陳 翔，黃 璐，倪興興，劉家潤(rùn)，曹曉麗，王長(zhǎng)天

（北京理工大學(xué)管理與經(jīng)濟(jì)學(xué)院，北京 100081）

1 引 言

主題演化路徑識(shí)別是指通過(guò)對(duì)以詞語(yǔ)為表征的研究主題在時(shí)間序列上的發(fā)展、變化趨勢(shì)以及不同主題之間的交互作用進(jìn)行跟蹤分析，揭示技術(shù)領(lǐng)域發(fā)展脈絡(luò)和演化規(guī)律的研究[1]。它可以幫助科研人員追溯具體學(xué)科領(lǐng)域的發(fā)展趨勢(shì)，識(shí)別研究熱點(diǎn)和可能的新知識(shí)增長(zhǎng)點(diǎn)[2]；也可以為政府和企業(yè)制定學(xué)科和領(lǐng)域發(fā)展規(guī)劃提供重要的情報(bào)支持[3]。通常，主題的演化路徑由“主題的前驅(qū)者—主題—主題的后繼者”構(gòu)成[4]，主題間的演化關(guān)系可以用主題間的相似度來(lái)度量，當(dāng)相似度大于一定的閾值則被認(rèn)為存在演化關(guān)系，即不同主題在相鄰時(shí)間段交界處存在新生、成長(zhǎng)、衰減、合并、分裂以及衰亡六種演化方式[5]。

大量學(xué)者從網(wǎng)絡(luò)分析和詞頻分析兩方面入手開(kāi)展主題演化路徑識(shí)別研究，主要包括信息熵、引文分析、突發(fā)詞分析和共詞分析等方法[6]。近年來(lái)，基于關(guān)鍵詞網(wǎng)絡(luò)的主題演化路徑識(shí)別方法被學(xué)者廣泛使用[7]。例如，Katsurai等[8]構(gòu)建了動(dòng)態(tài)共詞網(wǎng)絡(luò)，對(duì)心理學(xué)領(lǐng)域的主題演化過(guò)程進(jìn)行分析；侯劍華等[9]利用共詞網(wǎng)絡(luò)和聚類分析識(shí)別了我國(guó)哲學(xué)領(lǐng)域研究主題的演化過(guò)程。其中，如何準(zhǔn)確識(shí)別關(guān)鍵主題是該類研究的核心[10]，大量學(xué)者已開(kāi)展相關(guān)研究。例如，Song等[11]學(xué)者使用馬爾可夫隨機(jī)場(chǎng)對(duì)關(guān)鍵詞進(jìn)行聚類進(jìn)而識(shí)別主題；王曰芬等[12]使用LDA（Latent Dirichlet Allocation）模型識(shí)別出知識(shí)流領(lǐng)域的主題；張嶷等[13]采用主題詞簇法通過(guò)詞表清洗與合并、模糊語(yǔ)義處理等步驟對(duì)主題詞表進(jìn)行深度處理，解決了主題詞表存在噪音和冗余的問(wèn)題，實(shí)現(xiàn)了清洗、鞏固主題詞表的目的；有助于生成更有意義的核心聚類[14]。此外，社區(qū)發(fā)現(xiàn)算法逐漸興起，展現(xiàn)出比傳統(tǒng)聚類方法更大的優(yōu)勢(shì)[15]，例如，Blondel等[16]提出的Fast Unfolding算法可在不事先確定主題數(shù)的情況下更準(zhǔn)確地進(jìn)行主題識(shí)別。

然而，當(dāng)前研究還存在一些不足。首先，這些方法均假定關(guān)鍵詞之間相互獨(dú)立，未充分考慮關(guān)鍵詞之間的語(yǔ)義關(guān)聯(lián)關(guān)系[17]，影響了關(guān)鍵詞相似度分析的準(zhǔn)確性。例如，關(guān)系密切的關(guān)鍵詞對(duì)因沒(méi)有共同出現(xiàn)在同一篇文獻(xiàn)而被忽略。其次，傳統(tǒng)主題演化路徑識(shí)別研究往往憑經(jīng)驗(yàn)或按照簡(jiǎn)單平均的方法對(duì)時(shí)間段進(jìn)行劃分，缺少科學(xué)依據(jù)。例如，時(shí)間段劃分過(guò)長(zhǎng)，大量主題在設(shè)定時(shí)間段內(nèi)已完成演化；時(shí)間段劃分過(guò)短，一個(gè)主題會(huì)被重復(fù)劃分在多個(gè)時(shí)間段，導(dǎo)致主題割裂[9]，均無(wú)法科學(xué)呈現(xiàn)主題間的演化關(guān)系。

為有效挖掘關(guān)鍵詞之間的語(yǔ)義關(guān)系，準(zhǔn)確識(shí)別領(lǐng)域中的熱點(diǎn)主題及發(fā)展趨勢(shì)，本文提出了基于動(dòng)態(tài)網(wǎng)絡(luò)分析的主題演化路徑識(shí)別方法。首先，引入分段線性表示法（piecewiselinear representation，PLR）對(duì)時(shí)間段進(jìn)行劃分，并利用Word2Vec模型[18]構(gòu)建動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)來(lái)體現(xiàn)關(guān)鍵詞之間的語(yǔ)義聯(lián)系；其次，利用Fast Unfolding社區(qū)發(fā)現(xiàn)算法識(shí)別動(dòng)態(tài)網(wǎng)絡(luò)中的社區(qū)，并基于Z-Score方法識(shí)別所有社區(qū)的主題標(biāo)簽以代表某領(lǐng)域的研究主題；最后，通過(guò)度量相鄰時(shí)間段間的主題相似性來(lái)表現(xiàn)主題間的演化關(guān)系，進(jìn)而識(shí)別主題的演化路徑。本文以信息科學(xué)領(lǐng)域?yàn)槔_(kāi)展實(shí)證分析，并對(duì)方法的有效性進(jìn)行了驗(yàn)證。

2 方法框架

本文的方法框架如圖1所示，包括動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)構(gòu)建、基于社區(qū)發(fā)現(xiàn)的主題識(shí)別、主題演化路徑識(shí)別及可視化三大部分。

2.1 動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)構(gòu)建

2.1.1 數(shù)據(jù)收集與預(yù)處理

本方法首先從WoS（Web of Science）中下載特定領(lǐng)域的文獻(xiàn)數(shù)據(jù)，并利用文本挖掘軟件Vantage‐Point①VantagePoint是面向文獻(xiàn)計(jì)量數(shù)據(jù)（如科技論文、專利以及學(xué)術(shù)項(xiàng)目申請(qǐng)書(shū)等）的文本挖掘與可視化軟件。更多詳情請(qǐng)?jiān)L問(wèn)官網(wǎng)：https://www.thevantagepoint.com/抽取關(guān)鍵信息，包括關(guān)鍵詞、標(biāo)題、摘要以及年份；之后，對(duì)抽取的數(shù)據(jù)進(jìn)行預(yù)處理，主要包括：去除標(biāo)題及摘要中的亂碼、去除帶有亂碼的關(guān)鍵詞以及關(guān)鍵詞中的XML標(biāo)簽等[5]。

2.1.2 基于分段線性表示法的時(shí)間段劃分

本部分的目的是基于分段線性表示法對(duì)關(guān)鍵詞序列進(jìn)行時(shí)間段劃分。首先，對(duì)關(guān)鍵詞在等時(shí)間區(qū)間（月、季、年等）內(nèi)的數(shù)量變化進(jìn)行統(tǒng)計(jì)，得到一條有效的關(guān)鍵詞數(shù)量序列，記為K={k1,k2,…,kt,…,kl}，如圖2a所示，其中，kt表示某研究領(lǐng)域在第t（1≤t≤l）時(shí)間區(qū)間內(nèi)的關(guān)鍵詞數(shù)量。在統(tǒng)計(jì)單位時(shí)間內(nèi)的關(guān)鍵詞數(shù)量時(shí)，為了清除噪聲并使語(yǔ)義相同的關(guān)鍵詞不被重復(fù)統(tǒng)計(jì)，本文利用主題詞簇法[4]對(duì)關(guān)鍵詞進(jìn)行清洗（包括基于專家知識(shí)整合同義詞、合并詞干相同的詞匯等）。

圖1 基于動(dòng)態(tài)網(wǎng)絡(luò)分析的主題演化識(shí)別方法框架

其次，利用分段線性表示法將得到的關(guān)鍵詞數(shù)量序列K擬合為首尾銜接的分段線性結(jié)構(gòu)KPLR，如圖2b中的折線所示。

這里，KPLR表示關(guān)鍵詞數(shù)量統(tǒng)計(jì)序列K的分段線性結(jié)構(gòu)，其表達(dá)式為

其中，Li(kti-1+1,kti-1+2,…,kti)表示KPLR中的第i（1≤i≤s）個(gè)線段，也是根據(jù)數(shù)據(jù)點(diǎn)kti-1+1,kti-1+2,…,kti擬合的線段（即趨勢(shì)段），這條線段的起始時(shí)間為ti-1+1，終止時(shí)間為ti。

圖2b中，折線的轉(zhuǎn)折點(diǎn)便是本文要識(shí)別的趨勢(shì)轉(zhuǎn)折點(diǎn)，用TTP(trend turning points)表示，表達(dá)式為

圖2 分段線性表示法示意圖

其中，t1表示第一個(gè)線段結(jié)束時(shí)的時(shí)間節(jié)點(diǎn)；t2表示第二個(gè)線段結(jié)束時(shí)的時(shí)間節(jié)點(diǎn)。這些時(shí)間節(jié)點(diǎn)標(biāo)志著主題演化趨勢(shì)開(kāi)始發(fā)生轉(zhuǎn)折，依據(jù)這些趨勢(shì)轉(zhuǎn)折點(diǎn)可以劃分時(shí)間段，

其中，T1表示起始時(shí)間點(diǎn)為1、終止時(shí)間點(diǎn)為t1的時(shí)間段；T2表示起始時(shí)間點(diǎn)為t1+1、終止時(shí)間點(diǎn)為t2的時(shí)間段；以此類推直到最后一個(gè)趨勢(shì)轉(zhuǎn)折點(diǎn)被劃入時(shí)間段內(nèi)。

在分段線性表示法中，表示分段數(shù)量的參數(shù)s的設(shè)置非常關(guān)鍵，s越小會(huì)忽略越多的局部波動(dòng)數(shù)據(jù)，導(dǎo)致較大的整體擬合誤差；而s越大保留的局部波動(dòng)數(shù)據(jù)越多，引入的噪聲也越多。本文參考了陳虹樞[19]的參數(shù)設(shè)置方法來(lái)平衡擬合的可靠性與趨勢(shì)的可捕捉性。

首先，確定s的取值范圍，求出每個(gè)s對(duì)應(yīng)的均值根誤差（root mean square error，RMSE）并存入均值根誤差序列。在該序列中，隨著s值的增大，均值根誤差值不斷減小。RMSE是用來(lái)衡量觀測(cè)值與真值之間偏差的指標(biāo)，可以更加直觀地表現(xiàn)觀測(cè)值對(duì)于真實(shí)值的擬合效果，本文用該指標(biāo)來(lái)衡量分段線性擬合后的曲線與原曲線之間的誤差，其計(jì)算公式為

其中，kt表示原曲線上t時(shí)刻的點(diǎn)；PLRt表示擬合后曲線上t時(shí)刻的點(diǎn)；N表示數(shù)據(jù)點(diǎn)的總個(gè)數(shù)。

其次，利用求導(dǎo)的方式，選取在RMSE不斷減小過(guò)程中顯著放緩的那一點(diǎn)，以其對(duì)應(yīng)的s作為最優(yōu)結(jié)果，即求出RMSE序列近似導(dǎo)數(shù)最大值所對(duì)應(yīng)的s值。本文用sAD表示最優(yōu)分段數(shù)，其計(jì)算公式為

2.1.3 基于Word2Vec的詞向量獲取

劃分好時(shí)間段后，本文先對(duì)各時(shí)間段內(nèi)的摘要和標(biāo)題文本進(jìn)行分句和分詞處理，然后將分詞后的語(yǔ)句序列作為語(yǔ)料庫(kù)輸入到待訓(xùn)練的Word2Vec模型中，并選用skip-gram模型對(duì)語(yǔ)料進(jìn)行訓(xùn)練，最后，將得到的關(guān)鍵詞通過(guò)訓(xùn)練好的Word2Vec模型映射為詞向量。由于該詞向量是基于關(guān)鍵詞與上下文之間的關(guān)系得出的，既包含每個(gè)詞從上位詞繼承來(lái)的公有屬性，也包含自身的私有屬性，可以體現(xiàn)關(guān)鍵詞的多重語(yǔ)義信息[20]。Word2Vec模型訓(xùn)練過(guò)程如圖3所示。

圖3 Word2Vec模型訓(xùn)練示意圖

2.1.4 構(gòu)建動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)

本部分主要是構(gòu)建動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)。首先，基于關(guān)鍵詞的時(shí)間信息將抽取得到的關(guān)鍵詞分到劃分好的時(shí)間段內(nèi)，并利用主題詞簇法對(duì)每個(gè)時(shí)間段內(nèi)的關(guān)鍵詞進(jìn)行清洗。

接下來(lái)，依次在各時(shí)間段內(nèi)，利用清洗后的關(guān)鍵詞與其對(duì)應(yīng)的詞向量構(gòu)建關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)，構(gòu)建過(guò)程闡述如下：

（1）定義某領(lǐng)域在時(shí)間段Ti內(nèi)清洗后的關(guān)鍵詞集為表示屬于關(guān)鍵詞集WTi的第i個(gè)關(guān)鍵詞。

最后，所有時(shí)間段內(nèi)的關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)組成了本文的動(dòng)態(tài)語(yǔ)義網(wǎng)絡(luò)G，計(jì)算公式為

其中，GTi為時(shí)間段Ti內(nèi)的關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)。

2.2 基于社區(qū)發(fā)現(xiàn)的主題識(shí)別

本部分將識(shí)別動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)中的主題。首先，利用Fast Unfolding算法識(shí)別語(yǔ)義網(wǎng)絡(luò)中的社區(qū)。Fast Unfolding是基于模塊度最大化的社區(qū)發(fā)現(xiàn)算法，模塊度是衡量社區(qū)劃分效果的指標(biāo)，可以度量社區(qū)內(nèi)部連接的緊密度以及社區(qū)之間連接的稀疏度，模塊度越大，社區(qū)劃分的效果越好[21]。本文用R表示模塊度，計(jì)算公式為

其中，A表示網(wǎng)絡(luò)中所有連邊的權(quán)重之和；Aij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的連邊權(quán)重；Ni為節(jié)點(diǎn)i所有連邊的權(quán)重之和，Nj為節(jié)點(diǎn)j所有連邊的權(quán)重之和；δ(Mi,Mj)用來(lái)表示節(jié)點(diǎn)i和節(jié)點(diǎn)j是否在同一社區(qū)，如果在同一社區(qū)，取值為1，否則，取值為0。

為了避免弱關(guān)聯(lián)和負(fù)關(guān)聯(lián)（向量余弦值為負(fù)數(shù)）的關(guān)鍵詞對(duì)在識(shí)別社區(qū)時(shí)引入噪聲，本文參考曾慶田等[17]的研究對(duì)構(gòu)建的關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)進(jìn)行適當(dāng)剪枝，去掉部分關(guān)系較弱關(guān)鍵詞對(duì)之間的連邊。本文將δ依次從0增至0.5（步長(zhǎng)為0.05），利用Fast Unfolding算法識(shí)別δ對(duì)應(yīng)剪枝后網(wǎng)絡(luò)中的社區(qū)，并計(jì)算最后的模塊度。這里，本文將模塊度最大值對(duì)應(yīng)的δ作為剪枝的閾值。識(shí)別出動(dòng)態(tài)網(wǎng)絡(luò)中的社區(qū)后，參考Wang等[4]的方法，利用Z-Score指標(biāo)為每個(gè)社區(qū)的內(nèi)部節(jié)點(diǎn)排序，選出Z-Score值最高的節(jié)點(diǎn)作為該社區(qū)的主題標(biāo)簽，計(jì)算公式為

其中，zi表示社區(qū)M中第i個(gè)節(jié)點(diǎn)的Z-Score值；N iM表示社區(qū)M的第i個(gè)節(jié)點(diǎn)與社區(qū)M其他節(jié)點(diǎn)連邊的權(quán)重之和；M o表示社區(qū)M的節(jié)點(diǎn)數(shù)量；B表示社區(qū)M內(nèi)所有節(jié)點(diǎn)與其他節(jié)點(diǎn)連邊的權(quán)重和的總和；Q表示社區(qū)M中所有節(jié)點(diǎn)與其他節(jié)點(diǎn)連邊的權(quán)重和的平方的總和。節(jié)點(diǎn)的Z-Score值越高，說(shuō)明該節(jié)點(diǎn)與社區(qū)內(nèi)其他節(jié)點(diǎn)的關(guān)系越緊密，越能代表整個(gè)社區(qū)。參考Guimerà等[22]的研究，Z-Score值大于等于2.5的節(jié)點(diǎn)可以作為社區(qū)的核心節(jié)點(diǎn)。

2.3 主題演化路徑識(shí)別及可視化

本部分將識(shí)別主題的演化路徑并進(jìn)行可視化。首先，基于對(duì)應(yīng)社區(qū)之間的相似度識(shí)別主題之間的演化關(guān)系。核心節(jié)點(diǎn)是社區(qū)內(nèi)最具代表性的節(jié)點(diǎn)，也是社區(qū)發(fā)展變化的關(guān)鍵[4]。因此，本文利用核心節(jié)點(diǎn)度量社區(qū)之間的相似性，定義t+1時(shí)間段內(nèi)的某個(gè)社區(qū)為Mt+1，t時(shí)間段內(nèi)的某個(gè)社區(qū)為Mt，則Mt+1與Mt的相似度為HS(Mt,Mt+1)，計(jì)算公式為

其中，H(Mt)表示Mt中核心關(guān)鍵詞節(jié)點(diǎn)集，H(Mt+1)表示Mt+1中核心關(guān)鍵詞節(jié)點(diǎn)集；Sim(H(Mt),H(Mt+1))表示H(Mt)與H(Mt+1)之間的相似度。

考慮到主題之間的相似度很大程度上依賴于主題之間的語(yǔ)義相似性，本文基于核心關(guān)鍵詞節(jié)點(diǎn)的詞向量，并利用關(guān)鍵詞節(jié)點(diǎn)對(duì)應(yīng)的Z-Score值賦予權(quán)重，采用向量余弦值加權(quán)平均的方法度量Sim(H(Mt),H(Mt+1))。為了統(tǒng)一量綱，本文對(duì)每個(gè)社區(qū)的Z-Score值進(jìn)行標(biāo)準(zhǔn)化處理。以社區(qū)Mt為例，設(shè)該社區(qū)的核心關(guān)鍵詞節(jié)點(diǎn)集H(Mt)中的某個(gè)關(guān)鍵詞為Wt，則Wt對(duì)應(yīng)的Z-Score值的標(biāo)準(zhǔn)化過(guò)程為

其中，Z'Wt表示關(guān)鍵詞Wt對(duì)應(yīng)的Z-Score標(biāo)準(zhǔn)化后的值，ZWt表示W(wǎng)t對(duì)應(yīng)的Z-Score值；Zmax表示標(biāo)準(zhǔn)化前H(M t)對(duì)應(yīng)的Z-Score值中最大值，Zmin表示標(biāo)準(zhǔn)化前H(M t)對(duì)應(yīng)的Z-Score值中最小值。

對(duì)Z-Score值標(biāo)準(zhǔn)化處理后，Sim(H(Mt),H(M t+1))的計(jì)算公式可以表示為

其中，Z't表示核心關(guān)鍵詞節(jié)點(diǎn)集H(Mt)對(duì)應(yīng)的Z-Score值標(biāo)準(zhǔn)化后的集合；表示H(Mt)對(duì)應(yīng)標(biāo)準(zhǔn)化后的所有Z-Score值與H(Mt+1)對(duì)應(yīng)標(biāo)準(zhǔn)化后的所有Z-Score值之間的兩兩乘積的總和；vWt表示W(wǎng)t由Word2Vec模型映射后的詞向量；cos(vWt,vWt+1)則表示向量v Wt與向量vWt+1之間的余弦值。

計(jì)算得到主題間的相似度后，可以剖析相鄰時(shí)間段中兩個(gè)主題之間的演化關(guān)系，即確定每個(gè)主題的前驅(qū)者與后繼者，以及由“前驅(qū)者—主題—后繼者”構(gòu)成主題的演化路徑。定義t+1時(shí)間段內(nèi)的某個(gè)社區(qū)為Mt+1，它的前驅(qū)者為Pre(Mt+1)，則Mt+1為Pre(Mt+1)的后繼者，Pre(Mt+1)的表達(dá)式定義為

其中，Gt表示t時(shí)間段內(nèi)的關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)；Mt表示Gt中的某個(gè)社區(qū)；δ為人工設(shè)定的閾值。

最后，對(duì)整個(gè)領(lǐng)域的主題演化路徑進(jìn)行可視化。本文以矩形代表主題，矩形上的文字代表主題標(biāo)簽，矩形的高度與主題對(duì)應(yīng)社區(qū)的節(jié)點(diǎn)數(shù)量成正比，且同一時(shí)間段內(nèi)的主題按照矩形的高度從大到小排成一列。再利用一條從前驅(qū)者指向主題的弧線表示主題間的演化關(guān)系，弧線上標(biāo)出兩個(gè)主題之間的相似度，不存在演化關(guān)系的主題將被描繪成淺灰色，演化路徑示意圖如圖4所示。

具體來(lái)看，t-1時(shí)間段內(nèi)的主題A與C是t時(shí)間段內(nèi)主題D的前驅(qū)者，弧線上標(biāo)了主題間的相似度，t+1時(shí)間段的主題F是t時(shí)間段內(nèi)主題D的后繼者。t+1時(shí)間段內(nèi)的主題H與其他主題不存在演化關(guān)系。

根據(jù)學(xué)者Palla[23]的研究，社區(qū)的發(fā)展過(guò)程可以分為六種模式：新生、成長(zhǎng)、合并、衰減、分裂以及衰亡。

（1）新生：在t時(shí)間段內(nèi)不存在的社區(qū)，在t+1時(shí)間段內(nèi)出現(xiàn)。

（2）成長(zhǎng)：在t時(shí)間段內(nèi)存在的社區(qū)，繼續(xù)在t+1時(shí)間段內(nèi)存在且社區(qū)節(jié)點(diǎn)增多。

（3）合并：兩個(gè)或者多個(gè)存在于t時(shí)間段內(nèi)的社區(qū)在t+1時(shí)間段內(nèi)合并為一個(gè)社區(qū)。

（4）衰減：在t時(shí)間段內(nèi)存在的社區(qū)，繼續(xù)在t+1時(shí)間段內(nèi)存在且社區(qū)節(jié)點(diǎn)減少。

（5）分裂：存在于t時(shí)間段內(nèi)的社區(qū)在t+1時(shí)間段內(nèi)分裂成兩個(gè)或者多個(gè)社區(qū)。

（6）衰亡：存在于t時(shí)間段內(nèi)的社區(qū)在t+1時(shí)間段內(nèi)消失。

圖4 主題演化路徑示意圖

2.4 方法驗(yàn)證

本文設(shè)計(jì)了定性與定量相結(jié)合的驗(yàn)證方法。在定性驗(yàn)證部分，我們將本文的分析結(jié)果與權(quán)威期刊文獻(xiàn)的結(jié)果進(jìn)行了對(duì)比；在定量驗(yàn)證部分，本文既對(duì)比了分段線性表示法與平均時(shí)間劃分法的分析結(jié)果，又將本方法與K-means和LDA兩大方法在主題識(shí)別中的效果進(jìn)行了比較，并將準(zhǔn)確率、召回率和F1值作為評(píng)價(jià)指標(biāo)[24]，用來(lái)驗(yàn)證本方法的有效性。相關(guān)指標(biāo)計(jì)算公式為

3 實(shí)證分析

信息科學(xué)是一門(mén)典型的交叉學(xué)科，近年來(lái)該領(lǐng)域文獻(xiàn)增長(zhǎng)迅速，新的科學(xué)概念大量涌現(xiàn)[25]，這使得該學(xué)科的主題演化過(guò)程更加復(fù)雜，其主題演化路徑識(shí)別研究更有意義。本文選擇信息科學(xué)領(lǐng)域作為實(shí)證分析對(duì)象，參考Hou等[25]學(xué)者的最新研究確定了信息科學(xué)領(lǐng)域的9種期刊，從WoS下載了2010—2019年10108條文獻(xiàn)數(shù)據(jù)，如表1所示。

表1 信息科學(xué)領(lǐng)域期刊文獻(xiàn)統(tǒng)計(jì)

通過(guò)Vantage Point軟件提取得到31523個(gè)作者關(guān)鍵詞，去除帶有亂碼的關(guān)鍵詞和XML標(biāo)簽后，獲得31276個(gè)有效關(guān)鍵詞；之后，將有效關(guān)鍵詞按月份劃分為120個(gè)關(guān)鍵詞子集，利用主題詞簇法進(jìn)行清洗，得到一個(gè)隨時(shí)間變化的關(guān)鍵詞數(shù)量序列。這里，本文以2018年11月的關(guān)鍵詞子集為例來(lái)演示清洗過(guò)程，如表2所示。

表2 2018年11月的關(guān)鍵詞清洗步驟（主題詞簇法）

接下來(lái)，本文利用分段線性表示法中常用的三種方法（滑動(dòng)窗口法、自上而下法以及自下而上法），對(duì)關(guān)鍵詞數(shù)量序列進(jìn)行分段線性擬合，并將參數(shù)s的取值范圍設(shè)置為2到20[19]。遵循第2.1.2節(jié)的分析步驟，可以得到三種方法對(duì)應(yīng)的最優(yōu)分段數(shù)目s及其對(duì)應(yīng)的均值根誤差RMSE。最后，利用綜合加權(quán)平均法對(duì)三種方法的擬合結(jié)果進(jìn)行評(píng)估。為統(tǒng)一量綱，本文對(duì)s及RMSE兩個(gè)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，使其均處于0到1之間，標(biāo)準(zhǔn)化的過(guò)程為

其中，as表示某指標(biāo)標(biāo)準(zhǔn)化后的值；ai表示該指標(biāo)標(biāo)準(zhǔn)化前的值；amin表示所有指標(biāo)的最小值；amax表示所有指標(biāo)的最大值。然后，對(duì)標(biāo)準(zhǔn)化后的s和RMSE指標(biāo)加權(quán)求和（本文認(rèn)為這兩個(gè)指標(biāo)同等重要，權(quán)值均為0.5），并用作評(píng)估指標(biāo)。三種方法的擬合結(jié)果如表3所示。

表3 三種分段線性表示法的分段擬合結(jié)果

為了平衡趨勢(shì)可捕捉性和擬合可靠性，本文傾向于分段較少以及均值根誤差較小的擬合方法[19]，故選擇了加權(quán)平均值最小的滑動(dòng)窗口法（取值0.2301），該方法的擬合結(jié)果如圖5所示。

這里，信息科學(xué)領(lǐng)域被劃分為6個(gè)時(shí)間段，各個(gè)時(shí)間段的起始點(diǎn)與終止點(diǎn)如表4所示。

本案例中的關(guān)鍵詞集中有大量短語(yǔ)，如“Infor‐mation Retrieval”“Citation Analysis”等，而Word2Vec模型不能直接得出這些短語(yǔ)的向量，因此，我們將短語(yǔ)形式的關(guān)鍵詞轉(zhuǎn)換為相應(yīng)的駝峰形式進(jìn)行模型訓(xùn)練，如將短語(yǔ)“network analysis”轉(zhuǎn)換為“Net‐workAnalysis”，并將關(guān)鍵詞通過(guò)訓(xùn)練好的Word2Vec模型映射為相應(yīng)的詞向量。這里，我們參考Wang等[26]的工作，將向量設(shè)置為300維，窗口大小設(shè)置為7，最小詞頻設(shè)置為3。之后，在每個(gè)時(shí)間段內(nèi)構(gòu)建關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)。首先，將關(guān)鍵詞集進(jìn)一步劃分為6個(gè)時(shí)間段內(nèi)的關(guān)鍵詞子集，刪除詞頻小于3的關(guān)鍵詞（去除噪聲關(guān)鍵詞）并使用主題詞簇法進(jìn)行清洗，清洗后的各時(shí)間段的關(guān)鍵詞數(shù)量如表5所示。

圖5 關(guān)鍵詞數(shù)量序列的分段線性擬合結(jié)果

表4 關(guān)鍵詞數(shù)量序列的時(shí)間段

表5 各時(shí)間段內(nèi)的關(guān)鍵詞數(shù)量

其次，依次在每個(gè)時(shí)間段內(nèi)計(jì)算關(guān)鍵詞對(duì)應(yīng)詞向量之間的余弦值，并以余弦值作為元素構(gòu)建關(guān)鍵詞關(guān)系矩陣?；诖丝傻玫?個(gè)關(guān)鍵詞關(guān)系矩陣，作為關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)。由于篇幅原因，這里只展示2010/01-2012/04時(shí)間段部分關(guān)鍵詞關(guān)系矩陣，如表6所示。

表6 2010/01-2012/04關(guān)鍵詞關(guān)系矩陣（部分）

得到動(dòng)態(tài)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)后，利用Fast Unfold‐ing進(jìn)行剪枝并識(shí)別網(wǎng)絡(luò)中的社區(qū)，最終輸出代表社區(qū)的關(guān)鍵詞列表。整個(gè)動(dòng)態(tài)網(wǎng)絡(luò)共識(shí)別出154個(gè)社區(qū)，各時(shí)間段網(wǎng)絡(luò)的剪枝閾值、社區(qū)數(shù)量以及對(duì)應(yīng)的模塊度如表7所示。

表7 各時(shí)間段內(nèi)關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)的社區(qū)劃分結(jié)果

這里需要為每個(gè)社區(qū)賦予主題標(biāo)簽。首先，利用Python語(yǔ)言為154個(gè)社區(qū)中的每個(gè)節(jié)點(diǎn)計(jì)算其相應(yīng)的Z-Score值，選擇社區(qū)中Z-Score值最大的節(jié)點(diǎn)作為該社區(qū)的主題標(biāo)簽，并以Z-Score值超過(guò)2.5的節(jié)點(diǎn)為該社區(qū)的核心節(jié)點(diǎn)。之后，基于社區(qū)的核心節(jié)點(diǎn)度量相鄰時(shí)間段間的社區(qū)相似度，參考Schwartz等[27]的研究，將主題相似度閾值δ設(shè)為0.7，即相似度大于0.7的主題存在演化關(guān)系。圖6顯示了信息科學(xué)領(lǐng)域2010—2019年的主題演化路徑圖。

我們可以發(fā)現(xiàn)，近十年間信息科學(xué)領(lǐng)域存在明顯的主題演化現(xiàn)象。例如，2013/10-2014/07時(shí)間段內(nèi)的“Collaboration Analysis”（合作分析）、“Col‐laboration Network”（合作網(wǎng)絡(luò)）、“Social Network Analysis”（社交網(wǎng)絡(luò)分析）、“Co-authorship Net‐work”（合著網(wǎng)絡(luò)）以及“Network Analysis”（網(wǎng)絡(luò)分析）五個(gè)研究主題融合為2014/08-2015/06中的“Network Analysis”（網(wǎng)絡(luò)分析），體現(xiàn)了主題合并；2013/10-2014/07時(shí)間段內(nèi)的“Text Mining”（文本挖掘）主題分裂成2014/08-2015/06中的“Text Mining”與“Social Media Analysis”主題，體現(xiàn)了主題的分裂；又如，2016/11-2019/12時(shí)間段內(nèi)產(chǎn)生了新的研究主題“Big Data”（大數(shù)據(jù)），2015/07-2016/10時(shí)間段內(nèi)的“Epistemology”主題在2016/11-2019/12中消失，這體現(xiàn)了主題的新生與衰亡；同時(shí)，“Cita‐tion Analysis”（引文分析）貫穿了整個(gè)過(guò)程，其對(duì)應(yīng)社區(qū)的大小也在不斷發(fā)生改變，體現(xiàn)了主題的成長(zhǎng)和衰減。

圖6 信息科學(xué)領(lǐng)域主題演化路徑圖(2010—2019年)

基于圖6所示結(jié)果，我們可將近十年信息科學(xué)領(lǐng)域的研究主題劃分為計(jì)量、管理和技術(shù)三部分。①計(jì)量維度包括文獻(xiàn)計(jì)量、信息計(jì)量、科學(xué)計(jì)量以及網(wǎng)絡(luò)計(jì)量等定量化研究，如一直貫穿信息科學(xué)領(lǐng)域的“Citation Analysis”，以及演化過(guò)程中與其合并的“Academic Ranking”（學(xué)術(shù)排名）、“Author Ranking”（作者排名）等，它們是文獻(xiàn)計(jì)量學(xué)中的常用方法，致力于對(duì)期刊、學(xué)者以及科學(xué)研究的影響性進(jìn)行定量化評(píng)估?？梢钥闯?，定量化研究是信息科學(xué)領(lǐng)域的重要研究方向與必然趨勢(shì)；②管理維度是管理學(xué)在信息科學(xué)領(lǐng)域進(jìn)一步深化和拓展，如圖中的“Knowledge Management”（知識(shí)管理）、“Document Management”（文檔管理）及其演化出來(lái)的“Information Retrieval”（信息檢索）等；③技術(shù)維度是指信息科學(xué)領(lǐng)域不斷引入數(shù)學(xué)模型、計(jì)算機(jī)算法等工具展開(kāi)新的研究，包括數(shù)學(xué)模型、深度學(xué)習(xí)等主題，如圖中的“Text Mining”（文本挖掘）、“Text Clustering”（文本聚類）、“Machine Learning”（深度學(xué)習(xí)）以及“Scientific Model”（科學(xué)模型）等。該維度的主題是信息科學(xué)領(lǐng)域重要的新興趨勢(shì)，應(yīng)當(dāng)予以重視。

下面，我們以“Citation Analysis”研究主題相關(guān)演化路徑（圖7）為例進(jìn)行重點(diǎn)探討，并與權(quán)威期刊文獻(xiàn)的分析結(jié)果進(jìn)行對(duì)比驗(yàn)證。

從圖7可以看出，2010/01-2012/04時(shí)間段中有“Citation Analysis”“Academic Ranking”“Journal Im‐pact Factor”（期刊影響因子）以及“Webometrics”（網(wǎng)絡(luò)計(jì)量學(xué)）四個(gè)研究主題，在2012/05-2013/09時(shí)間段內(nèi)融合為“Citation Analysis”，這說(shuō)明越來(lái)越多的學(xué)術(shù)、期刊影響性以及網(wǎng)絡(luò)計(jì)量學(xué)研究用到引文分析方法，使四個(gè)主題之間的關(guān)系越來(lái)越緊密，進(jìn)而融合。我們的結(jié)論也與很多學(xué)者的研究相一致，例如，學(xué)者Vaio等[28]明確指出，引文分析是評(píng)估期刊和學(xué)術(shù)研究的重要工具，并用引文分析研究經(jīng)濟(jì)學(xué)相關(guān)期刊的排名；同時(shí)，2014/08-2015/06中的“Text Mining”主題融入2015/07-2016/10中的“Citation Analysis”，例如，學(xué)者Kralj等[29]明確提出通過(guò)結(jié)合文本挖掘技術(shù)與引文網(wǎng)絡(luò)分析為研究問(wèn)題帶來(lái)了新視角，利用“Text Mining”構(gòu)建新型的引文網(wǎng)絡(luò)；此外，2014/08-2015/06時(shí)間段內(nèi)的“Alt‐metrics”（替代計(jì)量學(xué)）和2015/07-2016/10的“So‐cial Media Analysis”（社交媒體分析）均融入了“Citation Analysis”，這表明基于網(wǎng)絡(luò)媒體文本的新式計(jì)量學(xué)為“Citation Analysis”帶來(lái)了“新鮮血液”，例如，學(xué)者Sud等[30]指出通過(guò)挖掘轉(zhuǎn)發(fā)、評(píng)論等社交媒體關(guān)系可以準(zhǔn)確地識(shí)別意見(jiàn)領(lǐng)袖。

接下來(lái)，本文采用傳統(tǒng)的平均時(shí)間段劃分法對(duì)主題演變的時(shí)間段進(jìn)行劃分，并對(duì)2010—2019年信息科學(xué)領(lǐng)域的主題演化路徑進(jìn)行描繪，結(jié)果如圖8所示?？梢悦黠@看出，圖8與圖6相比丟失了很多主題，如圖6中2012/05-2013/09時(shí)間段內(nèi)的“Tech‐nological Transition”（技 術(shù) 轉(zhuǎn) 型）、“Information Gain”（信息增益），2013/10-2014/07時(shí)間段內(nèi)的“Citing Behavior”（引用行為）、“Concept Map”（概念圖）以及2014/08-2015/06時(shí)間段內(nèi)的“Technolo‐gy Policy”（技術(shù)政策）、“Knowledge Organization System”（知識(shí)組織系統(tǒng)）等主題均沒(méi)有在圖8中出現(xiàn)，這也進(jìn)一步體現(xiàn)出本文提出的分段線性法的優(yōu)越性。

我們還將本方法與K-means和LDA兩類方法同時(shí)進(jìn)行對(duì)比，以驗(yàn)證本文在主題識(shí)別上的有效性。參照林江豪等[24]的研究，我們首先依據(jù)信息科學(xué)領(lǐng)域?qū)＜乙庖?jiàn)建立一個(gè)標(biāo)準(zhǔn)“主題-關(guān)鍵詞”集（標(biāo)準(zhǔn)集），作為各類方法分析結(jié)果的對(duì)照標(biāo)準(zhǔn)；其次，分別基于本文方法、K-means和LDA得出相應(yīng)的關(guān)鍵詞集，并把分析結(jié)果與標(biāo)準(zhǔn)集進(jìn)行對(duì)比。由于篇幅原因，這里只展示部分結(jié)果，如表8所示。首先，我們邀請(qǐng)了5名信息科學(xué)領(lǐng)域?qū)＜覐?個(gè)時(shí)間段內(nèi)分別隨機(jī)挑選2個(gè)主題，共得到12個(gè)研究主題（表8第2列）；然后，由專家確定與主題對(duì)應(yīng)的關(guān)鍵詞集（表8的第3列）；接下來(lái)，我們分別使用本文方法、K-means和LDA三種方法進(jìn)行主題識(shí)別，結(jié)果如表8的第4～6列所示。

之后，我們以準(zhǔn)確率、召回率和F1值作為評(píng)價(jià)指標(biāo)將三種方法的分析結(jié)果與人工建立的標(biāo)準(zhǔn)集進(jìn)行比較，對(duì)比結(jié)果如圖9所示。

從圖9可以看出，本文方法分析結(jié)果所在的值基本都在圖的上部，這表明對(duì)于6個(gè)時(shí)間段內(nèi)的12個(gè)主題，本文方法的3個(gè)驗(yàn)證指標(biāo)值大多優(yōu)于Kmeans和LDA方法，顯示了本文提出的動(dòng)態(tài)語(yǔ)義網(wǎng)絡(luò)分析方法具有更好的主題識(shí)別效果。

圖7 以“Citation Analysis”主題為主的演化路徑圖

圖8 信息科學(xué)領(lǐng)域主題演化路徑圖(平均時(shí)間段劃分法)

表8 主題詞分析結(jié)果示例

4 結(jié)論與不足

本文提出了一種基于動(dòng)態(tài)網(wǎng)路的主題演化路徑識(shí)別方法，一方面，引入分段線性表示法對(duì)主題演變的時(shí)間段進(jìn)行劃分，解決了傳統(tǒng)主題演化路徑識(shí)別研究劃分時(shí)間段不合理的問(wèn)題；另一方面，基于Word2Vec模型構(gòu)建動(dòng)態(tài)網(wǎng)絡(luò)，并利用社區(qū)發(fā)現(xiàn)算法在動(dòng)態(tài)網(wǎng)絡(luò)中識(shí)別主題，充分考慮了關(guān)鍵詞之間的語(yǔ)義關(guān)系以使分析結(jié)果更加準(zhǔn)確。

本研究也存在一些不足。首先，分段線性表示法仍可以繼續(xù)改進(jìn)，例如，最新的基于時(shí)序趨勢(shì)的分段線性化算法，在數(shù)據(jù)集上展現(xiàn)了分段少、逼近性好等優(yōu)點(diǎn)；其次，本文通過(guò)將短語(yǔ)形式的關(guān)鍵詞轉(zhuǎn)換為駝峰形式，對(duì)語(yǔ)料庫(kù)中相應(yīng)的關(guān)鍵詞進(jìn)行了替換處理，這樣可能會(huì)因?yàn)楦淖冋Z(yǔ)料庫(kù)的文本結(jié)構(gòu)而降低關(guān)鍵詞向量識(shí)別的準(zhǔn)確度，在未來(lái)的研究中可以考慮利用Phrase2Vec模型對(duì)關(guān)鍵詞向量進(jìn)行訓(xùn)練。

圖9 主題識(shí)別的結(jié)果對(duì)比