科学, 2022, 40(10): 3-11, 32.
40 王忠义, 彭思源, 夏立新. 跨学科知识组织的概念关联研究[J]. 中国图书馆学报, 2022, 48(3): 43-62.
41 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.
42 姜雅文. 复杂网络社区发现若干问题研究[D]. 北京: 北京交通大学, 2014.
43 Baroni M, Dinu G, Kruszewski G. Don’t count, predict! A systematic comparison of context-counting vs. context-predicting semantic vectors[C]// Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2014: 238-247.
44 张金柱, 于文倩. 基于短语表示学习的主题识别及其表征词抽取方法研究[J]. 数据分析与知识发现, 2021, 5(2): 50-60.
45 陈果, 陈晶, 肖璐. 词汇语义链: 领域分析视角下的词汇语义挖掘理论框架[J]. 情报理论与实践, 2022, 45(4): 170-176, 183.
46 Vylomova E, Murphy S, Haslam N. Evaluation of semantic change of harm-related concepts in psychology[C]// Proceedings of the 1st International Workshop on Computational Approaches to Historical Language Change. Stroudsburg: Association for Computational Linguistics, 2019: 29-34.
47 F?rber M, Nishioka C, Jatowt A. ScholarSight: visualizing temporal trends of scientific concepts[C]// Proceedings of the 18th ACM/IEEE Joint Conference on Digital Libraries. Piscataway: IEEE, 2019: 438-439.
48 黄建忠, 赵玲, 何茜茜. 加快中国特色数字经济发展的若干理论思考与政策建议——基于马克思主义政治经济学的视角[J]. 宏观经济研究, 2023(4): 4-13, 82.
49 Carlsson B. The digital economy: what is new and what is not?[J]. Structural Change and Economic Dynamics, 2004, 15(3): 245-264. 责任编辑冯家琪）