面向融合出版前沿主題發(fā)現(xiàn)的學(xué)術(shù)論文未來工作句挖掘研究

謝林蕾 向熠 章成志,2

1. 南京理工大學(xué)經(jīng)濟(jì)管理學(xué)院信息管理系 南京 210094

2. 富媒體數(shù)字出版內(nèi)容組織與知識(shí)服務(wù)重點(diǎn)實(shí)驗(yàn)室 北京 100038

引言

近年來，隨著數(shù)字化技術(shù)的快速發(fā)展，傳統(tǒng)出版業(yè)愈發(fā)受到數(shù)字出版的沖擊，它們開始主動(dòng)尋求與數(shù)字出版的“融合”[1]。在此背景下，“融合出版”模式應(yīng)運(yùn)而生。作為一種新興的出版模式，融合出版可實(shí)現(xiàn)傳統(tǒng)出版與數(shù)字出版的共贏。借助互聯(lián)網(wǎng)等技術(shù)傳播快、成本低、影響力大的優(yōu)勢(shì)[2]，融合出版可改善傳統(tǒng)出版內(nèi)容有限、發(fā)行渠道單一、出版周期較長(zhǎng)且更新較慢的缺點(diǎn)[3-4]，更好地促進(jìn)知識(shí)傳播。自2014 年以來，融合出版開始引起學(xué)者的關(guān)注。之后，關(guān)于融合出版的相關(guān)研究文獻(xiàn)數(shù)量不斷增長(zhǎng)。根據(jù)關(guān)鍵詞知網(wǎng)節(jié)的統(tǒng)計(jì)結(jié)果顯示，知網(wǎng)文獻(xiàn)庫中每年發(fā)表的中文文獻(xiàn)數(shù)量從2017 年前的不足10 篇已增長(zhǎng)到現(xiàn)今的100 篇以上，2022 年相關(guān)文獻(xiàn)數(shù)量已達(dá)125 篇①檢索日期為2023 年8 月16 日。面對(duì)融合出版領(lǐng)域科技文獻(xiàn)數(shù)量爆炸式增長(zhǎng)的現(xiàn)象，前沿研究愈發(fā)表現(xiàn)出其必要性。然而，如何對(duì)研究前沿進(jìn)行更為精準(zhǔn)的定位是科研工作者在科研選題時(shí)經(jīng)常面臨的問題。未來研究能夠盡早捕捉研究領(lǐng)域未來的新興與熱點(diǎn)話題，幫助科研人員確定研究領(lǐng)域與對(duì)象，有針對(duì)性地開展研究。

學(xué)者通常在學(xué)術(shù)論文最后提出論文的未來研究工作展望，表明今后進(jìn)一步的研究工作方向。本文將論文中描述未來研究工作的句子稱為“未來工作句”。系統(tǒng)性梳理和歸納特定領(lǐng)域的未來工作句，可以輔助我們更好地預(yù)測(cè)該領(lǐng)域的未來發(fā)展趨勢(shì)，為科研選題等提供有價(jià)值的參考。

本文以融合出版領(lǐng)域?yàn)檠芯繉?duì)象，從該領(lǐng)域的學(xué)術(shù)論文中抽取未來工作句并進(jìn)行分類，構(gòu)建未來工作句識(shí)別與分類語料庫，并在此基礎(chǔ)上訓(xùn)練機(jī)器學(xué)習(xí)模型從而實(shí)現(xiàn)未來工作句的自動(dòng)識(shí)別。另外，本文基于未來工作句分類語料庫對(duì)不同類別進(jìn)行分析，深入探究該領(lǐng)域的發(fā)展?fàn)顩r。該文研究可為融合出版領(lǐng)域未來發(fā)展提供一定的借鑒。

1 相關(guān)研究概述

與本文相關(guān)的研究包括融合出版研究和未來工作句研究，本節(jié)從這兩個(gè)角度對(duì)相關(guān)工作進(jìn)行概述。

1.1 融合出版研究概述

國(guó)內(nèi)對(duì)“融合出版”的針對(duì)性研究要追溯到2014 年[5]。曹繼東[5]提出，“融合出版”是在“媒介融合”學(xué)術(shù)語境下，順應(yīng)中國(guó)出版融合發(fā)展趨勢(shì)，基于數(shù)字化技術(shù)和互聯(lián)網(wǎng)思維產(chǎn)生的新興出版現(xiàn)象，是解決傳統(tǒng)出版和數(shù)字出版融合發(fā)展問題的新興出版范式。

此前，國(guó)內(nèi)在數(shù)字技術(shù)融合與出版創(chuàng)新這一領(lǐng)域的研究對(duì)象主要是媒介融合與出版融合。媒介融合(Media Convergence) 的概念源于美國(guó)，1983 年美國(guó)馬薩諸塞州理工大學(xué)的浦爾教授[6]在其《自由的科技》一書首次正式提出媒介融合的概念。2005 年，媒介融合的概念經(jīng)蔡雯教授引入到國(guó)內(nèi)。在她發(fā)表的有關(guān)“媒介融合”與“融合媒介”的文章中，引入了美國(guó)新聞學(xué)會(huì)媒介研究中心主任[7]對(duì)“融合媒介”的定義——印刷的、音頻的、視頻的、互動(dòng)性數(shù)字媒體組織之間的戰(zhàn)略的、操作的、文化的聯(lián)盟。然而，媒介融合與融合出版存在較大差異。媒介融合的研究主要側(cè)重在新聞傳媒業(yè)和電信業(yè)等的融合，較少涉及書刊出版業(yè)[8]。在該思想啟發(fā)下，從出版的視角出發(fā)，出版業(yè)也被指出有探索和實(shí)踐融合發(fā)展的需要與必然[9]。

2010 年起，國(guó)內(nèi)逐漸興起關(guān)于數(shù)字出版與傳統(tǒng)出版融合的研究。2011 年，《新聞出版業(yè)“十二五”時(shí)期發(fā)展規(guī)劃》等都將數(shù)字出版納入重要扶持領(lǐng)域，加快傳統(tǒng)出版與數(shù)字出版的融合發(fā)展成為“十二五”時(shí)期產(chǎn)業(yè)發(fā)展的新目標(biāo)[10]。2012 年，開始有“出版融合”這一概念。在新聞出版體制改革和媒介融合背景下，出版融合成為新聞出版業(yè)的發(fā)展方向。但是同樣，其與“融合出版”仍是兩個(gè)不同的概念，前者側(cè)重于“融合”而后者則更側(cè)重于“出版”[11]。

融合出版作為一種建構(gòu)在數(shù)字化技術(shù)和互聯(lián)網(wǎng)平臺(tái)基礎(chǔ)上的新興出版范式[5]，要求傳統(tǒng)出版與新興出版在內(nèi)容、渠道、平臺(tái)、經(jīng)營(yíng)、管理等方面進(jìn)行深度融合[12]。融合出版的目的在于實(shí)現(xiàn)出版內(nèi)容、技術(shù)應(yīng)用、平臺(tái)終端、人才隊(duì)伍的共享融通，從而構(gòu)建組織結(jié)構(gòu)、傳播體系和管理體系一體化發(fā)展路徑[8]。但這個(gè)新名詞提出之后的幾年間相關(guān)研究寥寥無幾。據(jù)知網(wǎng)文獻(xiàn)庫的中文文獻(xiàn)統(tǒng)計(jì)結(jié)果顯示，2019年后，國(guó)內(nèi)有關(guān)“融合出版”的研究數(shù)量才有了較大幅度的增長(zhǎng)，2020 年發(fā)表的文獻(xiàn)數(shù)量已超百篇，且較2019 年幾乎翻了一番。至今，融合出版已成為較為熱門的研究話題。越來越多研究者關(guān)注融合出版背景下優(yōu)秀人才的培養(yǎng)[13-16]，圖書編輯的素養(yǎng)提高[17-20]以及版權(quán)保護(hù)工作等[21]。然而，融合出版領(lǐng)域發(fā)展速度還是相對(duì)較慢，傳統(tǒng)出版業(yè)的數(shù)字化轉(zhuǎn)型正面臨比較大的技術(shù)困境[22]，人才建設(shè)和機(jī)制創(chuàng)新上也有待突破。因此，我們需要更加精準(zhǔn)定位該領(lǐng)域的未來研究方向，從而促進(jìn)該領(lǐng)域更好更快發(fā)展。但目前國(guó)內(nèi)幾乎還沒有研究者關(guān)注融合出版的未來研究，為彌補(bǔ)這一缺失，本文將從此角度出發(fā)，結(jié)合機(jī)器學(xué)習(xí)對(duì)融合出版領(lǐng)域進(jìn)行深入探索。

1.2 未來工作研究概述

國(guó)內(nèi)外現(xiàn)如今針對(duì)未來工作方面的研究數(shù)量相對(duì)較少。Hu 等[23]在2015 年以信息檢索、文本挖掘和數(shù)字圖書館領(lǐng)域?yàn)槔?，開展未來工作挖掘問題。他們通過一種基于正則表達(dá)式的方法抽取學(xué)術(shù)文本中的未來工作句，并將其定義為問題、方法、評(píng)估和其他四個(gè)類別，通過對(duì)比不同特征與機(jī)器學(xué)習(xí)模型的組合，實(shí)現(xiàn)不同領(lǐng)域的未來工作句分類。這是對(duì)論文中的未來工作句展開的首次探索，其創(chuàng)新性研究成果極大地推動(dòng)了未來工作的開展。

隨后，Li 等[24]利用人工設(shè)定規(guī)則來識(shí)別未來工作句，從中提煉出關(guān)鍵詞并與標(biāo)題和摘要中關(guān)鍵詞進(jìn)行匹配，從而得到不同領(lǐng)域文獻(xiàn)與未來工作二者的概念上的聯(lián)系。Zhu 等[25]使用深度學(xué)習(xí)模型BERT 對(duì)2006—2016 年間JASIST 期刊論文上的1579 篇論文進(jìn)行未來工作句抽取，并用層次聚類方法確定了未來工作句的四種類別，即支持性的、方法性的、識(shí)別潛在影響因素的和提出未來目標(biāo)的。之后，也有一些研究人員開始使用規(guī)則匹配和BERT 相結(jié)合的方法來提取未來工作句[26]。近幾年Zhang等[27]使用機(jī)器學(xué)習(xí)模型對(duì)NLP 領(lǐng)域?qū)W術(shù)論文的未來工作句進(jìn)行研究，成功訓(xùn)練出具有較優(yōu)性能的自動(dòng)識(shí)別與分類模型[25,27-29]。但總體來看，針對(duì)未來工作句的研究數(shù)量較少，其大多是基于規(guī)則和統(tǒng)計(jì)的方法?；谝?guī)則的方法的優(yōu)勢(shì)在于分類精度高，操作也比較靈活方便，但規(guī)則必須具備足夠的代表性。而且，隨著類目的擴(kuò)大，需要設(shè)置的規(guī)則數(shù)量也會(huì)增加，從而使得規(guī)則的維護(hù)變得更加困難[30]。而基于機(jī)器學(xué)習(xí)的方法從一定程度上可以解決這些問題。本研究中也采用基于機(jī)器學(xué)習(xí)的方法進(jìn)行未來工作句挖掘研究。機(jī)器學(xué)習(xí)相較于以往傳統(tǒng)方法在文本分類任務(wù)上往往都能表現(xiàn)出較好的性能。但是，使用單一模型進(jìn)行分類難以全面地對(duì)文本進(jìn)行特征提取，而且易忽略上下文語義關(guān)系，從而導(dǎo)致模型的分類效果欠佳[31]。近幾年越來越多的研究者開始探索模型的改進(jìn)與融合，以提高分類效果[31]。

2 研究?jī)?nèi)容

本研究通過對(duì)融合出版領(lǐng)域的學(xué)術(shù)論文未來工作句進(jìn)行挖掘研究來分析該領(lǐng)域的未來研究趨勢(shì)，探測(cè)融合出版領(lǐng)域的前沿主題，發(fā)現(xiàn)該領(lǐng)域新興與熱點(diǎn)話題。研究以知網(wǎng)文獻(xiàn)庫中的融合出版領(lǐng)域中文論文全文本為數(shù)據(jù)來源，利用人工標(biāo)注得到未來工作句識(shí)別與分類語料庫；之后在識(shí)別語料庫上使用支持向量機(jī)、樸素貝葉斯和隨機(jī)森林三種機(jī)器學(xué)習(xí)模型與SelectKBest 特征選擇方法結(jié)合訓(xùn)練性能最優(yōu)的未來工作句自動(dòng)識(shí)別模型；最后在分類語料庫基礎(chǔ)上針對(duì)未來工作句類別進(jìn)行進(jìn)一步占比與統(tǒng)計(jì)分析。本文的研究框架如圖1 所示。

圖1 研究框架圖

2.1 語料標(biāo)注與預(yù)處理

2.1.1 用于未來工作句識(shí)別的分類語料標(biāo)注

由于本研究的研究對(duì)象是融合出版領(lǐng)域的論文，為了保證數(shù)據(jù)的準(zhǔn)確性與領(lǐng)域特性，本研究采用知網(wǎng)中通過查詢?cè)~為“融合出版”的篇名搜索得到的融合出版論文為研究對(duì)象，從人工篩選(篩選過程中過濾篇名中“融合出版”沒有作為整體出現(xiàn)的論文)后得到的447 篇文章中抽取研究數(shù)據(jù)構(gòu)建未來工作句語料庫。未來工作句的標(biāo)注主要分兩個(gè)階段，第一階段抽取期刊論文的未來工作相關(guān)章節(jié)，第二階段從相關(guān)章節(jié)中抽取未來工作句。

第一階段是未來工作相關(guān)章節(jié)抽取。在抽取工作前，筆者觀察過大量該領(lǐng)域相關(guān)論文，發(fā)現(xiàn)未來工作句出現(xiàn)的位置幾乎都是文章末尾部分章節(jié)。這些章節(jié)主要分成兩種情況，一種是作者將未來工作單獨(dú)用一個(gè)章節(jié)來說明，章節(jié)名諸如“未來展望”“未來工作”等；另一類則是將未來工作放在文章總結(jié)性章節(jié)來論述，章節(jié)名諸如“小結(jié)”“總結(jié)”“結(jié)論”等。因此，本研究從論文的這些章節(jié)中抽取未來工作相關(guān)章節(jié)。之后筆者使用人工抽取的方式將每篇文章的篇名、發(fā)表年份以及未來工作相關(guān)章節(jié)抽出后用同一張工作表進(jìn)行存儲(chǔ)，方便后續(xù)的研究與分析。

第二階段是未來工作句抽取，我們?cè)谥皹?gòu)建的工作表的基礎(chǔ)上進(jìn)行后續(xù)的未來工作句抽取工作。通過對(duì)語料進(jìn)行分析，總結(jié)出未來工作句總體特征，并且參考先前研究者在NLP領(lǐng)域的研究成果[27]，總結(jié)出針對(duì)本研究語料庫內(nèi)未來工作句的判別標(biāo)準(zhǔn)。未來工作句的判別標(biāo)準(zhǔn)主要分成以下三種：

（1）對(duì)未來工作的直接提及，如“在未來工作中將進(jìn)一步探尋…” “未來還需…”。例句：“目前科技期刊傳統(tǒng)出版亟待數(shù)字化轉(zhuǎn)型，而信息產(chǎn)業(yè)的數(shù)字出版還不成熟，足以看出擁有全面數(shù)字化特征的科技期刊融合出版模式將成為未來的發(fā)展方向[32]。”

（2）包含引出未來工作的詞語，如“后續(xù)我們將…” “下一步我們將…”。例句：“因此，如何培養(yǎng)兼具專業(yè)知識(shí)和新媒體操作技能的“兩棲型”期刊編輯人才是后續(xù)研究的重要方向[33]?！?/p>

（3）承上啟下的連接句，如“本研究還需進(jìn)一步完善和深入” “未來的研究工作將具體包含以下幾個(gè)方面”。例句：“但是仍有不少可以開拓的空間[34]?！?/p>

本研究中，未來工作句抽取與標(biāo)注過程嚴(yán)格按照標(biāo)注規(guī)范進(jìn)行，此階段主要是人工識(shí)別與標(biāo)注，最終標(biāo)注出未來工作句共216 句。另外，我們也標(biāo)注出非未來工作句共388 句，最終形成標(biāo)注語料庫情況如表1 所示。

表1 標(biāo)注語料庫統(tǒng)計(jì)表

2.1.2 用于未來工作句類型分類的語料標(biāo)注

為了更加深入了解融合出版領(lǐng)域的研究現(xiàn)狀，從而更精準(zhǔn)定位其未來研究方向，本研究對(duì)于未來工作句集依據(jù)事先構(gòu)建好的分類體系人工判定類別，形成本研究的未來工作句類型分類語料庫。本研究首先對(duì)語料進(jìn)行閱讀與分析，發(fā)現(xiàn)此語料與先前研究者在對(duì)NLP 領(lǐng)域的未來工作句自動(dòng)識(shí)別與分類研究[27]中采取的分類體系較為契合。該分類體系基于扎根理論構(gòu)建，研究者將未來工作句分為方法、資源、評(píng)估、應(yīng)用、問題和其他六大類別。本研究選取融合出版領(lǐng)域部分未來工作句進(jìn)行預(yù)標(biāo)注后發(fā)現(xiàn)，由于語料的領(lǐng)域特性，某些句子按照此分類體系歸類不是很恰當(dāng)。因此，我們?cè)诖朔诸惢A(chǔ)上增設(shè)“管理手段”和“工具”兩大類別，并在“管理手段”下設(shè)置了“人員”和“管理制度”兩個(gè)子類別，具體分類標(biāo)準(zhǔn)如表2 所示。

表2 未來工作句分類表

2.1.3 數(shù)據(jù)預(yù)處理

經(jīng)過預(yù)處理的數(shù)據(jù)，可以獲得更加準(zhǔn)確的語言特征，從而更好地支持機(jī)器學(xué)習(xí)模型的訓(xùn)練，并且能更加快速地獲得更為準(zhǔn)確的訓(xùn)練結(jié)果。為此，我們必須先完成數(shù)據(jù)的清洗、分詞、去停用詞等工作，從而為機(jī)器學(xué)習(xí)的準(zhǔn)確性奠定堅(jiān)實(shí)基礎(chǔ)。

（1）數(shù)據(jù)清洗

本文首先需要對(duì)文本進(jìn)行一些去空去重操作，即處理一些無意義的空格、空行，其次，去除一些無用的標(biāo)點(diǎn)符號(hào)，以方便后續(xù)進(jìn)一步數(shù)據(jù)處理。

（2）分詞

由于中文沒有明確的句子分割標(biāo)準(zhǔn)，因此需要使用更復(fù)雜的分詞模型進(jìn)行分析。本研究使用jieba①https://pypi.org/project/jieba/進(jìn)行中文文本的分詞。為了提高分詞的準(zhǔn)確性，本文通過去停用詞來進(jìn)行分詞的優(yōu)化。

2.2 模型建立與訓(xùn)練

2.2.1 文本表示

通過使用文本表示，我們可以把數(shù)據(jù)轉(zhuǎn)換成計(jì)算機(jī)能處理的形態(tài)，比如向量或矩陣。本文采用的離散式中的TF-IDF[35]，它是最為常用的文本特征權(quán)重計(jì)算方法。TF-IDF 可以用以評(píng)估文檔集合中的某個(gè)字詞或是語料庫中的某份文檔中的某個(gè)字詞的重要程度。當(dāng)某個(gè)詞在一篇文章中出現(xiàn)的頻率TF 高，并且極少出現(xiàn)在其他文檔中，則我們可以判斷此詞具有出色的類別區(qū)分能力[36]，其計(jì)算公式如下：

其中，Wi,j表示文檔j中第i項(xiàng)詞項(xiàng)的權(quán)重，N則表示集合中的文檔數(shù)量，此外，tfi,j表示文檔j中第i個(gè)詞的詞頻，dfi表示集合中出現(xiàn)當(dāng)前詞項(xiàng)wi的文檔數(shù)[37]。

2.2.2 文本特征選擇

特征選擇可以減少冗余特征,保留具有較強(qiáng)區(qū)分能力的特征從而提高分類器的表現(xiàn)并且防止分類器過擬合[38]。其方法可以歸納為三類：過濾式、包裹式和嵌入式[39]。

特征選擇方法種類很多，本研究中主要采用SelectKBest。原因在于其他常用算法如特征遞歸消除算法（Recursive Feature Elimination，RFE）和隨機(jī)森林（Random Forest, RF）等，分別存在穩(wěn)定性和選擇偏向的問題[40]。SelectKBest 是一種基于統(tǒng)計(jì)學(xué)原理的過濾式特征選擇方法[41]，用于從n 堆數(shù)據(jù)中尋求價(jià)值最優(yōu)的k類數(shù)據(jù)[42]。它可以根據(jù)給定的評(píng)價(jià)函數(shù)和得分，來選擇和排名特征。在使用SelectKBest 時(shí)，如果數(shù)據(jù)集中含有不止一個(gè)特征，可以采取評(píng)分函數(shù)進(jìn)行特征篩選[43]。在本研究中，采用卡方檢驗(yàn)（Chi-Squared Test)作為評(píng)分函數(shù)。此種特征選擇方法在分類任務(wù)上已有成功應(yīng)用[44-45]。

2.2.3 文本分類模型訓(xùn)練

未來工作句自動(dòng)識(shí)別任務(wù)本質(zhì)上屬于二分類問題。在本實(shí)驗(yàn)中，我們選擇采用支持向量機(jī)（Support Vector Machine，SVM）、樸素貝葉斯（Naive Bayesian，NB）和隨機(jī)森林訓(xùn)練未來工作句自動(dòng)識(shí)別模型，通過對(duì)比模型性能選擇最優(yōu)模型。

支持向量機(jī)是一類廣義線性分類器，它采用監(jiān)督學(xué)習(xí)的方式對(duì)數(shù)據(jù)進(jìn)行二元分類。SVM首先利用以內(nèi)積函數(shù)進(jìn)行定義的非線性變換將輸入空間變換到一個(gè)高維空間，之后在這個(gè)空間中來求解（廣義）最優(yōu)分類面[46]。在本實(shí)驗(yàn)中，采用核函數(shù)為linear 的LinearSVC 模型，最大迭代次數(shù)maxiter 設(shè)為5000，懲罰參數(shù)C 設(shè)為1.0。

樸素貝葉斯是一種基于概率統(tǒng)計(jì)的機(jī)器學(xué)習(xí)算法，其原理在于通過類別的先驗(yàn)概率以及特征分布相對(duì)于類別的條件概率來計(jì)算未知文檔屬于某一類別的概率[47]。本實(shí)驗(yàn)中選擇的是伯努利樸素貝葉斯(BernoulliNB)，拉普拉斯平滑系數(shù)alpha 設(shè)為0.0001。

隨機(jī)森林是一種具有較高預(yù)測(cè)準(zhǔn)確率的抽樣方法，利用bootstrap 重抽樣方法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測(cè)，通過投票得出最終預(yù)測(cè)結(jié)果。本實(shí)驗(yàn)中基評(píng)估器數(shù)量n_estimators 設(shè)為200。

3 結(jié)果分析

本節(jié)中我們結(jié)合未來工作句自動(dòng)識(shí)別模型的訓(xùn)練結(jié)果和未來工作句類別進(jìn)行進(jìn)一步分析。

3.1 未來工作句自動(dòng)識(shí)別模型訓(xùn)練結(jié)果評(píng)估

在研究過程中，需要對(duì)模型進(jìn)行評(píng)估。通過采用K 折交叉驗(yàn)證（K-Floder Cross Validation）[49]，我們可以將大量的數(shù)據(jù)加入模型的訓(xùn)練和預(yù)測(cè)，同時(shí)避免劃分訓(xùn)練集和測(cè)試集時(shí)的隨機(jī)性，從而大大減少模型的不準(zhǔn)確性，并且更好地體現(xiàn)出交叉驗(yàn)證的概念。

本研究將數(shù)據(jù)集按9：1 劃分為訓(xùn)練集和測(cè)試集，進(jìn)行十折交叉驗(yàn)證[50]，并將結(jié)果進(jìn)行平均，來比較判別分類模型的優(yōu)劣。

在本研究中，我們將正確率（Accuracy)、精確度(Precision)、召回率(Recall)以及F1值作為評(píng)估指標(biāo)[51]，以期獲得更準(zhǔn)確的結(jié)果。

以上指標(biāo)的詳細(xì)定義如下：

由于精確率和召回率是一對(duì)矛盾的度量，模型評(píng)估中又往往需要同時(shí)考慮這兩項(xiàng)指標(biāo)，F(xiàn)1值即為人們?cè)O(shè)計(jì)的滿足這一需要的性能度量指標(biāo)[52]。故本實(shí)驗(yàn)中我們最終以F1值來選定最優(yōu)模型。

3.2 未來工作句自動(dòng)識(shí)別實(shí)驗(yàn)結(jié)果分析

我們將LinearSVC、BernoulliNB 和RF 三種模型分別與SelectKBest 特征選擇方法進(jìn)行組合，使用網(wǎng)格搜索的方法調(diào)整超參數(shù)k。

以LinearSVC 模型的超參數(shù)k 的調(diào)整為例，我們首先將起點(diǎn)與終點(diǎn)分別設(shè)為100 和1500，步長(zhǎng)設(shè)為40，得到k 在（460，620）內(nèi)取值模型性能可能最優(yōu)，如圖2（a）所示，之后我們?cè)冢?60，620）區(qū)間上將步長(zhǎng)設(shè)為10 繼續(xù)調(diào)參，得到k 的最優(yōu)取值區(qū)間為（510，550），如圖2（b）所示，本實(shí)驗(yàn)中我們?nèi)?30 作為k 值。

圖2 LinearSVC 模型k 值調(diào)整驗(yàn)證曲線

根據(jù)調(diào)整結(jié)果，最終得到k 值為530 時(shí)，LinearSVC 性能最優(yōu)，加權(quán)平均F1達(dá)到了92.08%；k 值為48 時(shí)，BeroulliNB 性能最優(yōu)，加權(quán)平均F1達(dá)到了91.77%；k 值為192 時(shí)，RF性能最優(yōu)，加權(quán)平均F1達(dá)到了88.91%。具體結(jié)果如表3 所示。

表3 未來工作句自動(dòng)識(shí)別模型訓(xùn)練結(jié)果評(píng)估

對(duì)比支持向量機(jī)、樸素貝葉斯和隨機(jī)森林三種模型的訓(xùn)練結(jié)果，我們得到LinearSVC 模型在未來工作句自動(dòng)識(shí)別任務(wù)中性能最佳，加權(quán)平均F1值達(dá)到92.08%。這表明此模型可以很有效地區(qū)分未來工作句和非未來工作句。今后我們可以使用此模型在更大規(guī)模語料庫中進(jìn)行未來工作句的自動(dòng)識(shí)別，比人工抽取能節(jié)省更多時(shí)間與精力。

3.3 未來工作句類別分析

在未來工作句類別標(biāo)注過程中，為了控制標(biāo)注質(zhì)量，我們采用雙人隔離標(biāo)注的方式，之后將結(jié)果進(jìn)行對(duì)比，出現(xiàn)分歧時(shí)，通過小組討論或者專家評(píng)議確定最終結(jié)果，確保標(biāo)注的一致性；并且，標(biāo)注結(jié)果再經(jīng)由專家審核，從而保證標(biāo)注質(zhì)量。由于每個(gè)未來工作句都只能標(biāo)注唯一的類別標(biāo)簽，若一個(gè)句子中含有多于一種類別的未來工作句，則需要拆分后再進(jìn)行類別標(biāo)注。我們?cè)跇?biāo)注后得到的分類語料庫基礎(chǔ)上對(duì)未來工作句類別進(jìn)行進(jìn)一步探究，主要包括未來工作句類別占比分析和分布分析。

3.3.1 未來工作句類別占比分析

（1）一級(jí)類目類別占比分析

筆者針對(duì)未來工作句識(shí)別語料庫中的未來工作句類別占比進(jìn)行統(tǒng)計(jì)，結(jié)果如圖3 所示。

圖3 未來工作句類別分布圖

從圖3 中可以看出，方法類未來工作句占比最大，這表明，融合出版領(lǐng)域的研究者對(duì)于方法的改進(jìn)與創(chuàng)新較為重視，關(guān)注新方法的探索，體系的建立與維護(hù)等。其次，問題類、管理手段和工具類未來工作句也占有一定比例，說明研究者也較關(guān)注該領(lǐng)域尚未解決的難題，并關(guān)心人員管理以及管理手段上的革新。同時(shí)，希望利用軟件、平臺(tái)和工具來加速融合出版領(lǐng)域的發(fā)展。但是，我們不難發(fā)現(xiàn)，評(píng)估類和資源類未來工作句占很小，僅有1%，這一方面表明研究者可能認(rèn)為這兩個(gè)方面研究意義不大，即便改進(jìn)和創(chuàng)新對(duì)該領(lǐng)域的發(fā)展也無法起到較大的推動(dòng)作用。但另一方面，正是融合出版領(lǐng)域發(fā)展至今這兩個(gè)方向的未來研究有所欠缺，導(dǎo)致可能有些好的想法被忽略，而這往往可能正是突破點(diǎn)所在。這也為研究者的未來研究提供了一個(gè)很好的思路。

通過分析結(jié)果，我們可以預(yù)測(cè)未來融合出版領(lǐng)域的研究方向應(yīng)該還是以方法、問題、管理手段和工具為主；而對(duì)于資源和評(píng)估類，未來可能需要在評(píng)估研究?jī)r(jià)值性后考慮是否要在這些方面投入更多精力，尋求突破。

（2）二級(jí)類目占比分析

為了更精準(zhǔn)定位融合出版領(lǐng)域研究者的未來研究?jī)A向，我們選取了占比最大的“方法”類別和我們比較感興趣的“管理手段”類別進(jìn)行子類別占比分析。由圖4（a）中可知，在方法類別的研究中，研究者多傾向于探索或引入更適宜的新方法，因?yàn)槿诤铣霭姹旧砭鸵蟪霭鏄I(yè)在傳統(tǒng)方法上結(jié)合數(shù)字技術(shù)進(jìn)行革新。此外，對(duì)相關(guān)體系建設(shè)與維護(hù)也是該領(lǐng)域一個(gè)較為重要的發(fā)展方向，研究者提議結(jié)合時(shí)代環(huán)境構(gòu)建一個(gè)良好的體系環(huán)境，從而保障融合出版更好更快發(fā)展。這一方面需要出版業(yè)做出努力，另一方面也需要政府和社會(huì)提供政策支持與保障。

圖4 未來工作句子類分布圖

我們?cè)诠芾硎侄蜗掠址譃槿藛T和管理制度兩個(gè)子類，從圖4（b）中我們可以看到，人員管理與人才培養(yǎng)非常有必要。不僅需要編輯人員提高素質(zhì)，不斷學(xué)習(xí)來自我提升，管理決策者也需要把握好行業(yè)形勢(shì)，重視優(yōu)秀人才的培養(yǎng)，更好助力該領(lǐng)域發(fā)展。另外，在管理制度上也不能固守成規(guī)，需要適時(shí)創(chuàng)新。

3.3.2 未來工作句類別分布分析

此外，我們分別統(tǒng)計(jì)了2014—2023 年各年份的不同類別的未來工作句數(shù)量，進(jìn)行分布分析，結(jié)果如圖5 所示。

圖5 未來工作句類別分布圖

從總體來看，方法類未來工作句的占比在近五年表現(xiàn)出明顯優(yōu)勢(shì)，自2019 年后，該類別未來工作句數(shù)量大幅增長(zhǎng)。由于近幾年各種新技術(shù)飛速發(fā)展，互聯(lián)網(wǎng)、云計(jì)算與人工智能逐漸滲透到各個(gè)領(lǐng)域，傳統(tǒng)出版業(yè)試圖在傳統(tǒng)方式上利用數(shù)字技術(shù)尋求新的突破。我們也可以預(yù)測(cè)到融合出版領(lǐng)域的未來研究應(yīng)該還是以方法為主，在傳統(tǒng)方法基礎(chǔ)上加以改進(jìn)與創(chuàng)新，相關(guān)體系建設(shè)與政策支持也是未來研究的重點(diǎn)。

另外，從圖中我們也可以看到，近幾年問題類的未來工具句數(shù)量也在不斷增長(zhǎng)。隨著技術(shù)的飛快革新，研究者的創(chuàng)新想法愈來愈多。但數(shù)字技術(shù)的融入過程也會(huì)帶來很多問題。例如平臺(tái)建設(shè)方面資金投入不及時(shí)，版權(quán)保護(hù)與個(gè)人信息保護(hù)仍存在不少漏洞等。這些問題都有待未來研究者深入探索，尋求最佳解決方案。

而對(duì)于某些類別，譬如資源類和評(píng)估類，從2014 年至今未來研究方面都有所欠缺，說明此領(lǐng)域?qū)?shù)據(jù)和評(píng)估的依賴可能不如其他領(lǐng)域顯著；還有一種可能是對(duì)該領(lǐng)域的研究開始得較晚，這兩個(gè)方面還未有大規(guī)模研究者對(duì)其進(jìn)行深入挖掘。未來可能需要該領(lǐng)域研究者評(píng)估價(jià)值性后考慮是否要加大投入。

3.4 未來工作句內(nèi)容演化分析

為了更加深入了解融合出版領(lǐng)域未來工作的具體內(nèi)容，探析該領(lǐng)域的前沿主題及其變化規(guī)律，我們對(duì)2019 至2023 年的未來工作句具體內(nèi)容進(jìn)行深入分析。首先我們提取各年份未來工作句數(shù)據(jù)集計(jì)算逆文檔頻率并篩選后的Top20 的詞項(xiàng)進(jìn)行分析，總結(jié)近五年融合出版前沿主題以及演變趨勢(shì)，為該領(lǐng)域后續(xù)發(fā)展提供借鑒。

在基于逆文檔頻率的未來工作句內(nèi)容分析時(shí)，我們首先抽取了Top50 的詞項(xiàng)，經(jīng)過觀察發(fā)現(xiàn)，其中有些詞是“融合出版”和“未來工作”相關(guān)詞，以及一些無實(shí)際意義動(dòng)名詞和程度副詞。為了更好地分析前沿主題本身，我們?cè)谒性~項(xiàng)提取結(jié)果中均刪除了這些詞，并在篩選后的結(jié)果中取Top20 的詞項(xiàng)進(jìn)行分析，詞項(xiàng)內(nèi)容如表4 所示。

表4 未來工作句分類表

從各年份的Top20 詞項(xiàng)內(nèi)容中，我們可以很清晰探察到各年份融合出版領(lǐng)域的前沿主題的差異及變化趨勢(shì)。

2019 年，融合出版領(lǐng)域重點(diǎn)關(guān)注的前三位分別是“媒體”“科技期刊”與“傳播”。結(jié)合之前的背景研究，2019 年融合出版領(lǐng)域研究論文數(shù)量大幅增長(zhǎng)，這一年發(fā)表的論文中，研究者大多還是從“媒介融合”視域出發(fā)去研究融合出版領(lǐng)域問題，并且重視領(lǐng)域相關(guān)概念、方法等的傳播。其次是對(duì)期刊和編輯等的要求，鼓勵(lì)期刊突破傳統(tǒng)出版方式，發(fā)揮“領(lǐng)頭羊”作用，積極利用數(shù)字出版優(yōu)勢(shì)；鼓勵(lì)編輯努力提升素養(yǎng)，轉(zhuǎn)變觀念，致力于融合出版領(lǐng)域的發(fā)展。另外，這一時(shí)期研究者也開始重視技術(shù)的利用，主要是基于互聯(lián)網(wǎng)信息和技術(shù)與傳統(tǒng)出版的融合來實(shí)現(xiàn)創(chuàng)新與突破。

2020 年，融合出版領(lǐng)域重點(diǎn)關(guān)注的前三位分別是“技術(shù)”“內(nèi)容”與“創(chuàng)新”。這一時(shí)期該領(lǐng)域在建立好領(lǐng)域根基后，開始尋求技術(shù)層面的突破。另外，我們看到“管理”“問題”與“平臺(tái)”的排名也較靠前，研究者也開始意識(shí)到管理與工具的重要性，融合出版不僅僅依靠出版社與編輯提升與轉(zhuǎn)型，相關(guān)企業(yè)也需要在營(yíng)銷管理、體系構(gòu)建與人才培養(yǎng)上傾注更多精力，另外，融合出版發(fā)展遇到的一些問題也不容忽視，需要多方共同深入探究并尋求解決方案。

2021 年，融合出版領(lǐng)域重點(diǎn)關(guān)注的前三位分別是“編輯”“技術(shù)”與“問題”。這一時(shí)期，融合出版領(lǐng)域?qū)Α叭恕碧岢隽烁叩囊?，更加注重人才培養(yǎng)與管理，“技術(shù)”與“問題”仍舊是該領(lǐng)域關(guān)注的焦點(diǎn)。另外，我們觀察到，該時(shí)期的Top20詞項(xiàng)中出現(xiàn)了“需求”“用戶”“產(chǎn)品”“服務(wù)”這類詞，該領(lǐng)域開始考慮到用戶需求與服務(wù)，這說明融合出版領(lǐng)域開始重視應(yīng)用層面的問題。

2022 年，融合出版領(lǐng)域重點(diǎn)關(guān)注的前三位分別是“技術(shù)”“媒體”與“內(nèi)容”。在考慮到應(yīng)用層面后，研究者發(fā)現(xiàn)要著重解決的還是技術(shù)上的問題，并且主要是出版內(nèi)容的融合，這才是提升應(yīng)用性能的最佳途徑。這一時(shí)期融合出版的前沿問題主要是如何改進(jìn)與擴(kuò)展技術(shù)來解決應(yīng)用層面的問題。另外，我們發(fā)現(xiàn)“少兒”與“少兒科普”排名也較高，這也是融合出版領(lǐng)域服務(wù)視野拓展的表征。由于少兒是圖書閱讀的一類較大數(shù)量群體，所以也是傳統(tǒng)出版與數(shù)字出版融合浪潮中受影響較大的一類群體，要更加重視這類群體的服務(wù)層面的問題。

到了2023 年，融合出版領(lǐng)域重點(diǎn)關(guān)注的前三位與前一年相差無幾，分別是“技術(shù)”“內(nèi)容”與“創(chuàng)新”。說明融合出版領(lǐng)域聚焦點(diǎn)沒有發(fā)生太大變化。值得注意的是，這一時(shí)期，“教育”一經(jīng)出現(xiàn)便排到了第四的位置，說明這一時(shí)期融合出版領(lǐng)域從開始的“少兒科普”考慮到更為全面深入的問題，例如融合出版以何種方式融入教育中，如何在青少年培養(yǎng)中發(fā)揮最大作用等。另外，“高質(zhì)量”“高質(zhì)量?jī)?nèi)容”和“高質(zhì)量發(fā)展”的出現(xiàn)讓我們看到該領(lǐng)域發(fā)展到這一時(shí)期，基礎(chǔ)層面的構(gòu)建工作已基本完善，開始追求高質(zhì)量高水平發(fā)展，這也是一個(gè)領(lǐng)域發(fā)展趨于成熟的象征。

結(jié)合融合出版領(lǐng)域近五年的未來工作句中Top20 詞項(xiàng)，我們可以看到該領(lǐng)域從起步走向成熟的演化過程，這五年中該領(lǐng)域發(fā)展側(cè)重點(diǎn)也經(jīng)歷了一個(gè)較為鮮明的變化。另外，每年都有新的前沿主題的出現(xiàn)，這些前沿主題從開始受到關(guān)注到問題的發(fā)現(xiàn)與方法的探究再到應(yīng)用層面的完善恰恰也是該領(lǐng)域一步步發(fā)展與壯大的具象表示。

4 結(jié)語

本文為探測(cè)融合出版領(lǐng)域前沿主題與未來有意義研究方向，通過采集知網(wǎng)文獻(xiàn)庫中的中文文獻(xiàn)數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)進(jìn)行未來工作句挖掘研究。研究主要利用融合出版領(lǐng)域論文為數(shù)據(jù)構(gòu)建了未來工作句識(shí)別與分類語料庫，在此識(shí)別語料庫基礎(chǔ)上使用支持向量機(jī)、樸素貝葉斯和隨機(jī)森林三種機(jī)器學(xué)習(xí)模型與SelectKBest特征選擇方法進(jìn)行未來工作句自動(dòng)識(shí)別模型訓(xùn)練，對(duì)比模型訓(xùn)練結(jié)果選擇出性能最優(yōu)的LinearSVC 模型。該模型的F1值達(dá)到了92.08%，表明該模型可以很好地從文本中識(shí)別出未來工作句。另外，我們還基于未來工作句分類語料庫對(duì)未來工作句的八大類別進(jìn)行更進(jìn)一步的研究，主要包括占比分析與分布分析。結(jié)果表明，融合出版領(lǐng)域的研究者更傾向?qū)Ψ椒ê蛦栴}類未來工作的研究，他們更關(guān)注該領(lǐng)域方法的改進(jìn)與創(chuàng)新，并關(guān)心尚未解決的難題及有意義的新問題，對(duì)于資源和評(píng)估方面則關(guān)注較少。由此我們預(yù)測(cè)該領(lǐng)域未來的研究方向也是偏向方法與問題方面，而資源和評(píng)估方面可能需要研究者衡量研究?jī)r(jià)值后決定是否需要對(duì)其展開更加深入的研究。最后，本研究還通過對(duì)融合出版領(lǐng)域未來工作句本身內(nèi)容研究來分析并總結(jié)該領(lǐng)域近五年的前沿主題的演化趨勢(shì)，從而更好探析該領(lǐng)域過往前沿問題研究重點(diǎn)及其變化，并為未來研究提供借鑒。

本文也存在一定的不足，例如語料庫規(guī)模較小且未采集英文論文數(shù)據(jù)，訓(xùn)練的模型還有待在更大規(guī)模語料庫上測(cè)試抽取效果，另外，還未使用深度學(xué)習(xí)模型對(duì)比模型效果。后續(xù)我們將進(jìn)一步擴(kuò)大語料庫規(guī)模，擬加入英文論文數(shù)據(jù)，且擬采集知網(wǎng)文獻(xiàn)庫之外的數(shù)據(jù)，例如微信公眾號(hào)文章和新聞報(bào)道等；之后也將在更大規(guī)模語料庫上測(cè)試模型的自動(dòng)識(shí)別效果，也可進(jìn)一步測(cè)試模型在其他領(lǐng)域語料上的適應(yīng)性；此外，未來將使用深度學(xué)習(xí)模型與傳統(tǒng)機(jī)器學(xué)習(xí)模型作對(duì)比，從而訓(xùn)練性能更優(yōu)的未來工作句自動(dòng)識(shí)別模型，提高識(shí)別準(zhǔn)確率。