張?？? 趙文斌 葉權(quán)慧

摘 要：基于CiteSpace采用文獻(xiàn)計(jì)量法，分析總結(jié)機(jī)器學(xué)習(xí)領(lǐng)域近十年研究熱點(diǎn)與技術(shù)前沿演進(jìn)。研究結(jié)果顯示，該領(lǐng)域熱點(diǎn)算法有Classification（分類(lèi)算法）、Support Vector Machine（支持向量機(jī)）等，熱點(diǎn)框架有sorFlow、Caffe、PaddlePaddle等;數(shù)據(jù)庫(kù)、序列等突變?cè)~共同組成了近十年的研究新興領(lǐng)域。

關(guān)鍵詞：CiteSpace;科學(xué)知識(shí)圖譜;機(jī)器學(xué)習(xí);前沿演進(jìn);文獻(xiàn)計(jì)量法

DOI：10. 11907/rjdk. 191877 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類(lèi)號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）009-0005-04

Research Hotspots and Frontier Evolution in the Field of Machine Learning

——Visual Analysis Based on CiteSpace

ZHANG Fu-jun，ZHAO Wen-bin，YE Quan-hui，GAO Xue，WAN Hao

（Computer Science and Engineering，Shandong University of Science and Technology， Qingdao 266590， China）

Abstract： In order to acquaintance？the gradual progress？of research hotspots and technology？forward position？in the field of machine learning in recent ten years， this paper uses Cite Space's bibliometric method to analyze？the results. It is found that hot algorithms include classification （classification algorithm）， support vector machine （support vector machine）， and so on; hot frameworks include sorFlow， Caffe， Paddle Paddle etc. Mutation words such as databases and sequences have together made up？a new and developing domain of study？in the past decade.

Key Words： CiteSpace; mapping knowledge domain; machine learning; evolution of frontier; bibliometric method

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展，所需處理的數(shù)據(jù)量也呈幾何倍數(shù)增長(zhǎng)[1]，海量數(shù)據(jù)的復(fù)雜性和快速變化給人們檢索有價(jià)值的信息帶來(lái)了許多新問(wèn)題，由此知識(shí)可視化研究方法應(yīng)運(yùn)而生[2]。當(dāng)前，國(guó)際上被廣泛應(yīng)用的知識(shí)可視化軟件[3]有Thomson Reuters 公司開(kāi)發(fā)的Pajek[4]，以及陳超美教授團(tuán)隊(duì)研發(fā)的 CiteSpace[5]等。在空間上，圖譜分析軟件可以通過(guò)共現(xiàn)以及社會(huì)網(wǎng)絡(luò)分析等方法分析文獻(xiàn)所屬區(qū)域，機(jī)構(gòu)、作者等結(jié)構(gòu)關(guān)系;在時(shí)間上，通過(guò)動(dòng)態(tài)的時(shí)間維度，繪制“知識(shí)發(fā)展進(jìn)程譜”，直觀展示知識(shí)演變進(jìn)程[6]。隨著人工智能應(yīng)用的日益廣泛與機(jī)器學(xué)習(xí)技術(shù)的不斷精進(jìn)，相關(guān)研究也不斷深入，只有了解和把握學(xué)科發(fā)展前沿動(dòng)態(tài)，積極探究學(xué)科研究熱點(diǎn)才能對(duì)該領(lǐng)域研究整體方向有更加準(zhǔn)確的定位。本文利用文獻(xiàn)計(jì)量學(xué)方法對(duì)機(jī)器學(xué)習(xí)關(guān)鍵詞進(jìn)行共現(xiàn)分析和突變分析，挖掘機(jī)器學(xué)習(xí)研究熱點(diǎn)，并對(duì)機(jī)器學(xué)習(xí)文獻(xiàn)作耦合分析，進(jìn)行領(lǐng)域前沿挖掘。

1 研究設(shè)計(jì)

1.1 數(shù)據(jù)來(lái)源

研究的原始數(shù)據(jù)來(lái)源于 Web of Science 平臺(tái)上的核心合集數(shù)據(jù)庫(kù)，包括SCI-EXPANDED、SSCI、A&HCI、CPCI-S、ESCI、CCR-EXPANDED、IC）。為確保研究數(shù)據(jù)的客觀性和全面性，選擇Machine Learning為檢索主題詞，檢索策略為：數(shù)據(jù)庫(kù)選擇Web of Science核心合集，輸入主題詞TS=“machine learning”，選擇檢索時(shí)間跨度為2008-2018年;將文獻(xiàn)類(lèi)型精煉為“ARTICLE”，篩選得到34 835條檢索結(jié)果;選擇導(dǎo)出數(shù)據(jù)格式為全著錄格式分次下載（每次下載條目<=500），CiteSpaces規(guī)定格式 download*.txt 命名，保存在同一個(gè)文件 data 內(nèi)，作為繪制圖譜的基礎(chǔ)數(shù)據(jù)，并在同一文件夾建立project。

1.2 研究方法與工具

文獻(xiàn)計(jì)量分析主要以文獻(xiàn)為數(shù)據(jù)源，包括搜集、整理和分析三大基本過(guò)程。本文以Web of Science數(shù)據(jù)庫(kù)中2008-2018年機(jī)器學(xué)習(xí)論文作為數(shù)據(jù)源，對(duì)其作除重清洗，并以不同的視角和維度進(jìn)行計(jì)量分析。知識(shí)圖譜分析是可視化分析的一個(gè)分類(lèi)，是將分析結(jié)果以節(jié)點(diǎn)和連線(xiàn)的形式展現(xiàn)出來(lái)，節(jié)點(diǎn)代表被研究對(duì)象，連線(xiàn)表示兩個(gè)研究對(duì)象之間的關(guān)系強(qiáng)度，使得分析結(jié)果更加美觀和直接。本文運(yùn)用的知識(shí)圖譜工具是由美國(guó) Drexel大學(xué)陳超美博士基于Java 平臺(tái)開(kāi)發(fā)的 CiteSpace，該軟件可對(duì)科學(xué)文獻(xiàn)的新趨勢(shì)和新動(dòng)態(tài)進(jìn)行識(shí)別與可視化分析，被廣泛應(yīng)用于科學(xué)文獻(xiàn)計(jì)量領(lǐng)域。基于CiteSpace運(yùn)用文獻(xiàn)計(jì)量學(xué)方法挖掘機(jī)器學(xué)習(xí)領(lǐng)域的時(shí)空分布、作者合作網(wǎng)絡(luò)、研究熱點(diǎn)及研究前沿。

2 機(jī)器學(xué)習(xí)研究熱點(diǎn)與前沿趨勢(shì)分析

2.1 研究熱點(diǎn)分析

關(guān)鍵詞是對(duì)文獻(xiàn)主旨內(nèi)容與作者意圖的概括，是文獻(xiàn)中的核心和精髓。某領(lǐng)域的研究熱點(diǎn)往往是指在某一階段該領(lǐng)域文獻(xiàn)出現(xiàn)的高頻次、高中心度以及高突現(xiàn)強(qiáng)度的主題詞。共詞分析法基于該領(lǐng)域近十年文獻(xiàn)繪制機(jī)器學(xué)習(xí)領(lǐng)域的關(guān)鍵詞共現(xiàn)圖譜，并統(tǒng)計(jì)其中高頻次關(guān)鍵詞，明確近十年機(jī)器學(xué)習(xí)領(lǐng)域研究熱點(diǎn)，進(jìn)而分析其演化發(fā)展過(guò)程。將數(shù)據(jù)導(dǎo)入 CiteSpace，調(diào)整參數(shù)后結(jié)果如圖1所示（見(jiàn)封三彩圖）。

機(jī)器學(xué)習(xí)領(lǐng)域關(guān)鍵詞共現(xiàn)知識(shí)圖譜中共有節(jié)點(diǎn)N（42）個(gè)，連線(xiàn)E（94）條，中心度（Density=0.109 2）。首先圈的大小代表著該關(guān)鍵詞在2008-2018年這10年間出現(xiàn)的頻率，圈從大到小依次為： machine learning（機(jī)器學(xué)習(xí)）、classification（分類(lèi)）、support vector machine（支持向量機(jī)）、algorithm（算法）、model（模型）、neural network（神經(jīng)網(wǎng)絡(luò)）、system（系統(tǒng)）等等。由于該文獻(xiàn)主要研究機(jī)器學(xué)習(xí)，因此第一個(gè)關(guān)鍵詞沒(méi)有分析意義，也即classification（分類(lèi)）、support vector machine（支持向量機(jī)）、algorithm（算法）、model（模塊）、neural network（神經(jīng)網(wǎng)絡(luò)）、system（系統(tǒng)）等組成了近十年機(jī)器學(xué)習(xí)的研究熱點(diǎn)。每一個(gè)圈最外圍的紫色越重，則證明該關(guān)鍵詞的中心性越高，說(shuō)明該關(guān)鍵詞在近十年研究中起到了不可或缺的作用，例如圖中紫色最深的為分類(lèi)，說(shuō)明分類(lèi)這個(gè)詞足以稱(chēng)為該領(lǐng)域的熱點(diǎn)詞，有著重要貢獻(xiàn)，代表了研究熱點(diǎn)。點(diǎn)與點(diǎn)之間的連線(xiàn)顏色表明這兩個(gè)詞首次共現(xiàn)的年份，連線(xiàn)的粗細(xì)則證明了這兩個(gè)關(guān)鍵詞的聯(lián)系緊密程度，聯(lián)系越緊密連線(xiàn)越粗，否則相反，從圖1中可以看出，classification（分類(lèi)）和support vector machine（支持向量機(jī)）這兩個(gè)關(guān)鍵詞的連線(xiàn)為深藍(lán)色，也即這兩個(gè)關(guān)鍵詞首次共現(xiàn)的時(shí)間是2008年。將圖1聚類(lèi)后如圖2所示（見(jiàn)封三彩圖）。

將關(guān)鍵詞進(jìn)行聚類(lèi)后，出現(xiàn)了六大類(lèi)，這其中最大的群集（#0）有9個(gè)成員，輪廓值為0.488。它被LLR標(biāo)記為users skill level（用戶(hù)技能水平），由TFIDF算法得出的標(biāo)簽是classifing（分類(lèi)），最活躍的聚類(lèi)引用是論文Scheduling Jobs with an Exponential Sum-of-Actual-Processing-time- based Learning Effect[12]。

第二大聚類(lèi)（#1）有9名成員，輪廓值為0.671。它被稱(chēng)為由LLID算法得到classifying human physical activity （人體力活動(dòng)），由TFIDF算法標(biāo)記為 machine（機(jī)器分類(lèi)）。其中最活躍的文章是Machine Learning Methods for Classifying Human Physical Activity from On-body Accelerometers[13]。

將上述CiteSpaces中提供的數(shù)據(jù)進(jìn)行整理統(tǒng)計(jì)如表1所示。

由于本文研究的主題就是機(jī)器學(xué)習(xí)，因此排名第一的machine learning可以忽略，其熱點(diǎn)詞可分為兩大類(lèi)：algorithm（算法）、framework（框架）。這些熱點(diǎn)詞僅僅是最基本的詞匯，本文將逐一分析，以找出近十年機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。

近十年流行的機(jī)器學(xué)習(xí)算法中，表1中呈現(xiàn)的有如下：

（1）表中排名第二的熱點(diǎn)詞classification（分類(lèi)算法）。分類(lèi)算法中有一種很簡(jiǎn)單且目前也很流行的算法為樸素貝葉斯分類(lèi)。樸素貝葉斯的思想基礎(chǔ)是：對(duì)于給出的待分類(lèi)項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各類(lèi)別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類(lèi)項(xiàng)屬于哪個(gè)類(lèi)別。其主要應(yīng)用于論文分類(lèi)處理、輿情分析等。

（3）表中排名第三的熱點(diǎn)詞support vector machine（支持向量機(jī)）。支持向量機(jī)（SVM）是二元分類(lèi)算法，給定一組兩種類(lèi)型的N維地方點(diǎn)，SVM產(chǎn)生一個(gè)（N - 1）維超平面到這些點(diǎn)并分成2組。假設(shè)你有兩種類(lèi)型的點(diǎn)，且它們是線(xiàn)性可分的。 SVM將找到一條直線(xiàn)將這些點(diǎn)分成2種類(lèi)型，并且這條直線(xiàn)會(huì)盡可能地遠(yuǎn)離所有點(diǎn)。當(dāng)下使用support vector machine（支持向量機(jī)）處理的主要問(wèn)題為商業(yè)廣告顯示、面部識(shí)別剪接位點(diǎn)處理、數(shù)據(jù)量差大的圖片處理等。

（4）表中排第八位的熱點(diǎn)詞regression（回歸算法）。回歸算法中的邏輯回歸是一種強(qiáng)大的統(tǒng)計(jì)方法。通過(guò)估算使用邏輯運(yùn)算的概率，測(cè)量分類(lèi)依賴(lài)變量和一個(gè)（或多個(gè)）獨(dú)立變量之間的關(guān)系，是累積的邏輯分布情況。目前，邏輯回歸主要用于車(chē)流分析、使用評(píng)分、衡量營(yíng)銷(xiāo)活動(dòng)的成功率等。

（5）表中排名第六的熱點(diǎn)詞 neural network（神經(jīng)網(wǎng)絡(luò)）。屬于神經(jīng)網(wǎng)絡(luò)的算法有很多，近十年比較突出的為遞歸神經(jīng)網(wǎng)絡(luò)，實(shí)際上遞歸神經(jīng)網(wǎng)絡(luò)是兩種人工神經(jīng)網(wǎng)絡(luò)的總稱(chēng)， 一種是時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network），另一種是結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network）。隨著電腦硬件的不斷提升，可以處理的神經(jīng)網(wǎng)絡(luò)層數(shù)不斷加深，這為后續(xù)研究Deep Learning（深度學(xué)習(xí)）打下了基礎(chǔ)。

（6）表中排名第十六的熱點(diǎn)詞 random forest（隨機(jī)森林）。隨機(jī)森林算法結(jié)合了多個(gè)樹(shù)，使用隨機(jī)挑選的數(shù)據(jù)子集，以提升決策樹(shù)的分析準(zhǔn)確率。隨機(jī)森林算法的優(yōu)勢(shì)在于能夠處理大規(guī)模數(shù)據(jù)集，以及大量看似不相關(guān)的數(shù)據(jù)，可以用于風(fēng)險(xiǎn)評(píng)估和客戶(hù)信息分析。

目前，機(jī)器學(xué)習(xí)領(lǐng)域的Deep Learning（深度學(xué)習(xí)）受到廣泛關(guān)注。Deep Learning（深度學(xué)習(xí)）領(lǐng)域常用四大框架： ①TensorFlow，它最初由谷歌的Machine Intelligence research organization 中Google Brain Team的研究人員和工程師開(kāi)發(fā);②Neon，它是Nervana開(kāi)發(fā)的基于Python的深度學(xué)習(xí)庫(kù)，它易于使用，同時(shí)性能也處于最高水準(zhǔn);③Caffe，它是一個(gè)重在表達(dá)性、速度和模塊化的深度學(xué)習(xí)框架，由 Berkeley Vision and Learning Center和社區(qū)貢獻(xiàn)者共同開(kāi)發(fā);④DeepLearning4J，它和ND4J、DataVec、Arbiter及RL4J一樣，都是Skymind Intelligence Layer的一部分。

2.2 研究前沿演進(jìn)分析

利用CiteSpace中突變檢測(cè)（Burst Detection）功能，對(duì)近十年全部文獻(xiàn)中的關(guān)鍵詞探測(cè)出突變?cè)~術(shù)語(yǔ)，利用詞頻的時(shí)間分布、變化趨勢(shì)并結(jié)合詞頻，找出該領(lǐng)域研究前沿演進(jìn)[14]。2008-2018 年機(jī)器學(xué)習(xí)研究領(lǐng)域突變?cè)~如表2所示。

在2008-2018年期間共出現(xiàn)了12個(gè)突變?cè)~，分別為database （數(shù)據(jù)庫(kù)）、sequence（序列）、framework（框架）、deep learning （深度學(xué)習(xí)）、segmentation（分割處理）、image（鏡像）即圖像識(shí)別、genetic algorithm（遺傳算法）、pattern recognition（模式識(shí)別）、scheduling（時(shí)序安排）、learning effect（學(xué)習(xí)效果）、pattern（模式）、decision tree（決策樹(shù)），這些突變?cè)~共同組成了近十年機(jī)器學(xué)習(xí)領(lǐng)域的研究前沿和研究新興領(lǐng)域。

將這12個(gè)關(guān)鍵詞分為兩個(gè)時(shí)間段，以更好地呈現(xiàn)機(jī)器學(xué)習(xí)在這十年中的前沿演進(jìn)。2008-2009年，機(jī)器學(xué)習(xí)相關(guān)研究還僅僅停留在Decision Tree（決策樹(shù)）和Pattern（模式）方面，主要原因在于當(dāng)時(shí)硬件設(shè)備不能滿(mǎn)足數(shù)據(jù)運(yùn)算要求。隨著技術(shù)的不斷更新和計(jì)算機(jī)硬件設(shè)備的發(fā)展，2010-2011年，機(jī)器學(xué)習(xí)的研究重點(diǎn)也發(fā)生了變化，Scheduling（時(shí)序安排）、Learning Effect（學(xué)習(xí)效果）這兩個(gè)詞占據(jù)了研究前沿位置，機(jī)器學(xué)習(xí)迎來(lái)了一個(gè)全新的研究領(lǐng)域。2014-2015年，framework（框架）再度成為當(dāng)時(shí)的研究熱點(diǎn)，主要研究框架有TensorFlow、Keras、Caffe等，這些框架為神經(jīng)網(wǎng)絡(luò)發(fā)展和后續(xù)深度學(xué)習(xí)打下了基礎(chǔ)。

2016-2018年，研究者更傾向于機(jī)器學(xué)習(xí)的進(jìn)一步探索，也即對(duì)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行深入發(fā)掘，機(jī)器學(xué)習(xí)領(lǐng)域來(lái)到了Deep Learning （深度學(xué)習(xí)）時(shí)代，許多學(xué)者相繼提出了新的算法模型，例如卷積神經(jīng)網(wǎng)絡(luò)、深層神經(jīng)網(wǎng)絡(luò)、深層信念網(wǎng)絡(luò)等，同時(shí)深度學(xué)習(xí)也開(kāi)始應(yīng)用于不同的領(lǐng)域，如圖像物體分類(lèi)、Image（鏡像）即圖像識(shí)別、Segmentation（分割處理）、Pattern Recognition（模式識(shí)別）等不同層面。由此可知，目前機(jī)器學(xué)習(xí)領(lǐng)域的研究側(cè)重點(diǎn)在深度學(xué)習(xí)領(lǐng)域，深度學(xué)習(xí)仍處于不斷發(fā)展和應(yīng)用階段，深度學(xué)習(xí)領(lǐng)域更快速、便捷、合適的算法也有待進(jìn)一步研究和提出。

3 結(jié)語(yǔ)

本文通過(guò)在Web of Science核心合集下載2008-2018年的文獻(xiàn)數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)、知識(shí)圖譜、研究前沿的相關(guān)理論與技術(shù)構(gòu)建機(jī)器學(xué)習(xí)知識(shí)圖譜。研究結(jié)論為：根據(jù)知識(shí)圖譜共現(xiàn)和表中信息將近十年的熱點(diǎn)按Algorithm（算法）和Framework（框架）兩大類(lèi)進(jìn)行分析，熱點(diǎn)算法有：Classification（分類(lèi)算法）、Support Vector Machine（支持向量機(jī)）、Regression（回歸算法）、Neural Network（神經(jīng)網(wǎng)絡(luò)）、Random Forest（隨機(jī)森林）等;熱點(diǎn)框架有：sorFlow、Caffe、PaddlePaddle等。數(shù)據(jù)庫(kù)、序列、框架、深度學(xué)習(xí)、分割、鏡像、遺傳算法、模式識(shí)別、時(shí)序安排、學(xué)習(xí)效果、決策樹(shù)，這些突變?cè)~共同組成了近十年機(jī)器學(xué)習(xí)領(lǐng)域的研究前沿和研究新興領(lǐng)域。

在前期準(zhǔn)備工作時(shí)，由于數(shù)據(jù)庫(kù)所提供的論文作者都是拼音簡(jiǎn)寫(xiě)，使得數(shù)據(jù)核對(duì)十分繁瑣且容易出錯(cuò)，希望Web of Science數(shù)據(jù)庫(kù)在收錄文章時(shí)能使用作者全稱(chēng)，以保證查詢(xún)的精準(zhǔn)性。

參考文獻(xiàn)：

[1] 機(jī)器學(xué)習(xí)發(fā)展現(xiàn)狀及應(yīng)用的研究[EB/OL]. http：//www.victorzhang.cn/page/2018/0601/3608221.shtml.

[2] 史紀(jì)元. 基于CiteSpaceⅢ輸血醫(yī)學(xué)研究領(lǐng)域知識(shí)圖譜分析[D]. 西安：第四軍醫(yī)大學(xué)，2015.

[3] 杜文龍. 引文分析軟件的應(yīng)用比較分析研究[D]. 西安：西北大學(xué)，2013.

[4] 李杰，陳超美. CiteSpace：科技文本挖掘及可視化[M]. 北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)出版社，2016.

[5] 劉則淵，陳超美，侯海燕，等. 邁向科學(xué)學(xué)大變革的時(shí)代[J]. 科學(xué)學(xué)與科學(xué)技術(shù)管理，2009，30（7）：5-12.

[6] 趙玉鵬. 基于知識(shí)圖譜的機(jī)器學(xué)習(xí)研究前沿探析[J]. 情報(bào)雜志， 2012，31（4）：28-31.

[7] 焦李成，楊淑媛，劉芳，等. 神經(jīng)網(wǎng)絡(luò)七十年：回顧與展望[J]. 計(jì)算機(jī)學(xué)報(bào)，2016，39（8）：1697-1716.

[8] 張?？?，周忠學(xué)，尹燕霞，等. 青島理工大學(xué)基于SCI論文的文獻(xiàn)計(jì)量學(xué)分析[J]. 青島理工大學(xué)學(xué)報(bào)，2013，34（4）：115-119.

[9] ZHANG Y. I-TASSER： fully automated protein structure prediction in CASP8[J]. ?Proteins Structure Function & Bioinformatics， 2009，77（Supplement S9）：100-113.

[10] LIU Q， WANG J. A one-layer recurrent neural network with a discontinuous hard-limiting activation function for quadratic programming[J]. ?IEEE Transactions on Neural Networks， 2008，19（4）：558-70.

[11] MALLAPRAGADA P K， JIN R， JAIN A K， et al. SemiBoost： boosting for semi-supervised learning[J]. ?IEEE Transactions on Pattern Analysis & Machine Intelligence，2009，31（11）：2000-2014.

[12] WANG J B， SUN L H， SUN L Y. Scheduling jobs with an exponential sum-of-actual-processing-time-based learning effect[J]. ?Computers & Mathematics with Applications，2010，60（9）：2673-2678.

[13] NNINI A，SABATINI A M.Machine learning methods for classifying human physical activity from on-body accelerometers[J]. ?Sensors，2010，10（2）：1154-1175.

[14] 張?？?，葉權(quán)慧，于路云. 基于知識(shí)圖譜的海洋科學(xué)領(lǐng)域技術(shù)機(jī)會(huì)分析[J]. 科技管理研究，2017，37（24）：165-170.

[15] CHANG C C， LIN C J. LIBSVM： A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology， 2011（2）：1-27.

[16] DEPRISTO M A，BANKS E，POPLIN R E，et al. A framework for variation discovery and genotyping using next-generation DNA sequencing data[J]. ?Nature Genetics，2011，43（5）：491-8.

[17] HUANG G B，ZHOU H，DING X，et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics Part B， 2012， 42（2）：513-529.

[18] 張?？?，劉桂仁，劉謙，等. 山東省國(guó)內(nèi)專(zhuān)利文獻(xiàn)計(jì)量學(xué)分析[J]. 科技管理研究，2013，33（1）：60-63.

[19] 王聲培，云雅娟. 洛特卡定律、普賴(lài)斯定律和我國(guó)數(shù)學(xué)科學(xué)文獻(xiàn)[J]. 圖書(shū)情報(bào)工作，1994（3）：21-24.

[20] 張福俊. 基于SCI論文引證的學(xué)術(shù)期刊信息服務(wù)——以《山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版）》為例[J]. 山東科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，32（5）：107-110.

[20] 于路云. 基于知識(shí)圖譜的國(guó)際海洋習(xí)研究前沿與技術(shù)機(jī)會(huì)分析[D]. 青島：山東科技大學(xué)，2017.

[21] 張潤(rùn)，王永濱. 機(jī)器學(xué)習(xí)及其算法和發(fā)展研究[J]. 中國(guó)傳媒大學(xué)學(xué)報(bào)：自然科學(xué)版， 2016，23（2）：10-18.

（責(zé)任編輯：孫 娟）