趙汝南，常志遠，姜　博，劉雅姝，陳　思，滕廣青（東北師范大學計算機科學與信息技術學院，長春 130117）

?

基于網絡演化的領域知識發(fā)展趨勢研究

趙汝南，常志遠，姜博，劉雅姝，陳思，滕廣青
（東北師范大學計算機科學與信息技術學院，長春 130117）

知識的演進與發(fā)展問題是圖書情報學界的重要課題之一。研究中從時間序列的視角出發(fā)，通過對特定領域文獻關鍵詞的提取，基于關鍵詞共現關系構建領域知識網絡。采用網絡密度、聚類系數、特征路徑長度、點度中心勢、中介中心勢等多種分析方法，對領域知識網絡的發(fā)展態(tài)勢進行跟蹤與分析。研究結果表明，領域知識的發(fā)展趨勢總體上向小世界狀態(tài)邁進，而且領域知識的中心性會隨著知識發(fā)展逐漸顯現，為基于復雜網絡的理論與方法對領域知識的發(fā)展趨勢進行分析與研判做出了有益的嘗試。

復雜網絡；領域知識；知識網絡

1 引言

對學科領域知識的發(fā)展進程進行研究一直以來就是圖書情報學領域的重要課題。1965年，普賴斯（D J Price）［1］發(fā)表的《科學論文的網絡》中提出并界定了學科領域“研究前沿”的概念，為網絡思維下領域知識發(fā)展研究奠定了理論基礎。特別是近年來，復雜網絡（Complex Network）［2］的理論與方法在眾多科學領域的研究工作中顯現出得天獨厚的優(yōu)勢，為復雜網絡視角下的領域知識發(fā)展研究帶來了新的契機。

有鑒于此，本研究將以特定知識領域作為研究對象，借助復雜網絡的思想，基于關鍵詞共現關系構建領域知識網絡。采用網絡密度、聚類系數、特征路徑長度、點度中心勢、中介中心勢等分析方法，對領域知識的發(fā)展展開時間序列的跟蹤與分析，以期通過對領域知識網絡發(fā)展過程中特征與規(guī)律的挖掘與研判，揭示領域知識的發(fā)展趨勢。

2 研究現狀

英國著名情報學家布魯克斯（B C Brooks）［3］在《情報學基礎》（The Foundations of Information Science）中最早提出了“知識地圖”的概念。隨后在布魯克斯“知識地圖”的雛形上，知識的網絡化描述思想逐漸融入圖書情報學的研究領域與實踐工作。20世紀90年代，埃格（L Egghe）［4］在《情報計量學引論》（Introduction to Informetrics）中對多元統(tǒng)計分析、網絡分析及其在引文網絡分析中的應用進行了闡述，豐富了引文分析方法，促進了網絡思維在知識相關問題研究中的應用。事實上，早在20世紀60年代開始，國際學術界就已經掀起了一股網絡分析的熱潮。先是米爾格蘭姆（S Milgram）［5］“六度分割”的“小世界”理論，接著是弗里曼（L C Freeman）［6］的“網絡結構決定網絡功能”的思想，這些都為網絡思想在多學科中的應用奠定了基礎。特別是20世紀末，斯托加茨（S H Strogatz）［7］和巴拉巴西（A L Barabasi）［8］等人陸續(xù)在《自然》（Nature）和《科學》（Science）雜志上發(fā)表文章，在多個學科領域中將網絡視域下的結構主義推向了學術的巔峰，使得復雜網絡分析的思想與方法真正被學術界普遍接受，并被應用于眾多的學科領域。

近年來，在知識領域的相關問題研究中，復雜網絡分析的方法也被廣泛引入。IBM研究院的克勞斯（R Cross）［9］認為，復雜網絡分析有助于可視化理解信息環(huán)境中眾多的關聯(lián)關系，并借助網絡分析提煉了潛在知識構建所涉及的主要維度關系。約翰·霍普金斯大學的利博維茨（J Liebowitz）［10］則提出復雜網絡能夠提供更豐富的知識關聯(lián)關系，并能夠為傳統(tǒng)的知識層級結構做出更細致的解釋。華盛頓州立大學的薩卡爾（S Sarker）［11］將復雜網絡分析應用于知識群落中的核心知識的識別研究，并采用網絡分析中的“結構/關聯(lián)”方法，通過對網絡中節(jié)點關系的分析，揭示處于網絡中心位置的核心知識。加拿大紐芬蘭紀念大學的威爾遜（G Wilson）［12］借助網絡分析中的節(jié)點度、網絡密度、鄰近權威3個指標，探測機構內部電子郵件網絡。他們的研究表明，網絡密度和鄰近權威更有利于揭示和發(fā)現知識網絡的關鍵核心節(jié)點。胡（C Hu）［13］基于歷時5年的期刊文獻合著數據，應用復雜網絡分析探索特定學科領域的知識網絡結構和網絡屬性，通過文獻作者間的合著關系建立了知識內容與作者混合網絡，并重點分析了該網絡中的“核心-邊緣”結構。研究結果顯示，在網絡的中心和外圍區(qū)域，學術論文的出版模式都呈現出冪律分布。楊（J Yang）［14］及其合作者運用復雜網絡分析的方法對特定領域中的文獻內容進行分析，直接從文獻中抓取知識概念，并依據其上下文關系構建知識網絡，進而根據知識網絡的結構及其動態(tài)演化規(guī)律提取網絡中知識單元間的關系。他們認為，復雜網絡分析避免了二元關系模型的不足，能夠呈現知識間完整的關聯(lián)關系，并有利于更深層次地揭示網絡背后的屬性結構關系。意大利學者考薩（M Coscia）［15］提出，數字化書目是一種匯集了海量學術出版物信息的強大的數據資源。他們把網絡分析應用于書目數據庫的知識脈絡研究，基于關系呈現構建了書目關系網絡，進而采用數據挖掘技術與網絡分析相結合的方法，對局部和全局書目網絡進行綜合的分析與揭示。克拉夫特（J Krafft）［16］進一步以復雜網絡分析為主要研究方法，對特定學科領域的知識動力學展開了研究。在這一研究中，研究者將專利文獻中的技術視為知識流動的最小單位，知識的結構被視為由具有社群屬性的技術節(jié)點及其相互關系構成的網絡。進而直接通過對基于技術共現形成的網絡密度、點度中心度、接近中心度、中介中心度等指標的測算，提供關于知識結構與演進的綜合描述。研究表明，知識間關聯(lián)關系的演進可以反映技術知識的新陳代謝及其生命周期。德國亞琛大學的范姆（M C Pham）［17］將期刊論文和會議論文結合起來，采用復雜網絡分析的方法，借助論文中的引用關系分別構建了期刊關系網絡、主題關系網絡、知識關系網絡，綜合作者合著關系與引用關系調查知識間的引用行為，計算知識主題的中介中心度，判識子學科的發(fā)展趨勢。

國內學術界這方面的研究成果主要集中于文獻計量學領域的合作關系分析［18］、科研團隊發(fā)現［19］等問題。其中，朱慶華［20］的研究表明，復雜網絡分析作為一種新的科學研究思想和方法，早已被應用于圖書情報領域，學者們通過復雜網絡分析方法，在競爭情報、知識管理、作者合著網絡及領域熱點分析等方面展開了專門的研究。這其中，劉則淵［21］采用復雜網絡分析的方法對共詞網絡進行了聚類分析，挖掘了特定學科領域的主題，并對領域的熱點和未來發(fā)展方向進行了預判。趙蓉英［22］基于引文數據和主題數據，采用復雜網絡分析的方法對特定知識領域的學科主題和研究熱點進行了揭示。

綜上所述，在基于復雜網絡的理論與方法對知識相關問題進行研究方面，目前已經取得了較為豐富的成果，但其中大多數研究尚停留在靜態(tài)分析層面。有鑒于此，本研究從時間序列的視角，以領域知識網絡的時序演化為基礎，對領域知識的發(fā)展趨勢從多個方面展開分析研究。

3 數據采集與網絡構建

3.1 數據采集

本研究以中國國家知識基礎設施（National Knowledge Infrastructure，CNKI）數據庫作為基礎數據源，在高級檢索中選擇按主題檢索并將檢索主題設為“電動汽車”并含“充電樁”，匹配模式為精確，發(fā)表時間為全部年限進行檢索。檢索日期為2015年12月25日，共檢索到2009～2015年的相關期刊文獻共725篇。

以時間序列為線索，以年份為時間刻度，將文獻的累積數據按時間窗口分割，并繪制各年文獻累計量曲線。2009～2015年，電動汽車充電樁領域的文獻累計量呈持續(xù)遞增趨勢，具體參見圖1。

圖1　領域文獻累計量曲線

3.2 矩陣構建與轉換

對檢索出的725篇相關文獻進行關鍵詞提取，并按年份構建領域關鍵詞的多值共現矩陣，即當兩個關鍵詞出現在同一文獻中時，則其兩者間存在關聯(lián)關系，計數為1。以此累計，當數值越大時，就表明兩個關鍵詞之間的共現頻次越高，關系也就越密切。文獻中的關鍵詞經過研究作者和審稿人的多層審核，極少出現歧義、近義等現象，即使個別文獻出現關鍵詞歧義、近義現象也不做單獨處理，而是通過二值轉化時的臨界值統(tǒng)一對不具備普遍意義的關鍵詞做出篩選。多值共現矩陣中對角線的數值為關鍵詞在所有文獻中總共出現的次數。根據上述方法對檢索得到的相關文獻的關鍵詞提取后，按照時間序列共生成2010～2015年各年的關鍵詞多值共現矩陣共6個。其中由于2009年文獻僅有兩篇，研究中將其并入2010年關鍵詞多值共現矩陣，不再單獨討論。以2011年關鍵詞多值共現矩陣為例，其矩陣結構如表1所示。

表1　2011年關鍵詞多值共現矩陣（節(jié)選）

以各個時間窗口的共現頻次的均值為臨界值，將上述獲得的6個關鍵詞多值共現矩陣進行二值化處理。即當矩陣中兩個關鍵詞同時出現在一篇文獻中的頻次大于等于均值時，視為具有顯著關聯(lián)關系，記為1；如果兩個關鍵詞同時出現在一篇文獻中的頻次小于均值，則視為不具有顯著的關聯(lián)關系，記為0。按此方法對矩陣進行轉換，可以得到關鍵詞二值共現矩陣，以便于在后續(xù)研究中對領域知識發(fā)展趨勢進行識別與分析。以其中2010年關鍵詞二值共現矩陣為例，部分數據如表2所示。

表2　2010年關鍵詞二值共現矩陣（節(jié)選）

3.3 領域知識網絡構建

以關鍵詞為節(jié)點，以關鍵詞之間的顯著關聯(lián)關系為連線，基于轉換后的6個時間窗口下的關鍵詞二值共現矩陣，構建時間序列領域知識網絡，如圖2所示。

圖2　時間序列領域知識網絡

在圖2中，各個時間窗口的領域知識網絡呈現的是領域中較為重要的知識節(jié)點及其關聯(lián)關系，由于經過臨界值篩選，孤立節(jié)點和低頻次關聯(lián)關系已經被剔除。因此，基于圖2中的時間序列領域知識網絡展開分析工作，將能夠較好地把握領域中重要知識的發(fā)展趨勢。

4 領域知識發(fā)展趨勢分析

4.1 領域知識網絡基本屬性分析

在復雜網絡中，網絡密度反映的是節(jié)點間聯(lián)系的密集程度，領域知識網絡的密度越大，則表明該網絡的知識節(jié)點間的聯(lián)系就越密集，知識之間產生的相互影響也就越大。表3為該領域6個時間窗口中領域知識網絡相應的密度，由數據可以看出領域知識網絡的密度在時間序列上呈現出下降趨勢。這一現象說明，隨著時間軸的延展，網絡內各知識節(jié)點的整體聯(lián)系程度逐漸松散，大量的知識不斷涌入領域中。這進一步表明該領域是一個處于發(fā)展中的學科領域，正處在不斷成長過程中，相關的領域知識涉及多個其他學科領域，是一門與其他學科交互較多的領域。

表3　時間序列領域知識網絡整體密度

復雜網絡的聚類系數反映網絡節(jié)點群落特性的聚集程度，領域知識網絡的聚類系數描述出該領域內知識之間趨近于團簇或群落的情況。圖2所示的時間序列領域知識網絡的基于局部密度的聚類系數計算結果如表4所示。

表4　時間序列領域知識網絡聚類系數

表4中，盡管6個時間窗口的聚類系數稍有波動，但總體上保持較高的數值（大于0.88）。這說明在整個時間區(qū)間內，基于關鍵詞共現關系構建的領域知識網絡具有顯著的團簇特征，或者說具有較高程度的模塊結構。即各個時間窗口的領域知識網絡中，較重要的知識節(jié)點（關鍵詞）之間具有較高的群落性，并且這種群落性在整個時間區(qū)間內一直保持。

對時間序列領域知識網絡的特征路徑長度進行考察，計算獲得6個時間窗口領域知識網絡的距離分布如表5所示。

表5　時間序列領域知識網絡距離分布

表5的6個時間窗口中，距離為2的情況一直占有絕對多數，其中最低的比率為占總數的75％（2013），其他時間窗口都在80％以上。這明確地顯示出，隨著領域知識的發(fā)展，領域中絕大多數知識之間的距離為2。進一步對表5中時間序列領域知識網絡的平均距離進行考察可以發(fā)現，雖然隨著時間的推移，網絡中的知識節(jié)點不斷增加，但網絡中任何兩個知識節(jié)點之間的平均距離保持在1.803～2.252。這意味著網絡中2個知識節(jié)點之間僅有一個中間節(jié)點，即領域知識網絡中知識之間平均通過1個中間知識就可以建立聯(lián)系。

將網絡密度、聚類系數和特征路徑長度結合起來考察可以發(fā)現，隨著時間軸的延展，領域知識不斷擴容。在整個時間序列上，該領域的知識網絡的網絡密度逐漸下降，網絡越來越稀疏。而且整個網絡自始至終保持著高度的聚類性，特征路徑長度總體上為2。結合圖2的時間序列領域知識網絡綜合分析，在時間序列的前半階段網絡是不連通的狀態(tài)，時間序列的后半階段網絡演變?yōu)檫B通網絡。根據沃茨（D J Watts）［23］的觀點可知，領域知識網絡演化的過程中逐漸表現出小世界［5］的特征趨勢。

4.2 領域知識網絡中心性分析

網絡的點度中心性反映一個網絡的核心程度，研究中基于弗里曼（L C Freeman）［24］提出的方法，對基于關鍵詞二值共現矩陣構建的時間序列領域知識網絡（參見圖2）的點度中心勢進行了考察，相關指標數據走勢如圖3所示。

圖3　時間序列領域知識網絡點度中心勢

圖3中領域知識網絡的點度中心勢并未表現出始終如一的發(fā)展趨勢，而是呈現出一種先抑后揚的態(tài)勢。在時間軸的前半段，領域知識網絡的點度中心勢逐漸下降，反映出這一時間區(qū)段內，領域知識不斷擴充，大量的相關學科知識參加進來，隨著網絡節(jié)點的增加，領域的核心焦點也趨于淡化。在時間軸的后半段，領域知識網絡的點度中心勢逐漸上升，反映出這一時間區(qū)段內，領域知識不斷擴充的同時，領域知識的核心焦點也在重新凝聚。這一現象反映出研究中所選取的知識領域目前正處于發(fā)展時期，一方面發(fā)展過程中不斷加入和涌現的新知識使得核心知識的地位不再顯著；另一方面隨著研究工作的開展，領域核心知識也在重塑甚至新生。領域知識的發(fā)展趨勢最終將走向具有鮮明的領域核心的狀態(tài)。

網絡的中介中心性反映的是節(jié)點對網絡資源的控制程度，在領域知識網絡中，中介中心性能夠描述通過中間知識將不同的知識進行橋接的程度。研究中采用弗里曼（L C Freeman）［6］的中介中心性計算方法，對基于關鍵詞二值共現矩陣構建的時間序列領域知識網絡（參見圖2）的中介中心勢進行計算，獲得時間序列領域知識網絡的中介中心勢走勢如圖4所示。

圖4　時間序列領域知識網絡中介中心勢

在圖4中，時間序列領域知識網絡的中介中心勢雖然略有起伏，但整體上呈現出上升趨勢。網絡中介中心勢由初始時刻的45.69％增長到2015年的60.64％，而且時間軸的后半段比前半段有普遍提高。這一現象說明，在領域知識發(fā)展過程中，盡管網絡中的知識節(jié)點逐年增加，但是新增的知識節(jié)點并沒有一味地簡單形成小規(guī)模碎片區(qū)域，而是隨著知識節(jié)點數量的增加，有許多知識節(jié)點通過中間知識建立起連接，并且這種連接呈現出總體上升趨勢。與圖2中領域知識網絡結構的時間序列發(fā)展過程結合考察，領域知識網絡從早期的不連通狀態(tài)到后期的聯(lián)通狀態(tài)，反映出該領域知識在發(fā)展過程中也在不斷地成熟。

5 結語

本研究通過對特定領域文獻關鍵詞的提取，基于關鍵詞共現關系構建基于關鍵詞的領域知識網絡。從時間序列的視角采用網絡密度、聚類系數、特征路徑長度、點度中心勢、中介中心勢等多種分析方法，對領域知識網絡的發(fā)展態(tài)勢進行跟蹤與分析。通過各項指標在時間序列上的變化情況，對于領域知識的發(fā)展趨勢初步可以得出如下結論：

（1）領域知識的發(fā)展趨勢總體上向小世界狀態(tài)邁進。研究中發(fā)現，一個特定的知識領域在其成長發(fā)展過程中，領域內相關知識文獻必然是不斷地積累和增長，從而促使領域內的知識容量與規(guī)模不斷擴大。從時間序列上看，這種領域知識的不斷擴充導致領域知識網絡內部知識節(jié)點數量的不斷增加，也使得知識網絡的密度在發(fā)展過程中呈下降趨勢。密度下降的同時，領域知識網絡卻一直保持著較高的聚類系數，這種高聚類系數標志著領域知識內部蘊含著團簇化、群落化的潛在發(fā)展模式。如果說從大的方面看，知識領域內部高內聚，知識領域之間低耦合，那么這種高內聚低耦合的特征也嵌套于知識領域內部。由于知識領域自身的主題性，高聚類系數并沒有在領域內部完全徹底地造成割據，反而是較短的特征路徑長度刻畫出領域內部知識之間僅需少量知識就能夠聯(lián)系起來。這說明在領域知識的不斷積累增長過程中，其發(fā)展趨勢在總體上向小世界狀態(tài)邁進。

（2）領域知識的中心性會隨著知識發(fā)展逐漸顯現。一方面，在復雜網絡理論中，小世界狀態(tài)除了較高的聚類系數和較短的特征路徑長度特征外，往往還伴隨著去中心化。然而在針對時間序列領域知識網絡的中心性分析中發(fā)現，在時間軸的前半段，領域知識網絡的點度中心勢呈現下降趨勢，領域核心知識的顯著性并沒有趕上領域知識擴充的步伐。然而隨著該知識領域逐漸發(fā)展成熟，網絡的點度中心勢在時間軸的后半段又逐年遞增，領域的知識核心被重新凝聚。另一方面，網絡的中介中心勢在整個時間區(qū)間內呈現波動性上升趨勢，也就是說盡管新知識的擴充和加入給中介中心勢造成波動，在整體趨勢上領域知識網絡的中介中心勢卻保持著增長勢頭。這與領域知識的小世界趨勢相契合的同時，也進一步說明隨著領域知識的發(fā)展，更多的領域知識通過中間知識彼此建立了關聯(lián)關系，彰顯了格雷克（J Gleick）［24］在《信息簡史》中反復強調的知識的連通性。

盡管本研究以特定領域知識的發(fā)展過程為對象，采用復雜網絡的諸多分析方法，從領域知識網絡演化的角度，對領域知識的發(fā)展趨勢進行了較為細致的分析，但是研究中也還存在不足之處。所采用研究數據并沒有窮盡該領域知識的全部，不同知識領域所處的不同發(fā)展狀態(tài)尚不全面，有待于未來工作中進一步深入展開研究。

［1］ Price D J. Networks of scientific papers ［J］. Science, 1965, 149（3683）：510-515.

［2］ Lewis T G.網絡科學：原理與應用［M］.陳向陽,巨修煉,等,譯.北京：機械工業(yè)出版社,2011：87-140.

［3］ Brooks B C. The foundations of information science： part IV. Information science： the changing paradigm ［J］. Journal of Information Science, 1981, 3（1）： 3-12.

［4］ Egghe L, Rousseau R. Introduction to informetrics： quantitative methods in library, documentation and information science ［M］. Amsterdam：Elsevier, 1990： 112.

［5］ Milgram S. The small world problem ［J］. Psychology Today, 1967, 1（1）：61-67.

［6］ Freeman L C. Centrality in social networks conceptual clarification ［J］. Social Networks, 1979, 1（3）： 215-239.

［7］ Strogatz S H, Watts D J. Collective dynamics of "small world" networks ［J］. Nature, 1998, 393（6684）： 440-442.

［8］ Barabasi A L, Albert R. Emergence of scaling in random networks ［J］. Science, 1999, 286（5439）： 509-512.

［9］ Cross R, Parker A, Borgatti S P. A bird's-eye view： using social network analysis to improve knowledge creation and sharing ［R］. Somers： IBM Corporation, 2002： 1-17.

［10］ Liebowitz J. Linking social network analysis with the analytic hierarchy process for knowledge mapping in organizations ［J］. Journal of Knowledge Management, 2005, 9（1）： 76-86.

［11］ Sarker S, Kirkeby S, et al. Path to "stardom" in globally distributed teams：an examination of a knowledge-centered perspective using social network analysis ［J］. Decision Sciences, 2011, 42（2）： 339-370.

［12］ Wilson G, Banzhaf W. Discovery of email communication networks from the enron corpus with a genetic algorithm using social network analysis ［C］// CEC'09 Proceedings of the Eleventh conference on Congress on Evolutionary Computation. Piscataway： IEEE Press, 2009：3256-3263.

［13］ Hu C, Racherla P. Visual representation of knowledge networks： A social network analysis of hospitality research domain ［J］. International Journal of Hospitality Management, 2008, 27（2）： 302-312.

［14］ Yang J, Shen Q, Ho M. An overview of previous studies in stakeholder management and its implications for the construction industry ［J］. Journal of Facilities Management, 2009, 7（2）： 159-175.

［15］ Coscia M, Giannotti F, Pensa R. Social network analysis as knowledge discovery process： a case study on digital bibliography ［C］// ASONAM '09 Proceedings of the 2009 International Conference on Advances in Social Network Analysis and Mining. Washington DC： IEEE Computer Society, 2009： 279-283.

［16］ Krafft J, Quatraro F, Saviotti P P. The knowledge base evolution in biotechnology： A social network analysis ［J］. Economics of Innovation and New Technology, 2011, 20（5）： 445-475.

［17］ Pham M C, Klamma R, Jarke M. Development of computer science disciplines—A social network analysis approach ［J］. Social Network Analysis and Mining, 2011, 1（4）： 321-340.

［18］ 邱均平,王菲菲.基于SNA的國內競爭情報領域作者合作關系研究［J］.圖書館論壇,2010,30（6）：34-40,134.

［19］ 李綱,李春雅,李翔.基于社會網絡分析的科研團隊發(fā)現研究［J］.圖書情報工作,2014,58（7）：63-70,82.

［20］ 朱慶華,李亮.社會網絡分析法及其在情報學中的應用［J］.情報理論與實踐,2008,31（2）：179-183.

［21］ 劉則淵,尹麗春.國際科學學主題共詞網絡的可視化研究［J］.情報學報,2006,25（5）：634-640.

［22］ 趙蓉英,王菊.圖書館學知識圖譜分析［J］.中國圖書館學報, 2011,37（3）：40-50.

［23］ Watts D J. Network, dynamics and the small-world phenomenon ［J］. American Journal of Sociology, 1999, 105（2）： 493-527.

［24］ Gleick J.信息簡史［M］.高博,譯.北京：人民郵電出版社,2013：409-421.

趙汝南，女，1991年生，碩士研究生。

常志遠，男，1989年生，碩士研究生。

姜博，男，1983年生，碩士研究生。

劉雅姝，女，1993年生，碩士研究生。

陳思，女，1993年生，碩士研究生。

滕廣青，男，1970年生，副教授，研究方向：網絡信息資源管理，通訊作者，E-mail：tengguangqing@163.com。

Study on Development Tendency of Domain Knowledge Based on Network Evolution

ZHAO RuNan, CHANG ZhiYuan, JIANG Bo, LIU YaShu, CHEN Si, TENG GuangQing
（School of Computer Science and Information Technology NENU, Changchun 130117, China）

Evolution and development of knowledge is an important issue of Library and Information academia. In this study, from the perspective of time series, keywords of literature are extracted in particular domain, and domain knowledge networks are constructed based on keyword co-occurrence relationship. Using a variety of analytical methods network density, clustering coefficient, characteristic path length, degree centralization, betweenness centralization, etc., the development of situation in domain knowledge networks is tracked and analyzed. The results show that the overall trend of domain knowledge development is moving to the status of small world, and centrality of domain knowledge will appear gradually with the development of knowledge. A helpful attempt is made for analyzing and judgment on development tendency of domain knowledge based on complex network theory and methods.

Complex Network； Domain Knowledge； Knowledge Network

G353.1

10.3772/j.issn.1673-2286.2016.3.004

2016-02-01）