面向?qū)W科新興主題探測(cè)的多源科技文獻(xiàn)時(shí)滯計(jì)算及啟示
——以農(nóng)業(yè)學(xué)科領(lǐng)域?yàn)槔?/h1>
2021-02-25 10:37:24楊金慶吳樂艷
情報(bào)學(xué)報(bào) 2021年1期
楊金慶，陸 偉，吳樂艷
（1.武漢大學(xué)信息管理學(xué)院，武漢430072；2.武漢大學(xué)信息檢索與知識(shí)挖掘研究所，武漢430072）
1 引言
學(xué)科大數(shù)據(jù)時(shí)代的開啟使得數(shù)據(jù)洪流不斷沖擊著各學(xué)科領(lǐng)域，科學(xué)研究正從“目標(biāo)驅(qū)動(dòng)”“模型驅(qū)動(dòng)”邁向“數(shù)據(jù)驅(qū)動(dòng)”為特征的研究范式，其動(dòng)態(tài)性、客觀性和敏捷性逐漸增強(qiáng)[1]。近年來，以期刊文獻(xiàn)、基金項(xiàng)目文檔、專利文本、會(huì)議資料等為代表的科技文獻(xiàn)發(fā)表數(shù)量龐大，例如，僅2018年SCI數(shù)據(jù)庫收錄206.97萬篇科技論文，其中我國學(xué)者貢獻(xiàn)41.82萬篇[2]。科技戰(zhàn)略決策者及科研人員將面臨科技文獻(xiàn)數(shù)量龐大、增長迅速的新局面，及時(shí)、準(zhǔn)確地把握科學(xué)研究的新動(dòng)向變得愈發(fā)困難，智能化探測(cè)學(xué)科新興主題逐漸成為科技情報(bào)人員的重要研究領(lǐng)域。
新興主題探測(cè)，由美國國防部高級(jí)研究計(jì)劃局（DARPA）于1998年首次提出[3]，并初步用于對(duì)新聞報(bào)道主題的探測(cè)。隨后，新興主題探測(cè)被引入科學(xué)研究領(lǐng)域，并逐漸形成新興主題探測(cè)的研究范式，其內(nèi)容主要包括：科技文獻(xiàn)數(shù)據(jù)獲取、學(xué)科主題識(shí)別、學(xué)科主題階段判定、可視化分析[4]。其中，科技文獻(xiàn)數(shù)據(jù)的全面性與新穎性是保證新興主題探測(cè)準(zhǔn)確性的基礎(chǔ)，同時(shí)，科技文獻(xiàn)的多樣性也為多源科技文獻(xiàn)的融合帶來挑戰(zhàn)?！岸嘣葱畔ⅰ迸c“多源方法”既可保證情報(bào)分析的全面性，又可進(jìn)一步提高情報(bào)分析結(jié)果的有效性[5]。面對(duì)格式多樣、分布廣泛、種類繁多的科技文獻(xiàn)，融合多源科技文獻(xiàn)可以全面發(fā)掘?qū)W科主題，進(jìn)而深入了解學(xué)科領(lǐng)域發(fā)展態(tài)勢(shì)，輔助科研工作與科技政策制定。
由此可見，多源科技文獻(xiàn)融合逐漸成為新興主題探測(cè)研究領(lǐng)域的重要問題之一，一些學(xué)者正不斷尋求多源科技文獻(xiàn)融合的新策略。目前，融合多源科技文獻(xiàn)用于新興主題探測(cè)的主要策略為：相同年份內(nèi)多源科技文獻(xiàn)相互融合[6-7]，并未考慮多源科技文獻(xiàn)間知識(shí)傳播的時(shí)滯性問題?？紤]到期刊論文是探測(cè)學(xué)科新興主題的主要來源數(shù)據(jù)，本文以期刊論文為中心，探究基金項(xiàng)目文本、專利文獻(xiàn)、會(huì)議論文與期刊論文所承載的學(xué)科主題間的時(shí)滯問題，以期對(duì)科技文獻(xiàn)融合策略的制定有所啟發(fā)和借鑒。
2 相關(guān)研究述評(píng)
2.1 面向單一科技文獻(xiàn)
科技文獻(xiàn)格式多樣、分布廣泛，種類繁多，學(xué)科主題隱含于不同的科技文獻(xiàn)數(shù)據(jù)，如基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議資料等。不同種類的科技文獻(xiàn)所承載的知識(shí)功能也存在一定差異?；痦?xiàng)目文本前瞻性強(qiáng)，承載著研究人員針對(duì)學(xué)科困境和難題給出的解決思路或技術(shù)方案。專利承載著某一具體問題的研究成果，是科技創(chuàng)新知識(shí)的重要結(jié)晶和載體[8]。會(huì)議論文是與會(huì)人員廣泛交流討論的思想來源。期刊論文是承載國內(nèi)外最新研究成果和學(xué)科發(fā)展動(dòng)向的主要載體形式。
針對(duì)不同類型科技文獻(xiàn)，研究者借助其特有的內(nèi)部和外部特征制定新興主題探測(cè)的評(píng)判指標(biāo)?；痦?xiàng)目文本資助時(shí)長和資助金額外部特征可以用來衡量所承載學(xué)科主題的重要性程度，徐路路等[6]以此探測(cè)石墨烯領(lǐng)域?qū)W科新興主題。王凌燕等[9]結(jié)合專利申請(qǐng)量和引證數(shù)外部特征識(shí)別工業(yè)生物領(lǐng)域的新興技術(shù)主題。以期刊論文為數(shù)據(jù)源的學(xué)科主題探測(cè)研究相對(duì)較多，發(fā)文量和被引量是較為常用的外部特征[4,10-12]。學(xué)科主題在重要學(xué)術(shù)會(huì)議資料中的出現(xiàn)次數(shù)反映其在該領(lǐng)域中所受關(guān)注程度，研究者結(jié)合主題會(huì)議出現(xiàn)率、主題強(qiáng)度等內(nèi)部特征識(shí)別學(xué)科新興主題[13]。
綜上所述，相較于面向期刊論文的學(xué)科新興主題探測(cè)，基金項(xiàng)目文本涉及較少，而專利文獻(xiàn)和會(huì)議資料有待研究。各類科技文獻(xiàn)具有獨(dú)特的內(nèi)、外部文本特征，相較于外部特征，科技文獻(xiàn)的內(nèi)部特征具有較高的相似性，一般包含標(biāo)題（title）、摘要（abstract）、內(nèi)容（content）等[14]，這為多源科技文獻(xiàn)融合提供了條件。
2.2 融合多源科技文獻(xiàn)
學(xué)科大數(shù)據(jù)環(huán)境下，單數(shù)據(jù)源科技文獻(xiàn)難以滿足科技信息挖掘、科技智能決策對(duì)數(shù)據(jù)完整性的要求。融合多源科技文獻(xiàn)是科技信息挖掘智能化的重要步驟，也是全面、深入探測(cè)學(xué)科新興主題的必要保障。
雖然多源信息融合的研究取得一些成果[15-16]，但是仍處于發(fā)展階段。多源信息融合可劃分為前期融合、中期融合和后期融合[17]。其中，前期融合是將不同數(shù)據(jù)源匯聚到同一對(duì)象。目前，多源科技文獻(xiàn)融合研究正處于探索的前期階段，研究者正探索不同的科技文獻(xiàn)融合策略，力求優(yōu)化新興主題探測(cè)方案。徐路路等[6]分析基金項(xiàng)目文本、期刊論文、專利文獻(xiàn)發(fā)展趨勢(shì)的相關(guān)性，進(jìn)而探究基金項(xiàng)目文本與期刊論文、專利文獻(xiàn)間的滯后性趨勢(shì)。周群等[18]融合相同時(shí)間跨度內(nèi)科技部機(jī)構(gòu)用戶數(shù)據(jù)、大眾媒體數(shù)據(jù)等多源數(shù)據(jù)，準(zhǔn)確識(shí)別細(xì)粒度的用戶需求主題。白如江等[7]從主題層次通過相似度計(jì)算融合科技規(guī)劃文本和基金項(xiàng)目文本所蘊(yùn)含的學(xué)科主題，再匯聚、識(shí)別學(xué)科新興主題。劉自強(qiáng)等[19]采用自回歸分布滯后模型，從外部數(shù)量特征、內(nèi)部主題特征兩個(gè)層面分析基金項(xiàng)目文本和學(xué)術(shù)論文主題的擴(kuò)散滯后效應(yīng)，并計(jì)算出兩者之間滯后期為2年。
因此，多源科技文獻(xiàn)融合仍處于前期階段。為滿足新興主題探測(cè)所需數(shù)據(jù)的全面性，研究者將相同時(shí)間跨度內(nèi)的科技文獻(xiàn)與特定分析目標(biāo)相融合，忽略了科技文獻(xiàn)間存在時(shí)滯性。隨著學(xué)科新興主題探測(cè)研究的不斷深入，部分研究者逐漸關(guān)注不同種類科技文獻(xiàn)間存在明顯的時(shí)滯問題。不同種類科技文獻(xiàn)之間的時(shí)滯分析計(jì)算逐步成為當(dāng)下重要的研究點(diǎn)。
3 研究方案
為探索多源科技文獻(xiàn)時(shí)滯性、尋求多源數(shù)據(jù)融合新方案，本文以學(xué)科主題為知識(shí)單元設(shè)計(jì)時(shí)滯計(jì)算方案。首先，從浩繁的學(xué)術(shù)數(shù)據(jù)中獲取多源科技文獻(xiàn)數(shù)據(jù)集，抽取科技文獻(xiàn)摘要，基于主題模型識(shí)別學(xué)科主題，計(jì)算學(xué)科主題相似度構(gòu)建學(xué)科主題相似矩陣；其次，采用匈牙利算法尋求科技文獻(xiàn)最優(yōu)匹配組合，以最優(yōu)匹配組合數(shù)據(jù)為依據(jù)構(gòu)建線性方程，擬合計(jì)算多源科技文獻(xiàn)時(shí)滯程度；最后，探討多源科技文獻(xiàn)時(shí)滯性對(duì)多源科技文獻(xiàn)數(shù)據(jù)融合的啟示。時(shí)滯計(jì)算方案流程如圖1所示。
3.1 數(shù)據(jù)來源
本文獲取基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文和會(huì)議論文共4種多源科技文獻(xiàn)數(shù)據(jù)集?？萍嘉墨I(xiàn)內(nèi)部特征源于內(nèi)容結(jié)構(gòu)，主要包含標(biāo)題（title）、摘要（abstract）、內(nèi)容（content）等，相較于外部特征，多源科技文獻(xiàn)內(nèi)部結(jié)構(gòu)特征相似度較高。本文從微軟學(xué)術(shù)（MAG）、中國知網(wǎng)（CNKI）、美國國家科學(xué)基金（NSF）、中國國家基金（CNSF）等數(shù)據(jù)集抽取農(nóng)業(yè)學(xué)科領(lǐng)域2009—2016年基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文摘要語料數(shù)據(jù)集，具體內(nèi)容如表1所示。
圖1 時(shí)滯計(jì)算方案流程
表1 多源科技文獻(xiàn)數(shù)據(jù)集
3.2 學(xué)科主題識(shí)別
學(xué)科主題識(shí)別是多源科技文獻(xiàn)粒化處理的重要方法，主題模型是一種語義降維技術(shù)，可將文獻(xiàn)所表達(dá)的含義作為隱含變量，借助文檔建模，發(fā)掘文檔所含主題。本文學(xué)科主題識(shí)別過程包含以下步驟：抽取摘要文本、跨語言摘要翻譯、去除停用詞、抽取詞干生成詞袋，然后輸入主題模型識(shí)別多源科技文獻(xiàn)學(xué)科主題。
本文利用困惑度確定LDA主題模型的超參數(shù)K值（預(yù)設(shè)主題數(shù)）。困惑度（perplexity）是衡量一個(gè)語言模型優(yōu)劣常用指標(biāo)，其計(jì)算方法[20]為
其中，p(wd)表示LDA模型生成d篇文檔的概率；M代表文檔數(shù)；N是第d篇文檔的單詞個(gè)數(shù)。
3.3 學(xué)科主題相似度計(jì)算
目前，多源數(shù)據(jù)融合領(lǐng)域的相似度計(jì)算方法多采用余弦相似度算法[6,21]、word2vec詞向量算法、Jaccard系數(shù)[18]等。其中，Jaccard系數(shù)利用詞共現(xiàn)比率表示主題相似度，其值越大，相似度越高。對(duì)于LDA生成概率模型難以避免高頻詞對(duì)主題詞共現(xiàn)比率的影響，Lu等[22]驗(yàn)證了主題詞中高頻詞占比越高，學(xué)科主題特殊性（topic distinctiveness）越低。為了避免低特殊性情況下高相似度對(duì)時(shí)滯計(jì)算的影響，本文采用Jaccard系數(shù)計(jì)算學(xué)科主題共詞強(qiáng)度，同時(shí)融合主題特殊性指標(biāo)優(yōu)化學(xué)科主題相似度計(jì)算過程，具體方法如下。
（1）Modified Jaccard's Coefficient（MJC）。MJC主題相似度計(jì)算方法改進(jìn)于Jaccard系數(shù)（J=|A∩B||A∪B|）。本文以LDA抽取主題的主題詞概率為權(quán)重計(jì)算學(xué)科主題共詞強(qiáng)度，以此表達(dá)主題相似度，表達(dá)式構(gòu)造為其中，αq表示主題q中主題詞wq的概率權(quán)重；βr表示主題r中主題詞wr的概率權(quán)重。
（2）Jensen-Shannon Divergence（JSD）。鑒 于LDA抽取的學(xué)科主題難以避免高頻詞對(duì)主題詞共現(xiàn)比率的影響，本文利用主題特殊性（topic distinctiveness）指標(biāo)降低高頻詞的影響，計(jì)算公式[23]為
其中，q和r分別代表兩個(gè)分布，D(q1(V)||q2(V))表示q1(V)和q2(V)概率分布的相對(duì)熵。
3.4 多源科技文獻(xiàn)時(shí)滯計(jì)算
多源科技文獻(xiàn)時(shí)滯性是一種科技文獻(xiàn)的學(xué)科主題相對(duì)于另一種文獻(xiàn)學(xué)科主題的滯后程度。如果X表示一種科技文獻(xiàn)的年份，Y表示另一種科技文獻(xiàn)的年份，普遍存在連續(xù)多年Y-X=B,那么B表示兩種科技文獻(xiàn)之間存在的時(shí)滯程度。
首先，計(jì)算學(xué)科主題相似度，構(gòu)建相似矩陣；其次，借助匈牙利最優(yōu)匹配算法尋求相似矩陣二分圖最優(yōu)匹配組合；最后，采取線性規(guī)劃思想，通過計(jì)算點(diǎn)到直線距離最小，擬合線性方程（Y-X=B），計(jì)算多源科技文獻(xiàn)時(shí)滯程度，主要內(nèi)容如下：
1）匈牙利最優(yōu)匹配算法。
本文考慮數(shù)據(jù)噪聲的影響，采用匈牙利算法[24]尋求科技文獻(xiàn)間充分相似條件下的最優(yōu)匹配組合，構(gòu)建學(xué)科主題相似矩陣為(si,j)n×n，si,j表示i年科技文獻(xiàn)學(xué)科主題與j年科技文獻(xiàn)學(xué)科主題的相似度，n表示科技文獻(xiàn)時(shí)間跨度，結(jié)合匈牙利算法基本思想構(gòu)建多源科技文獻(xiàn)充分相似最優(yōu)匹配數(shù)學(xué)模型，
其中，Los表示相似度損耗最小，即表達(dá)最大充分相似；n表示科技文獻(xiàn)的時(shí)間跨度；sij表示多源科技文獻(xiàn)i，j年對(duì)應(yīng)的相似度；xij表示對(duì)i年對(duì)應(yīng)j年的匹配標(biāo)記。
2）線性方程模型構(gòu)建及擬合方法
本文的研究問題是計(jì)算兩種科技文獻(xiàn)的時(shí)滯程度，若X表示一種科技文獻(xiàn)的年份值，Y表示另一種科技文獻(xiàn)的年份值，存在連續(xù)多年Y-X=B，那么B表示對(duì)應(yīng)于兩種科技文獻(xiàn)的年份之間存在的固定差值，即時(shí)滯程度。同時(shí)，考慮到年份值為整數(shù)，且各年份相似矩陣為方形對(duì)稱矩陣，結(jié)合理論分析確定線性方程模型為y=x+b，且b為整數(shù)，具體推演如圖2所示。
圖2 線性方程模型推演圖
針對(duì)線性方程y=x+b模型，考慮到b值為整數(shù)，本文通過最優(yōu)匹配組合的坐標(biāo)點(diǎn)到直線方程的距離和最小來求得此模型的參數(shù)b值，計(jì)算公式為
其中，n表示數(shù)據(jù)的時(shí)間跨度；yo和xo表示多源科技文獻(xiàn)的年份值；b為多源科技文獻(xiàn)的時(shí)滯程度值。
衡量數(shù)據(jù)擬合模型好壞的程度稱為擬合優(yōu)度，R2是擬合優(yōu)度的一個(gè)重要統(tǒng)計(jì)量，也稱為決定系數(shù)。R2計(jì)算公式為
其中，y表示觀測(cè)值；y^表示線性方程的擬合值；yˉ表示觀測(cè)值的平均值。
4 實(shí)證及結(jié)果分析
4.1 數(shù)據(jù)準(zhǔn)備
首先，從獲取的基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文中抽取摘要文本，按年份拆分2009—2016年摘要文檔，共分為32份數(shù)據(jù)集。實(shí)驗(yàn)數(shù)據(jù)的具體情況如表2所示。
4.2 學(xué)科主題識(shí)別
本文對(duì)科技文獻(xiàn)摘要語料進(jìn)行分詞、提取詞干，將摘要的原始表達(dá)轉(zhuǎn)化為稀疏向量，然后在LDA主題模型中輸入稀疏向量的語料，通過困惑度指標(biāo)計(jì)算預(yù)設(shè)主題數(shù)，最后識(shí)別學(xué)科主題。
表2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
為了提高主題識(shí)別的準(zhǔn)確度，本文通過實(shí)驗(yàn)確定主題數(shù)據(jù)K值和困惑度perplexity(Dt)的對(duì)應(yīng)關(guān)系，如圖3所示，以2009—2016年期刊論文8份數(shù)據(jù)集為例，其中橫坐標(biāo)代表主題數(shù)（number of topic），縱坐標(biāo)為困惑度（perplexity）。
本文分別計(jì)算基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文各年份困惑度，以主題數(shù)和困惑度所構(gòu)成曲線的拐點(diǎn)處的主題數(shù)作為LDA參數(shù)K的值，抽取的多源科技文獻(xiàn)學(xué)科主題數(shù)量如表3所示。
4.3 學(xué)科主題相似度計(jì)算與矩陣構(gòu)建
本文利用第3.2節(jié)中的MJC和JSD計(jì)算方法，從主題共詞相似和主題特殊性角度計(jì)算學(xué)科主題相似度，以構(gòu)建多源科技文獻(xiàn)年相似矩陣。本文以同年學(xué)科主題相似度的均值來表達(dá)該年份對(duì)應(yīng)的相似度，并以求積的方式MJC×JSD×100計(jì)算學(xué)科主題相似度，計(jì)算結(jié)果如表4～表6所示。
4.4 基于匈牙利算法的科技文獻(xiàn)時(shí)滯分析
由于匈牙利最優(yōu)匹配是以組合和最小為條件尋求最優(yōu)匹配組合，本文采用定值取反（0.5-MJC×JSD×100）轉(zhuǎn)換矩陣輸入匈牙利最優(yōu)匹配算法從40320種組合中探尋出損耗最小組合?；痦?xiàng)目文本-期刊論文、專利文獻(xiàn)-期刊論文、會(huì)議論文-期刊論文科技文獻(xiàn)組合的最優(yōu)匹配組合，分別如表7～表9中灰色加粗標(biāo)記所示。
根據(jù)最優(yōu)匹配組合得出xo、yo觀測(cè)值并清除異常值，通過利用第3.4節(jié)中公式(5)計(jì)算觀測(cè)值到線性方程模型的距離。在使得距離和最小的條件下，計(jì)算出時(shí)滯程度b的值，如表10所示（灰色加粗表示距離和最小值）。
圖3 以“期刊論文”為例的困惑度圖
表3 學(xué)科主題數(shù)量
最后，利用R2計(jì)算公式衡量線性方程模型的擬合程度，擬合結(jié)果如圖4所示。
從圖4可知，時(shí)滯計(jì)算結(jié)果為基金項(xiàng)目文本-期刊論文、專利文獻(xiàn)-期刊論文、會(huì)議論文-期刊論文的時(shí)滯值分別為1、-1、1，即基金項(xiàng)目文本的學(xué)科主題一般早于期刊論文1年呈現(xiàn)，專利文獻(xiàn)中的學(xué)科主題滯后于期刊論文1年，會(huì)議論文中的學(xué)科主題普遍早于期刊論文1年發(fā)布。該實(shí)證結(jié)果分別與文獻(xiàn)[6]得出的在石墨烯領(lǐng)域“基金項(xiàng)目文本與期刊論文間存在正相關(guān)”和“專利數(shù)據(jù)與基金項(xiàng)目文本呈現(xiàn)明顯的滯后性”，文獻(xiàn)[19]計(jì)算出在人工智能領(lǐng)域“期刊論文對(duì)基金項(xiàng)目文本的滯后期為2年”，文獻(xiàn)[4]統(tǒng)計(jì)發(fā)現(xiàn)的“we find that conferences lead journals by 87.64%”等結(jié)果趨勢(shì)相互印證，同時(shí)也說明了本文時(shí)滯性計(jì)算方法可行且有效。
表4 基金項(xiàng)目文本-期刊論文主題相似矩陣
表5 專利文獻(xiàn)-期刊論文主題相似矩陣
表6 會(huì)議論文-期刊論文主題相似矩陣
表7 基金項(xiàng)目文本-期刊論文最優(yōu)組合
表8 專利文獻(xiàn)-期刊論文相似矩陣最優(yōu)組合
表9 會(huì)議論文-期刊論文相似矩陣最優(yōu)組合
表10 時(shí)滯程度b對(duì)應(yīng)的距離和最小值
圖4 擬合后的線性方程圖
5 面向新興主題探測(cè)領(lǐng)域的啟示
多源科技文獻(xiàn)是新興主題探測(cè)的重要數(shù)據(jù)來源，以往匯聚同年份多源科技文獻(xiàn)抽取學(xué)科主題的方式缺乏考慮多源科技文獻(xiàn)間的時(shí)滯性。信息的載體形式、信息生產(chǎn)方式、傳播途徑等因素都可帶來多源科技文獻(xiàn)之間的時(shí)滯性問題。多源科技文獻(xiàn)時(shí)滯計(jì)算方法的探索為新興主題探測(cè)過程中的數(shù)據(jù)獲取、學(xué)科主題識(shí)別提供新思路、新啟示，具體如下：
（1）學(xué)科新興主題探測(cè)的基本任務(wù)是獲取全面、完整的多源數(shù)據(jù)，及時(shí)探測(cè)學(xué)科領(lǐng)域未來科學(xué)研究與技術(shù)的發(fā)展趨勢(shì)。單一來源科技文獻(xiàn)數(shù)據(jù)難以保證數(shù)據(jù)的完整性，但多源科技文獻(xiàn)在提升數(shù)據(jù)完整性的同時(shí)，也帶來了多源數(shù)據(jù)融合問題。
（2）新穎性（novelty）是新興主題判定的重要依據(jù)，多源科技文獻(xiàn)時(shí)滯計(jì)算將指引學(xué)科新興主題探測(cè)過程中數(shù)據(jù)集的獲取方向，掌握前沿?cái)?shù)據(jù)。同時(shí)，探究不同地域、科研體制對(duì)多源科技文獻(xiàn)之間時(shí)滯性的影響，以便緊跟國際科技前沿。
（3）學(xué)科主題識(shí)別是學(xué)科新興主題探測(cè)的基礎(chǔ)，影響多源科技文獻(xiàn)融合策略的制定。融入時(shí)滯計(jì)算的多源科技文獻(xiàn)融合策略包括兩種方式：其一，從學(xué)科主題知識(shí)單元層面，根據(jù)學(xué)科主題知識(shí)關(guān)聯(lián)強(qiáng)度設(shè)定關(guān)聯(lián)強(qiáng)度閾值，以此對(duì)不同數(shù)據(jù)源的學(xué)科主題進(jìn)行融合；其二，以時(shí)滯程度為歸類標(biāo)準(zhǔn)，直接匯聚不同年份多源科技文獻(xiàn)數(shù)據(jù)集，然后識(shí)別學(xué)科主題。
6 總結(jié)
本文面向新興主題探測(cè)領(lǐng)域探究多源科技文獻(xiàn)時(shí)滯性，以基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文摘要數(shù)據(jù)為驅(qū)動(dòng)，構(gòu)建科技文獻(xiàn)時(shí)滯計(jì)算流程：首先，選取主題模型借助困惑度評(píng)價(jià)指標(biāo)，以年為單位識(shí)別科技文獻(xiàn)學(xué)科主題，然后綜合利用MJC和JSD方法計(jì)算相似度，構(gòu)建多源科技文獻(xiàn)學(xué)科主題相似矩陣；其次，在相似矩陣二分圖匹配和最大條件下，利用匈牙利最優(yōu)匹配算法求得最優(yōu)匹配組合；再次，通過線性回歸與推演分析，構(gòu)建線性方程y=x+b，進(jìn)而擬合計(jì)算多源科技文獻(xiàn)的時(shí)滯程度；最后，與前人研究結(jié)論進(jìn)行對(duì)比分析，盡管面向不同的學(xué)科領(lǐng)域，但不同種類科技文獻(xiàn)間的時(shí)滯趨勢(shì)相同，即期刊論文滯后于基金項(xiàng)目文本和會(huì)議論文，專利文獻(xiàn)滯后于期刊論文。
多源科技文獻(xiàn)時(shí)滯性將影響多源科技文獻(xiàn)融合效果，同時(shí)也為多源科技文獻(xiàn)融合策略的制定提供新思路和新方法。本文引入多源科技文獻(xiàn)時(shí)滯性計(jì)算方法，對(duì)多源科技文獻(xiàn)數(shù)據(jù)集獲取方向以及學(xué)科主題融合策略的制定有所啟示。
猜你喜歡
醫(yī)學(xué)期刊論文中常見統(tǒng)計(jì)學(xué)錯(cuò)誤心肺血管病雜志(2020年3期)2020-12-09 07:06:13 帶有時(shí)滯項(xiàng)的復(fù)Ginzburg-Landau方程的拉回吸引子數(shù)學(xué)物理學(xué)報(bào)(2020年5期)2020-11-26 06:06:48 常見基金項(xiàng)目的英文名稱(二)國際放射醫(yī)學(xué)核醫(yī)學(xué)雜志(2020年4期)2020-07-27 01:53:28 常見基金項(xiàng)目的英文名稱(一)國際放射醫(yī)學(xué)核醫(yī)學(xué)雜志(2020年4期)2020-07-27 01:53:22 公共圖書館不應(yīng)認(rèn)可的職稱期刊論文探析——基于重慶圖書館職稱期刊論文的實(shí)證調(diào)研圖書館理論與實(shí)踐(2015年7期)2016-01-19 02:52:50 人文社科期刊論文被引頻次和下載頻次相關(guān)性研究重慶開放大學(xué)學(xué)報(bào)(2015年4期)2015-12-23 03:52:23 一階非線性時(shí)滯微分方程正周期解的存在性四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版)(2015年2期)2015-02-28 14:07:40 一類時(shí)滯Duffing微分方程同宿解的存在性應(yīng)用數(shù)學(xué)與計(jì)算數(shù)學(xué)學(xué)報(bào)(2014年3期)2014-09-26 12:03:52 基金項(xiàng)目中國醫(yī)藥科學(xué)(2012年10期)2012-11-04 05:15:32 基金項(xiàng)目中國醫(yī)藥科學(xué)(2012年8期)2012-11-04 05:15:28
- 情報(bào)學(xué)報(bào)的其它文章
- 基于群體智慧理論的協(xié)同標(biāo)注信息行為機(jī)理研究
——以豆瓣電影標(biāo)簽數(shù)據(jù)為例 - 螺旋式與直線式：在線健康醫(yī)療平臺(tái)用戶與醫(yī)生交互模式研究
- 跨源健康信息搜尋的動(dòng)機(jī)、信息源選擇及行為路徑
- 電子政務(wù)領(lǐng)域中文術(shù)語層次關(guān)系識(shí)別研究
- 基于RFM模型和隨機(jī)行動(dòng)者導(dǎo)向模型的技術(shù)機(jī)會(huì)識(shí)別
- 學(xué)術(shù)文本詞匯功能識(shí)別
——基于標(biāo)題生成策略和注意力機(jī)制的問題方法抽取
楊金慶，陸 偉，吳樂艷
（1.武漢大學(xué)信息管理學(xué)院，武漢430072；2.武漢大學(xué)信息檢索與知識(shí)挖掘研究所，武漢430072）
1 引言
學(xué)科大數(shù)據(jù)時(shí)代的開啟使得數(shù)據(jù)洪流不斷沖擊著各學(xué)科領(lǐng)域，科學(xué)研究正從“目標(biāo)驅(qū)動(dòng)”“模型驅(qū)動(dòng)”邁向“數(shù)據(jù)驅(qū)動(dòng)”為特征的研究范式，其動(dòng)態(tài)性、客觀性和敏捷性逐漸增強(qiáng)[1]。近年來，以期刊文獻(xiàn)、基金項(xiàng)目文檔、專利文本、會(huì)議資料等為代表的科技文獻(xiàn)發(fā)表數(shù)量龐大，例如，僅2018年SCI數(shù)據(jù)庫收錄206.97萬篇科技論文，其中我國學(xué)者貢獻(xiàn)41.82萬篇[2]。科技戰(zhàn)略決策者及科研人員將面臨科技文獻(xiàn)數(shù)量龐大、增長迅速的新局面，及時(shí)、準(zhǔn)確地把握科學(xué)研究的新動(dòng)向變得愈發(fā)困難，智能化探測(cè)學(xué)科新興主題逐漸成為科技情報(bào)人員的重要研究領(lǐng)域。
新興主題探測(cè)，由美國國防部高級(jí)研究計(jì)劃局（DARPA）于1998年首次提出[3]，并初步用于對(duì)新聞報(bào)道主題的探測(cè)。隨后，新興主題探測(cè)被引入科學(xué)研究領(lǐng)域，并逐漸形成新興主題探測(cè)的研究范式，其內(nèi)容主要包括：科技文獻(xiàn)數(shù)據(jù)獲取、學(xué)科主題識(shí)別、學(xué)科主題階段判定、可視化分析[4]。其中，科技文獻(xiàn)數(shù)據(jù)的全面性與新穎性是保證新興主題探測(cè)準(zhǔn)確性的基礎(chǔ)，同時(shí)，科技文獻(xiàn)的多樣性也為多源科技文獻(xiàn)的融合帶來挑戰(zhàn)?！岸嘣葱畔ⅰ迸c“多源方法”既可保證情報(bào)分析的全面性，又可進(jìn)一步提高情報(bào)分析結(jié)果的有效性[5]。面對(duì)格式多樣、分布廣泛、種類繁多的科技文獻(xiàn)，融合多源科技文獻(xiàn)可以全面發(fā)掘?qū)W科主題，進(jìn)而深入了解學(xué)科領(lǐng)域發(fā)展態(tài)勢(shì)，輔助科研工作與科技政策制定。
由此可見，多源科技文獻(xiàn)融合逐漸成為新興主題探測(cè)研究領(lǐng)域的重要問題之一，一些學(xué)者正不斷尋求多源科技文獻(xiàn)融合的新策略。目前，融合多源科技文獻(xiàn)用于新興主題探測(cè)的主要策略為：相同年份內(nèi)多源科技文獻(xiàn)相互融合[6-7]，并未考慮多源科技文獻(xiàn)間知識(shí)傳播的時(shí)滯性問題?？紤]到期刊論文是探測(cè)學(xué)科新興主題的主要來源數(shù)據(jù)，本文以期刊論文為中心，探究基金項(xiàng)目文本、專利文獻(xiàn)、會(huì)議論文與期刊論文所承載的學(xué)科主題間的時(shí)滯問題，以期對(duì)科技文獻(xiàn)融合策略的制定有所啟發(fā)和借鑒。
2 相關(guān)研究述評(píng)
2.1 面向單一科技文獻(xiàn)
科技文獻(xiàn)格式多樣、分布廣泛，種類繁多，學(xué)科主題隱含于不同的科技文獻(xiàn)數(shù)據(jù)，如基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議資料等。不同種類的科技文獻(xiàn)所承載的知識(shí)功能也存在一定差異?；痦?xiàng)目文本前瞻性強(qiáng)，承載著研究人員針對(duì)學(xué)科困境和難題給出的解決思路或技術(shù)方案。專利承載著某一具體問題的研究成果，是科技創(chuàng)新知識(shí)的重要結(jié)晶和載體[8]。會(huì)議論文是與會(huì)人員廣泛交流討論的思想來源。期刊論文是承載國內(nèi)外最新研究成果和學(xué)科發(fā)展動(dòng)向的主要載體形式。
針對(duì)不同類型科技文獻(xiàn)，研究者借助其特有的內(nèi)部和外部特征制定新興主題探測(cè)的評(píng)判指標(biāo)?；痦?xiàng)目文本資助時(shí)長和資助金額外部特征可以用來衡量所承載學(xué)科主題的重要性程度，徐路路等[6]以此探測(cè)石墨烯領(lǐng)域?qū)W科新興主題。王凌燕等[9]結(jié)合專利申請(qǐng)量和引證數(shù)外部特征識(shí)別工業(yè)生物領(lǐng)域的新興技術(shù)主題。以期刊論文為數(shù)據(jù)源的學(xué)科主題探測(cè)研究相對(duì)較多，發(fā)文量和被引量是較為常用的外部特征[4,10-12]。學(xué)科主題在重要學(xué)術(shù)會(huì)議資料中的出現(xiàn)次數(shù)反映其在該領(lǐng)域中所受關(guān)注程度，研究者結(jié)合主題會(huì)議出現(xiàn)率、主題強(qiáng)度等內(nèi)部特征識(shí)別學(xué)科新興主題[13]。
綜上所述，相較于面向期刊論文的學(xué)科新興主題探測(cè)，基金項(xiàng)目文本涉及較少，而專利文獻(xiàn)和會(huì)議資料有待研究。各類科技文獻(xiàn)具有獨(dú)特的內(nèi)、外部文本特征，相較于外部特征，科技文獻(xiàn)的內(nèi)部特征具有較高的相似性，一般包含標(biāo)題（title）、摘要（abstract）、內(nèi)容（content）等[14]，這為多源科技文獻(xiàn)融合提供了條件。
2.2 融合多源科技文獻(xiàn)
學(xué)科大數(shù)據(jù)環(huán)境下，單數(shù)據(jù)源科技文獻(xiàn)難以滿足科技信息挖掘、科技智能決策對(duì)數(shù)據(jù)完整性的要求。融合多源科技文獻(xiàn)是科技信息挖掘智能化的重要步驟，也是全面、深入探測(cè)學(xué)科新興主題的必要保障。
雖然多源信息融合的研究取得一些成果[15-16]，但是仍處于發(fā)展階段。多源信息融合可劃分為前期融合、中期融合和后期融合[17]。其中，前期融合是將不同數(shù)據(jù)源匯聚到同一對(duì)象。目前，多源科技文獻(xiàn)融合研究正處于探索的前期階段，研究者正探索不同的科技文獻(xiàn)融合策略，力求優(yōu)化新興主題探測(cè)方案。徐路路等[6]分析基金項(xiàng)目文本、期刊論文、專利文獻(xiàn)發(fā)展趨勢(shì)的相關(guān)性，進(jìn)而探究基金項(xiàng)目文本與期刊論文、專利文獻(xiàn)間的滯后性趨勢(shì)。周群等[18]融合相同時(shí)間跨度內(nèi)科技部機(jī)構(gòu)用戶數(shù)據(jù)、大眾媒體數(shù)據(jù)等多源數(shù)據(jù)，準(zhǔn)確識(shí)別細(xì)粒度的用戶需求主題。白如江等[7]從主題層次通過相似度計(jì)算融合科技規(guī)劃文本和基金項(xiàng)目文本所蘊(yùn)含的學(xué)科主題，再匯聚、識(shí)別學(xué)科新興主題。劉自強(qiáng)等[19]采用自回歸分布滯后模型，從外部數(shù)量特征、內(nèi)部主題特征兩個(gè)層面分析基金項(xiàng)目文本和學(xué)術(shù)論文主題的擴(kuò)散滯后效應(yīng)，并計(jì)算出兩者之間滯后期為2年。
因此，多源科技文獻(xiàn)融合仍處于前期階段。為滿足新興主題探測(cè)所需數(shù)據(jù)的全面性，研究者將相同時(shí)間跨度內(nèi)的科技文獻(xiàn)與特定分析目標(biāo)相融合，忽略了科技文獻(xiàn)間存在時(shí)滯性。隨著學(xué)科新興主題探測(cè)研究的不斷深入，部分研究者逐漸關(guān)注不同種類科技文獻(xiàn)間存在明顯的時(shí)滯問題。不同種類科技文獻(xiàn)之間的時(shí)滯分析計(jì)算逐步成為當(dāng)下重要的研究點(diǎn)。
3 研究方案
為探索多源科技文獻(xiàn)時(shí)滯性、尋求多源數(shù)據(jù)融合新方案，本文以學(xué)科主題為知識(shí)單元設(shè)計(jì)時(shí)滯計(jì)算方案。首先，從浩繁的學(xué)術(shù)數(shù)據(jù)中獲取多源科技文獻(xiàn)數(shù)據(jù)集，抽取科技文獻(xiàn)摘要，基于主題模型識(shí)別學(xué)科主題，計(jì)算學(xué)科主題相似度構(gòu)建學(xué)科主題相似矩陣；其次，采用匈牙利算法尋求科技文獻(xiàn)最優(yōu)匹配組合，以最優(yōu)匹配組合數(shù)據(jù)為依據(jù)構(gòu)建線性方程，擬合計(jì)算多源科技文獻(xiàn)時(shí)滯程度；最后，探討多源科技文獻(xiàn)時(shí)滯性對(duì)多源科技文獻(xiàn)數(shù)據(jù)融合的啟示。時(shí)滯計(jì)算方案流程如圖1所示。
3.1 數(shù)據(jù)來源
本文獲取基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文和會(huì)議論文共4種多源科技文獻(xiàn)數(shù)據(jù)集?？萍嘉墨I(xiàn)內(nèi)部特征源于內(nèi)容結(jié)構(gòu)，主要包含標(biāo)題（title）、摘要（abstract）、內(nèi)容（content）等，相較于外部特征，多源科技文獻(xiàn)內(nèi)部結(jié)構(gòu)特征相似度較高。本文從微軟學(xué)術(shù)（MAG）、中國知網(wǎng)（CNKI）、美國國家科學(xué)基金（NSF）、中國國家基金（CNSF）等數(shù)據(jù)集抽取農(nóng)業(yè)學(xué)科領(lǐng)域2009—2016年基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文摘要語料數(shù)據(jù)集，具體內(nèi)容如表1所示。
圖1 時(shí)滯計(jì)算方案流程
表1 多源科技文獻(xiàn)數(shù)據(jù)集
3.2 學(xué)科主題識(shí)別
學(xué)科主題識(shí)別是多源科技文獻(xiàn)粒化處理的重要方法，主題模型是一種語義降維技術(shù)，可將文獻(xiàn)所表達(dá)的含義作為隱含變量，借助文檔建模，發(fā)掘文檔所含主題。本文學(xué)科主題識(shí)別過程包含以下步驟：抽取摘要文本、跨語言摘要翻譯、去除停用詞、抽取詞干生成詞袋，然后輸入主題模型識(shí)別多源科技文獻(xiàn)學(xué)科主題。
本文利用困惑度確定LDA主題模型的超參數(shù)K值（預(yù)設(shè)主題數(shù)）。困惑度（perplexity）是衡量一個(gè)語言模型優(yōu)劣常用指標(biāo)，其計(jì)算方法[20]為
其中，p(wd)表示LDA模型生成d篇文檔的概率；M代表文檔數(shù)；N是第d篇文檔的單詞個(gè)數(shù)。
3.3 學(xué)科主題相似度計(jì)算
目前，多源數(shù)據(jù)融合領(lǐng)域的相似度計(jì)算方法多采用余弦相似度算法[6,21]、word2vec詞向量算法、Jaccard系數(shù)[18]等。其中，Jaccard系數(shù)利用詞共現(xiàn)比率表示主題相似度，其值越大，相似度越高。對(duì)于LDA生成概率模型難以避免高頻詞對(duì)主題詞共現(xiàn)比率的影響，Lu等[22]驗(yàn)證了主題詞中高頻詞占比越高，學(xué)科主題特殊性（topic distinctiveness）越低。為了避免低特殊性情況下高相似度對(duì)時(shí)滯計(jì)算的影響，本文采用Jaccard系數(shù)計(jì)算學(xué)科主題共詞強(qiáng)度，同時(shí)融合主題特殊性指標(biāo)優(yōu)化學(xué)科主題相似度計(jì)算過程，具體方法如下。
（1）Modified Jaccard's Coefficient（MJC）。MJC主題相似度計(jì)算方法改進(jìn)于Jaccard系數(shù)（J=|A∩B||A∪B|）。本文以LDA抽取主題的主題詞概率為權(quán)重計(jì)算學(xué)科主題共詞強(qiáng)度，以此表達(dá)主題相似度，表達(dá)式構(gòu)造為其中，αq表示主題q中主題詞wq的概率權(quán)重；βr表示主題r中主題詞wr的概率權(quán)重。
（2）Jensen-Shannon Divergence（JSD）。鑒 于LDA抽取的學(xué)科主題難以避免高頻詞對(duì)主題詞共現(xiàn)比率的影響，本文利用主題特殊性（topic distinctiveness）指標(biāo)降低高頻詞的影響，計(jì)算公式[23]為
其中，q和r分別代表兩個(gè)分布，D(q1(V)||q2(V))表示q1(V)和q2(V)概率分布的相對(duì)熵。
3.4 多源科技文獻(xiàn)時(shí)滯計(jì)算
多源科技文獻(xiàn)時(shí)滯性是一種科技文獻(xiàn)的學(xué)科主題相對(duì)于另一種文獻(xiàn)學(xué)科主題的滯后程度。如果X表示一種科技文獻(xiàn)的年份，Y表示另一種科技文獻(xiàn)的年份，普遍存在連續(xù)多年Y-X=B,那么B表示兩種科技文獻(xiàn)之間存在的時(shí)滯程度。
首先，計(jì)算學(xué)科主題相似度，構(gòu)建相似矩陣；其次，借助匈牙利最優(yōu)匹配算法尋求相似矩陣二分圖最優(yōu)匹配組合；最后，采取線性規(guī)劃思想，通過計(jì)算點(diǎn)到直線距離最小，擬合線性方程（Y-X=B），計(jì)算多源科技文獻(xiàn)時(shí)滯程度，主要內(nèi)容如下：
1）匈牙利最優(yōu)匹配算法。
本文考慮數(shù)據(jù)噪聲的影響，采用匈牙利算法[24]尋求科技文獻(xiàn)間充分相似條件下的最優(yōu)匹配組合，構(gòu)建學(xué)科主題相似矩陣為(si,j)n×n，si,j表示i年科技文獻(xiàn)學(xué)科主題與j年科技文獻(xiàn)學(xué)科主題的相似度，n表示科技文獻(xiàn)時(shí)間跨度，結(jié)合匈牙利算法基本思想構(gòu)建多源科技文獻(xiàn)充分相似最優(yōu)匹配數(shù)學(xué)模型，
其中，Los表示相似度損耗最小，即表達(dá)最大充分相似；n表示科技文獻(xiàn)的時(shí)間跨度；sij表示多源科技文獻(xiàn)i，j年對(duì)應(yīng)的相似度；xij表示對(duì)i年對(duì)應(yīng)j年的匹配標(biāo)記。
2）線性方程模型構(gòu)建及擬合方法
本文的研究問題是計(jì)算兩種科技文獻(xiàn)的時(shí)滯程度，若X表示一種科技文獻(xiàn)的年份值，Y表示另一種科技文獻(xiàn)的年份值，存在連續(xù)多年Y-X=B，那么B表示對(duì)應(yīng)于兩種科技文獻(xiàn)的年份之間存在的固定差值，即時(shí)滯程度。同時(shí)，考慮到年份值為整數(shù)，且各年份相似矩陣為方形對(duì)稱矩陣，結(jié)合理論分析確定線性方程模型為y=x+b，且b為整數(shù)，具體推演如圖2所示。
圖2 線性方程模型推演圖
針對(duì)線性方程y=x+b模型，考慮到b值為整數(shù)，本文通過最優(yōu)匹配組合的坐標(biāo)點(diǎn)到直線方程的距離和最小來求得此模型的參數(shù)b值，計(jì)算公式為
其中，n表示數(shù)據(jù)的時(shí)間跨度；yo和xo表示多源科技文獻(xiàn)的年份值；b為多源科技文獻(xiàn)的時(shí)滯程度值。
衡量數(shù)據(jù)擬合模型好壞的程度稱為擬合優(yōu)度，R2是擬合優(yōu)度的一個(gè)重要統(tǒng)計(jì)量，也稱為決定系數(shù)。R2計(jì)算公式為
其中，y表示觀測(cè)值；y^表示線性方程的擬合值；yˉ表示觀測(cè)值的平均值。
4 實(shí)證及結(jié)果分析
4.1 數(shù)據(jù)準(zhǔn)備
首先，從獲取的基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文中抽取摘要文本，按年份拆分2009—2016年摘要文檔，共分為32份數(shù)據(jù)集。實(shí)驗(yàn)數(shù)據(jù)的具體情況如表2所示。
4.2 學(xué)科主題識(shí)別
本文對(duì)科技文獻(xiàn)摘要語料進(jìn)行分詞、提取詞干，將摘要的原始表達(dá)轉(zhuǎn)化為稀疏向量，然后在LDA主題模型中輸入稀疏向量的語料，通過困惑度指標(biāo)計(jì)算預(yù)設(shè)主題數(shù)，最后識(shí)別學(xué)科主題。
表2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
為了提高主題識(shí)別的準(zhǔn)確度，本文通過實(shí)驗(yàn)確定主題數(shù)據(jù)K值和困惑度perplexity(Dt)的對(duì)應(yīng)關(guān)系，如圖3所示，以2009—2016年期刊論文8份數(shù)據(jù)集為例，其中橫坐標(biāo)代表主題數(shù)（number of topic），縱坐標(biāo)為困惑度（perplexity）。
本文分別計(jì)算基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文各年份困惑度，以主題數(shù)和困惑度所構(gòu)成曲線的拐點(diǎn)處的主題數(shù)作為LDA參數(shù)K的值，抽取的多源科技文獻(xiàn)學(xué)科主題數(shù)量如表3所示。
4.3 學(xué)科主題相似度計(jì)算與矩陣構(gòu)建
本文利用第3.2節(jié)中的MJC和JSD計(jì)算方法，從主題共詞相似和主題特殊性角度計(jì)算學(xué)科主題相似度，以構(gòu)建多源科技文獻(xiàn)年相似矩陣。本文以同年學(xué)科主題相似度的均值來表達(dá)該年份對(duì)應(yīng)的相似度，并以求積的方式MJC×JSD×100計(jì)算學(xué)科主題相似度，計(jì)算結(jié)果如表4～表6所示。
4.4 基于匈牙利算法的科技文獻(xiàn)時(shí)滯分析
由于匈牙利最優(yōu)匹配是以組合和最小為條件尋求最優(yōu)匹配組合，本文采用定值取反（0.5-MJC×JSD×100）轉(zhuǎn)換矩陣輸入匈牙利最優(yōu)匹配算法從40320種組合中探尋出損耗最小組合?；痦?xiàng)目文本-期刊論文、專利文獻(xiàn)-期刊論文、會(huì)議論文-期刊論文科技文獻(xiàn)組合的最優(yōu)匹配組合，分別如表7～表9中灰色加粗標(biāo)記所示。
根據(jù)最優(yōu)匹配組合得出xo、yo觀測(cè)值并清除異常值，通過利用第3.4節(jié)中公式(5)計(jì)算觀測(cè)值到線性方程模型的距離。在使得距離和最小的條件下，計(jì)算出時(shí)滯程度b的值，如表10所示（灰色加粗表示距離和最小值）。
圖3 以“期刊論文”為例的困惑度圖
表3 學(xué)科主題數(shù)量
最后，利用R2計(jì)算公式衡量線性方程模型的擬合程度，擬合結(jié)果如圖4所示。
從圖4可知，時(shí)滯計(jì)算結(jié)果為基金項(xiàng)目文本-期刊論文、專利文獻(xiàn)-期刊論文、會(huì)議論文-期刊論文的時(shí)滯值分別為1、-1、1，即基金項(xiàng)目文本的學(xué)科主題一般早于期刊論文1年呈現(xiàn)，專利文獻(xiàn)中的學(xué)科主題滯后于期刊論文1年，會(huì)議論文中的學(xué)科主題普遍早于期刊論文1年發(fā)布。該實(shí)證結(jié)果分別與文獻(xiàn)[6]得出的在石墨烯領(lǐng)域“基金項(xiàng)目文本與期刊論文間存在正相關(guān)”和“專利數(shù)據(jù)與基金項(xiàng)目文本呈現(xiàn)明顯的滯后性”，文獻(xiàn)[19]計(jì)算出在人工智能領(lǐng)域“期刊論文對(duì)基金項(xiàng)目文本的滯后期為2年”，文獻(xiàn)[4]統(tǒng)計(jì)發(fā)現(xiàn)的“we find that conferences lead journals by 87.64%”等結(jié)果趨勢(shì)相互印證，同時(shí)也說明了本文時(shí)滯性計(jì)算方法可行且有效。
表4 基金項(xiàng)目文本-期刊論文主題相似矩陣
表5 專利文獻(xiàn)-期刊論文主題相似矩陣
表6 會(huì)議論文-期刊論文主題相似矩陣
表7 基金項(xiàng)目文本-期刊論文最優(yōu)組合
表8 專利文獻(xiàn)-期刊論文相似矩陣最優(yōu)組合
表9 會(huì)議論文-期刊論文相似矩陣最優(yōu)組合
表10 時(shí)滯程度b對(duì)應(yīng)的距離和最小值
圖4 擬合后的線性方程圖
5 面向新興主題探測(cè)領(lǐng)域的啟示
多源科技文獻(xiàn)是新興主題探測(cè)的重要數(shù)據(jù)來源，以往匯聚同年份多源科技文獻(xiàn)抽取學(xué)科主題的方式缺乏考慮多源科技文獻(xiàn)間的時(shí)滯性。信息的載體形式、信息生產(chǎn)方式、傳播途徑等因素都可帶來多源科技文獻(xiàn)之間的時(shí)滯性問題。多源科技文獻(xiàn)時(shí)滯計(jì)算方法的探索為新興主題探測(cè)過程中的數(shù)據(jù)獲取、學(xué)科主題識(shí)別提供新思路、新啟示，具體如下：
（1）學(xué)科新興主題探測(cè)的基本任務(wù)是獲取全面、完整的多源數(shù)據(jù)，及時(shí)探測(cè)學(xué)科領(lǐng)域未來科學(xué)研究與技術(shù)的發(fā)展趨勢(shì)。單一來源科技文獻(xiàn)數(shù)據(jù)難以保證數(shù)據(jù)的完整性，但多源科技文獻(xiàn)在提升數(shù)據(jù)完整性的同時(shí)，也帶來了多源數(shù)據(jù)融合問題。
（2）新穎性（novelty）是新興主題判定的重要依據(jù)，多源科技文獻(xiàn)時(shí)滯計(jì)算將指引學(xué)科新興主題探測(cè)過程中數(shù)據(jù)集的獲取方向，掌握前沿?cái)?shù)據(jù)。同時(shí)，探究不同地域、科研體制對(duì)多源科技文獻(xiàn)之間時(shí)滯性的影響，以便緊跟國際科技前沿。
（3）學(xué)科主題識(shí)別是學(xué)科新興主題探測(cè)的基礎(chǔ)，影響多源科技文獻(xiàn)融合策略的制定。融入時(shí)滯計(jì)算的多源科技文獻(xiàn)融合策略包括兩種方式：其一，從學(xué)科主題知識(shí)單元層面，根據(jù)學(xué)科主題知識(shí)關(guān)聯(lián)強(qiáng)度設(shè)定關(guān)聯(lián)強(qiáng)度閾值，以此對(duì)不同數(shù)據(jù)源的學(xué)科主題進(jìn)行融合；其二，以時(shí)滯程度為歸類標(biāo)準(zhǔn)，直接匯聚不同年份多源科技文獻(xiàn)數(shù)據(jù)集，然后識(shí)別學(xué)科主題。
6 總結(jié)
本文面向新興主題探測(cè)領(lǐng)域探究多源科技文獻(xiàn)時(shí)滯性，以基金項(xiàng)目文本、專利文獻(xiàn)、期刊論文、會(huì)議論文摘要數(shù)據(jù)為驅(qū)動(dòng)，構(gòu)建科技文獻(xiàn)時(shí)滯計(jì)算流程：首先，選取主題模型借助困惑度評(píng)價(jià)指標(biāo)，以年為單位識(shí)別科技文獻(xiàn)學(xué)科主題，然后綜合利用MJC和JSD方法計(jì)算相似度，構(gòu)建多源科技文獻(xiàn)學(xué)科主題相似矩陣；其次，在相似矩陣二分圖匹配和最大條件下，利用匈牙利最優(yōu)匹配算法求得最優(yōu)匹配組合；再次，通過線性回歸與推演分析，構(gòu)建線性方程y=x+b，進(jìn)而擬合計(jì)算多源科技文獻(xiàn)的時(shí)滯程度；最后，與前人研究結(jié)論進(jìn)行對(duì)比分析，盡管面向不同的學(xué)科領(lǐng)域，但不同種類科技文獻(xiàn)間的時(shí)滯趨勢(shì)相同，即期刊論文滯后于基金項(xiàng)目文本和會(huì)議論文，專利文獻(xiàn)滯后于期刊論文。
多源科技文獻(xiàn)時(shí)滯性將影響多源科技文獻(xiàn)融合效果，同時(shí)也為多源科技文獻(xiàn)融合策略的制定提供新思路和新方法。本文引入多源科技文獻(xiàn)時(shí)滯性計(jì)算方法，對(duì)多源科技文獻(xiàn)數(shù)據(jù)集獲取方向以及學(xué)科主題融合策略的制定有所啟示。
猜你喜歡
心肺血管病雜志(2020年3期)2020-12-09 07:06:13
數(shù)學(xué)物理學(xué)報(bào)(2020年5期)2020-11-26 06:06:48
國際放射醫(yī)學(xué)核醫(yī)學(xué)雜志(2020年4期)2020-07-27 01:53:28
國際放射醫(yī)學(xué)核醫(yī)學(xué)雜志(2020年4期)2020-07-27 01:53:22
圖書館理論與實(shí)踐(2015年7期)2016-01-19 02:52:50
重慶開放大學(xué)學(xué)報(bào)(2015年4期)2015-12-23 03:52:23
四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版)(2015年2期)2015-02-28 14:07:40
應(yīng)用數(shù)學(xué)與計(jì)算數(shù)學(xué)學(xué)報(bào)(2014年3期)2014-09-26 12:03:52
中國醫(yī)藥科學(xué)(2012年10期)2012-11-04 05:15:32
中國醫(yī)藥科學(xué)(2012年8期)2012-11-04 05:15:28
- 情報(bào)學(xué)報(bào)的其它文章
- 基于群體智慧理論的協(xié)同標(biāo)注信息行為機(jī)理研究
——以豆瓣電影標(biāo)簽數(shù)據(jù)為例 - 螺旋式與直線式：在線健康醫(yī)療平臺(tái)用戶與醫(yī)生交互模式研究
- 跨源健康信息搜尋的動(dòng)機(jī)、信息源選擇及行為路徑
- 電子政務(wù)領(lǐng)域中文術(shù)語層次關(guān)系識(shí)別研究
- 基于RFM模型和隨機(jī)行動(dòng)者導(dǎo)向模型的技術(shù)機(jī)會(huì)識(shí)別
- 學(xué)術(shù)文本詞匯功能識(shí)別
——基于標(biāo)題生成策略和注意力機(jī)制的問題方法抽取